La predicció de codis clínics en entorns hospitalaris, especialment l'assignació de codis ICD-10-CM a partir d'informes d'alta, representa un dels reptes més complexos dins del processament del llenguatge natural aplicat a la salut. L'enorme quantitat d'etiquetes —més de 15.000 codis a l'espai complet—, juntament amb la seva jerarquia profunda i l'extrema escassetat de dades per a codis rars, converteix aquesta tasca en un problema de classificació multi-etiqueta distribuïda i dispersa. Tradicionalment, els sistemes aborden aquest problema com una classificació plana, on cada codi es puntua de manera independent, cosa que no aprofita l'estructura jeràrquica inherent i ofereix un senyal d'entrenament limitat per a les etiquetes poc freqüents. No obstant això, investigacions recents han demostrat que un enfocament basat en polítiques de recorregut amb restriccions de graf pot superar aquestes limitacions, transformant la predicció extrema en un procés de decisió jeràrquic.
La idea clau consisteix a formular l'assignació de codis ICD com un procés de decisió amb horitzó finit sobre un graf de l'arbre jeràrquic prèviament reduït. Un únic model de llenguatge descendeix nivell per nivell, seleccionant nodes fills vàlids fins a arribar a les fulles facturables. D'aquesta manera, la classificació plana es converteix en decisions de subconjunt disperses i conscients de la jerarquia, garantint que els codis de sortida siguin estructuralment vàlids. Aquest mètode, conegut com a política de recorregut amb restriccions de graf, ha estat avaluat al conjunt de dades MIMIC-IV obtenint resultats notables: una política supervisada assoleix un micro-F1 de 0,709 en un subconjunt de 50 codis i 0,527 a l'espai complet de 15.761 codis, superant sistemes plans com CAML, LAAT o PLM-ICD. En la configuració completa, la millora és de 0,044 en micro-F1 i 0,157 en macro-F1 respecte a la millor línia base plana, cosa que suggereix que la descomposició guiada pel graf mitiga el coll d'ampolla dels codis rars.
Des d'una perspectiva tècnica i empresarial, aquest avenç té implicacions profundes. L'adopció de models de llenguatge amb polítiques jeràrquiques no només millora la precisió en la codificació clínica, sinó que també redueix la dependència d'equips humans especialitzats i minimitza errors administratius. Les organitzacions sanitàries poden integrar aquestes solucions als seus sistemes d'informació hospitalària per automatitzar el procés de facturació i facilitar la investigació epidemiològica. En aquest context, empreses com Q2BSTUDIO estan a l'avantguarda del desenvolupament d'aplicacions a mida que incorporen intel·ligència artificial avançada per resoldre problemes complexos de classificació jeràrquica. En combinar models de llenguatge amb arquitectures de grafs, és possible construir sistemes robustos que s'adaptin a dominis amb milers d'etiquetes, com la codificació clínica, la classificació de documents legals o la categorització de productes en comerç electrònic.
L'aprenentatge amb restriccions de graf no és una idea aïllada; forma part d'un corrent més ampli que busca integrar coneixement estructural en els processos de decisió de la intel·ligència artificial. En lloc de tractar cada etiqueta com a independent, s'aprofiten les relacions jeràrquiques i de dependència per guiar l'aprenentatge. Això és especialment rellevant en sectors on la validesa semàntica de les sortides és crítica, com la ciberseguretat, on un sistema de detecció d'amenaces ha de classificar incidents dins d'una taxonomia d'atacs ben definida. Q2BSTUDIO ofereix serveis de ciberseguretat que es podrien beneficiar d'aquest tipus d'enfocaments per classificar vulnerabilitats de forma jeràrquica i prioritzar respostes.
Així mateix, la infraestructura al núvol té un paper fonamental per desplegar aquests models a escala. Els hospitals i centres de recerca processen milers d'informes diàriament, i la capacitat de computació elàstica que proporcionen serveis al núvol com AWS i Azure permet entrenar i servir models complexos sense invertir en maquinari propi. La integració amb eines de Business Intelligence, com Power BI, possibilita visualitzar les mètriques de rendiment dels codis i detectar patrons d'error que ajuden a refinar els models. Per exemple, un tauler de BI pot mostrar la distribució d'encerts i fallades per nivell jeràrquic, facilitant la presa de decisions sobre quins nodes requereixen més dades d'entrenament.
Un altre aspecte destacat és l'evolució cap a agents d'intel·ligència artificial autònoms. A l'estudi esmentat, es va avaluar també el reforç amb GRPO, tot i que no va aportar millores sobre la continuació supervisada. No obstant això, l'arquitectura de política jeràrquica obre la porta a agents que puguin navegar per grafs de coneixement complexos de forma autònoma, no només en codificació clínica sinó en tasques com la cerca d'informació estructurada o la generació d'informes personalitzats. A Q2BSTUDIO treballem en el desenvolupament d'agents IA que integren raonament jeràrquic per a aplicacions empresarials, des de l'atenció al client fins a l'optimització de processos logístics.
En definitiva, la predicció de codis clínics extrems mitjançant polítiques de recorregut amb restriccions de graf demostra que, sovint, la solució més efectiva no és la més complexa, sinó la que millor s'alinea amb l'estructura inherent del problema. La combinació de models de llenguatge preentrenats amb descomposició jeràrquica ofereix un camí pràctic i escalable per abordar classificacions amb milers d'etiquetes. Les empreses de desenvolupament de programari i tecnologia, com Q2BSTUDIO, estan en una posició privilegiada per traslladar aquests avenços a sectors com la salut, les finances o la logística, proporcionant automatització de processos intel·ligent i adaptada a les necessitats específiques de cada client. El futur de la intel·ligència artificial aplicada passa per entendre que les dades no són només punts independents, sinó nodes en un graf de relacions; i aprendre a navegar aquest graf és la clau per resoldre els problemes més difícils.
