AIで進化するICDコード自動付与：医療事務とデータ分析の未来

July 20, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Recent Advances in AI for Automated ICD Coding: A Systematic Literature Review
Journal of Medical Systems｜被引用数: 0（2026年7月19日時点）

国際疾病分類（ICD）コードは、診療報酬請求や保険償還、医療データ分析に不可欠な医療情報システムの中核を成しています。しかし、その手動でのコード付与は時間とコストがかかり、エラーも生じやすいため、医療現場の効率化を妨げる大きな課題となっていました。近年、この課題を解決する有望な手段として、非構造化された臨床テキストからICDコードを自動で割り当てる人工知能（AI）の活用が注目されています。本記事では、最新の体系的レビューに基づき、AIによるICDコード自動付与研究の現状、進化、そして今後の展望を専門家の視点からわかりやすく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の公開データセット（MIMIC-IIIなど）を活用し、実現可能なAIモデルの開発が進められています。
Ethical倫理面	データプライバシー保護（匿名化/非識別化）は、倫理的課題として多くの研究で考慮されています。
Interesting面白さ	手作業のICDコード付与における課題をAIが解決する可能性は、医療分野で非常に高い関心を集めています。
Novel新規性	深層学習、特にTransformerベースモデルの導入は、従来の機械学習手法に比べて顕著な進歩をもたらしています。
Relevant切実さ	正確なICDコードは、診療報酬請求、保険償還、医療データ分析に不可欠であり、医療システム全体にとって極めて重要です。
Measurable測定可能性	F1スコア、精度、再現率など、多様な評価指標を用いてモデルの性能が定量的に測定されています。
Modifiable派生・改善	様々なAIモデル（CNN、RNN、Transformer、ハイブリッド）が開発されており、継続的に改良されています。
Structured文章構造	体系的な文献レビューとしてPRISMAガイドラインに厳密に準拠し、研究の選定と分析が構造化されています。
PICO / PECO対象・介入・比較・結果	対象者（P）: 臨床テキストデータ。介入（I）: AIモデルによるICDコード自動付与。比較（C）: 従来の機械学習および異なる深層学習モデル。結果（O）: コード予測の精度と効率性。

はじめに：医療DXの鍵、ICDコードをAIで効率化

どうも、Beyond the Pixelです。医療の世界では、診断名や処置を国際的に標準化されたコードで記録する「国際疾病分類（ICD）コード」が不可欠です。ICDコードは、正確な診療報酬請求、保険償還、そして医療データ分析の基盤となります。しかし、このコードを手作業で付与する作業は、非常に時間がかかり、コストも高く、エラーが発生しやすいという課題を抱えています。これが臨床ワークフローのボトルネックとなり、医療システム全体の規模拡大を妨げる要因となっています。このような背景から、非構造化された臨床テキスト（例えば退院要約や電子カルテなど）からICDコードを自動的に割り当てるためのソリューションとして、人工知能（AI）が注目されています。本記事では、2019年から2024年に発表されたAIによるICDコード自動付与に関する体系的レビュー論文『Recent Advances in AI for Automated ICD Coding: A Systematic Literature Review』に基づき、その最新動向と今後の展望を解説します。

AIによる自動ICDコード付与の研究動向

本レビューでは、AIを活用したICDコード自動付与の研究の現状を明らかにするため、PRISMAガイドライン（体系的レビューおよびメタアナリシスを報告するための推奨項目）に沿って体系的な文献検索が行われました。PubMed、Google Scholar、IEEE Xplore、ScienceDirect、ACM Digital Library、Mendeleyの6つの主要データベースが対象となり、2019年から2024年までに発表された研究が検索されました。最初の4,280件の引用文献から、最終的に54件の関連研究が選定されました。検索クエリの概要は、例えば「“ICD code prediction” OR “ICD-9 codes” OR “ICD-10 codes” OR “Automated coding”」と「“Machine learning” OR “Deep learning” OR “NLP” OR “Natural language processing”」などを組み合わせたもので、詳細な検索戦略は

**Table 1.** Table 1 Summary of search queries used for literature retrieval Query Search query Purpose / Notes Query 1 (“ICD code prediction” OR “ICD-9解説: 本表は、文献検索に使用された検索クエリの概要を示しており、各クエリの目的と関連キーワードを一覧で提示しています。ICDコード予測に関連する研究を効率的に検索するために用いられたブール検索戦略の詳細が含まれます。

で確認できます。研究の品質評価は、2名の独立した査読者によって12の基準（Q1～Q12）を用いて行われました。この品質評価基準の詳細は

**Table 16.** Table 16 Quality assessment criteria used in the review ID Quality assessment question How the criterion was judged (inline-eq-IEq13) Example of (inline-eq-IEq14) Q1 Is the study objective clearly defined and aligned with ICD code prediction from clinical text?**解説:** 本表は、体系的レビューで用いられた品質評価基準を詳細に説明しており、各基準（Q1からQ12）のID、評価質問、およびその基準がどのように判断されたかの例が示されています。

に示されており、研究デザイン、方法論、再現性、倫理的側面を評価しています。合計648件の個別評価（54研究×12基準）における査読者間の合意度は高く、ほぼ完璧な合意を示しています。選定プロセスでは、アクセス制限のため38件の研究が除外され、これらは

**Table 15.** Table 15 Studies excluded due to access restrictions No. Title Year Venue解説: 本表は、アクセス制限により除外された研究をリストアップしたもので、各研究のタイトル、発表年、掲載ジャーナルが示されています。これにより、レビュープロセスにおける透明性が確保されます。

にリストアップされています。このレビューでは、多様なデータセット、前処理技術、特徴抽出方法の利用が明らかになり、従来の機械学習から深層学習アプローチへの明確な進化が示されています。

研究で用いられたデータセットの多様性

本レビューに含まれる54の研究では、臨床テキスト、退院要約、看護記録、電子カルテ（EHR）に基づいてICDコード自動付与モデルを開発・評価するために、さまざまなデータセットが使用されています。ICD-9またはICD-10コードでアノテーションされたデータセットは、その規模、言語、アクセシビリティ、コーディング範囲（全コードか頻出コードのサブセットか）が異なります。

**Table 17.** Table 17 Datasets used in studies for automated ICD coding解説: 本表は、自動ICDコーディング研究で利用されたデータセットの詳細をまとめたもので、データセットのグループ（MIMICのみ、MIMIC＋その他、非MIMIC）、ノートタイプ、データサイズ、ICDバリアント、および訓練/検証/テストの分割方法が示されています。

には、研究で使用されたデータセットの詳しい情報がまとめられています。最も頻繁に使用されたのは、MIMICデータセット、特にMIMIC-IIIであり、40の研究で主要なベンチマークとして登場しています。MIMIC-IIIは、4万以上の対象者からの52,722～59,652件の退院要約から構成され、約8,929のユニークなICD-9コードが含まれる公開データセットです。希少コードの予測やモデルの汎化性を高めるために、MIMIC-IIIと他のデータセットを組み合わせた研究も9件ありました。例えば、中国語の臨床記録を含むデータセットや、スペイン語の臨床文書と組み合わせて多言語ICDコーディングを試みる例などです。MIMIC以外のデータセットを使用した研究も14件あり、多くは多言語または独自のデータセットで、ICD-10システムや特定の臨床領域でのモデルテストに活用されています。

前処理と特徴抽出技術の進化

大規模なテキストデータや時系列データを扱う研究では、データ品質の向上、モデル性能の強化、データセット間での特徴の一貫性確保のために、前処理が非常に重要です。ICDコーディング研究で最も広く使われた技術はトークン化で、38の研究で報告されています。これによりテキストを管理可能な単位に分割します。また、一般的な低情報量の単語を削除するストップワード除去が17研究、テキスト入力の標準化を行う小文字化やテキスト正規化が17研究で用いられています。その他にも、TF-IDF（単語の重要度を測る手法）に基づく単語選択や、文分割、希少単語フィルタリングなどの手法が見られました。これらの前処理戦略は、モデルの有効性と堅牢性に貢献しています。特徴抽出の分野では、自動ICDコーディングのために幅広い技術が採用されており、自然言語処理の進化を反映しています。

**Table 7.** Table 7 Representation and feature construction techniques used in automated ICD coding studies Representation category解説: 本表は、自動ICDコーディング研究で利用された表現および特徴構築技術を分類し、それぞれのカテゴリと具体的な手法、そしてそれを採用した研究の数をリストアップしています。

は、これらの技術を概観したものです。TF-IDFやbag-of-wordsのような疎な語彙表現は、主にベースラインとして6研究で使われました。Word2Vecやカスタム訓練された埋め込みのような静的な単語埋め込みは、28研究で最も広く使われ、密な意味表現を提供します。BERTなどの事前学習済み言語モデルからの文脈表現は14研究で採用され、意味が文脈に大きく依存する臨床テキストに適しています。ICD分類体系を直接表現空間に組み込む階層認識型ラベル表現は7研究で使われ、希少コードや関連コードのサポートを目指しました。

外部知識の統合とその効果

複数の研究では、生の臨床テキストだけでなく、外部知識を組み込むことでICDコード予測を強化しています。レビュー対象の研究のうち13件は、ICDの階層構造をモデルに明示的に組み込むことで、希少コード学習のための構造的知見として活用しました。これは最も広く採用されている戦略です。ICDコードの記述やタイトルを統合することも広く採用されているアプローチで、ラベルの意味的根拠を確立し、特にまれなラベルや未見のラベルに対して、臨床テキストとターゲットコード間の整合性を向上させます。階層グラフやラベル共起グラフを含むグラフベースの表現も、フラットなマルチラベルモデルでは扱えないICDコード間の依存関係を捉えるために使われています。

**Table 8.** Table 8 Comparison of external knowledge usage in automated ICD coding studies External knowledge category解説: 本表は、自動ICDコーディング研究における外部知識の利用方法を比較しており、ICD階層、コード記述、グラフベース知識など、さまざまな外部知識カテゴリとその目的（希少コード予測、解釈性、堅牢性など）をまとめています。

は、ICDコーディング研究における外部知識の利用状況を比較したもので、外部知識がどのように定義され、モデルに組み込まれるかにおける多様性を示しています。

AIモデルアーキテクチャの変遷

自動ICDコーディングで用いられる主要な予測モデルファミリーは、CNNベース、RNNベース、Transformerベース、およびハイブリッド/オントロジーベースの予測器に分類できます。

**Figure 5.** Fig. 5 Temporal performance trends by model architecture (2019– 2024). Scatter plots show peak Micro F1 scores for studies using stan dard MIMIC-III splits. Point sizes are proportional to the number of studies. Dashed lines indicate trend directions. Panel A shows MIMIC-**解説:** 本図は、2019年から2024年までのモデルアーキテクチャ別のMicro F1スコアのピーク値を散布図で示し、自動ICDコーディングにおけるモデル性能の経時的な傾向を表しています。MIMIC-IIIフルデータセット（A）とMIMIC-III Top-50データセット（B）でのCNN、RNN、Transformer、およびハイブリッドモデルの性能が比較されています。

と論文本文中のモデルタイプ別研究数（Table 9）は、これらのモデルファミリーが時間とともにどのように進化してきたかを示しています。2019年から2020年までの初期の研究では、CNNベースおよびRNNベースのモデルが主流であり、大規模なICDコーディングにおける最初の強力なニューラルベースラインを確立しました。CNNベースのモデルは、局所的なn-gramやフレーズレベルのパターンを捉え、知識拡張型や多層膨張型CNNへと進化しました。RNNベースのモデル（LSTM、BiLSTM、GRUなど）は、臨床テキストにおける逐次的な依存関係を明示的にモデル化します。2022年以降は、Transformerベースのアプローチが毎年最も多くの研究を占めるようになりました。これには、ドメイン適応型ClinicalBERTモデルや、BERT-XMLのような特殊なアーキテクチャ、さらにはGPT-4ベースやプロンプトベースのアプローチも含まれます。ハイブリッドおよび知識統合型システムは、レビュー期間を通じて存在し、ラベル構造の明示的なモデリングを重視する傾向を反映しています。（図5）の（A）MIMIC-IIIフルデータセットにおける性能傾向は、Transformerベースのモデルが徐々に他のモデルを上回るMicro F1スコアを達成していることを示しています。特にMIMIC-III Top-50データセット（B）では、Transformerおよびハイブリッドモデルが比較的高い性能を示しています。

評価指標と最適化戦略

自動ICDコーディングモデルの評価は、タスクのマルチラベル性、深刻なクラス不均衡、ICD分類の階層構造のため、本質的に困難です。そのため、レビューされた研究では、モデル性能と実用的な関連性の異なる側面を捉える幅広い評価指標が用いられています。最も一般的に報告されているのは、精度（Precision）、再現率（Recall）、F1スコアといった分類ベースの指標で、これらはマイクロ平均またはマクロ平均のスキームで提示されます。マイクロ平均は全体的な性能を重視し、頻繁に出現するコードの影響を受けやすいのに対し、マクロ平均はすべてのラベルを均等に重み付けし、希少コードの挙動により敏感です。臨床ワークフローに合わせて、関連するICDコードが上位の予測に含まれるかを評価するランキングベースの指標（Precision@kやRecall@k）も多くの研究で報告されています。また、Focal LossやAsymmetric Lossのような高度な損失関数が、クラス不均衡に対処し、希少コードの予測を改善するために設計されました。階層構造を考慮した対照学習や、反復的な洗練のための自己蒸留、バイアス除去方法といった革新的な技術も、困難なケースでの性能向上に貢献しています。

成果と残された課題

AIによる自動ICDコード付与の研究は目覚ましい進歩を遂げていますが、いくつかの重要な課題も残されています。MIMIC-IIIデータセットを用いたフルラベルセットおよびTop-50コード設定における性能比較は

**Table 11.** Table 11 Performance trends by model family and dataset configura tion (2019–2024)**解説:** 本表は、2019年から2024年までのモデルファミリーとデータセット構成別の性能傾向を正規化して比較したもので、MIMIC-IIIフルラベルセットとTop-50コード設定におけるMicro F1およびMacro F1スコアを示しています。

にまとめられています。フルICDラベル空間の場合、初期の研究（2019～2020年）では、RNNベース、CNNベース、ハイブリッドモデルが0.55程度のマイクロF1スコアを示し、完全なラベルセットにおける極端なラベル不均衡のモデリングの難しさを反映していました。2021～2022年にはTransformerベースモデルが登場し、マイクロF1スコア0.598を達成し、ベースラインと比較して約4%の改善が見られました。しかし、マクロF1スコアは全ファミリーで0.14を下回り、希少コードに対する改善はデータスパース性によって依然として制限されていました。レビューから明らかになった主な課題は以下の通りです。まず、単一言語、単一機関のデータセットへの過度の依存は、モデルの汎化性（異なる環境やデータにも適用できる能力）を制限します。次に、希少コードの予測における困難さは未解決のままです。さらに、モデルの解釈性（AIがどのように決定を下したかを理解する能力）の欠如は、専門家の信頼を損なう可能性があります。また、評価プロトコルの一貫性の欠如は、異なる研究間の意味のある比較を妨げています。これらの課題は、

**Table 13.** Table 13 Representative studies on automated ICD coding: key find ings and limitations. Full study-by-study details for all 54 included studies are provided in Supplementary Tables 20 Study Summary of objective & Key finding解説: 本表は、自動ICDコーディングに関する代表的な研究の主要な発見と限界をまとめたものです。各研究の焦点、達成された成果、そして解決すべき課題が簡潔に記述されています。

に示されている個々の研究の主要な発見と限界にも反映されており、例えば、希少コード分析の限界やモデルの複雑さ、計算負荷の高さ、そして汎化性評価の不足などが指摘されています。

今後の研究に向けた「5Pアジェンダ」

これらの課題に対処するため、本レビューでは5つのPに基づく「5P研究アジェンダ」を提案しています。これは、AIによるICDコード自動付与が実世界の医療システムで公平かつ効果的に展開されるために必要な方向性を示すものです。具体的には以下の5つのPが挙げられます。1. Population Diversity（多様な対象者集団）: 単一の機関や言語に限定されず、多様な人種、社会経済的背景、言語を持つ対象者のデータセットを構築すること。2. Performance Robustness（性能の堅牢性）: 異なる臨床環境やデータ分布に対して、モデルが安定した高い性能を発揮できるよう、厳密な外部検証を行うこと。3. Prediction of Rare Codes（希少コードの予測）: 診断記録が少ない希少なICDコードについても、より正確に予測できる手法を開発すること。4. Provenance Transparency（来歴の透明性）: モデルの意思決定プロセスを専門家が理解できるよう、解釈可能で説明可能なAIアーキテクチャを設計すること。5. Practical Integration（実用的統合）: 実際の臨床ワークフローにAIシステムを円滑に統合するための技術的・組織的課題に取り組むこと。

まとめ

本体系的レビューは、AIがICDコード付与の分野に変革をもたらす大きな可能性を秘めていることを強調しています。特に、Transformerベースの深層学習モデルの登場により、従来の機械学習アプローチと比較して性能が向上しています。しかし、その潜在能力を最大限に引き出し、実際の医療現場で広く適用するためには、標準化されたベンチマーク、厳密な外部検証、多言語データセット、そして説明可能なアーキテクチャが不可欠です。これらの研究課題への取り組みは、AIベースのICDコーディングシステムが、より正確で、公平で、信頼性が高く、実用的なものとなるための道を開くでしょう。Beyond the Pixelでは、これからも医療画像インフォマティクスをはじめとする医療AIの最前線をわかりやすくお届けしていきます。次回の記事もお楽しみに！

補足図表

Table 4

Table 14

Table 20

用語集

ICDコード (国際疾病分類): 世界保健機関（WHO）が定める、診断名や処置などをコード化した国際的な標準システム。
PRISMAガイドライン: 体系的レビューとメタアナリシス（既存研究の統合分析）の報告を透明かつ網羅的に行うための国際的な指針。
自然言語処理 (NLP): 人間の言語をコンピュータで処理・分析するための技術。臨床テキストからの情報抽出に利用される。
機械学習 (ML): データからパターンを学習し、予測や意思決定を行うAIの一分野。深層学習の前の段階の技術も含む。
深層学習: 多層のニューラルネットワークを用いる機械学習の一種で、複雑な特徴を自動的に学習する能力を持つ。
CNN (畳み込みニューラルネットワーク): 画像処理で発展した深層学習モデルだが、テキストの局所的なパターン（n-gramなど）認識にも有効。
RNN (回帰型ニューラルネットワーク): 時系列データや連続するテキスト（文章）の前後関係を考慮して情報を処理する深層学習モデル。
Transformerモデル: 自己注意（Self-Attention）メカニズムを核とする深層学習モデルで、長距離の依存関係を効率的に学習できる。
BERT: Googleが開発したTransformerベースの言語モデル。文脈を理解し、多様な自然言語処理タスクで高い性能を発揮する。
MIMIC-III: マサチューセッツ工科大学などが提供する公開医療データベースで、集中治療室の対象者の電子カルテデータを含む。
TF-IDF: 文書中の単語の重要度を測る統計的指標。文書における出現頻度が高く、かつ他の多くの文書ではあまり出現しない単語ほど重要度が高い。
Word2Vec: 単語をベクトル空間に埋め込む（数値表現に変換する）技術で、単語の意味的類似性を捉えることができる。
F1スコア: 分類モデルの性能評価指標の一つで、精度（Precision）と再現率（Recall）の調和平均。高いほど性能が良いとされる。
マイクロ平均: マルチラベル分類において、全ての予測結果を個々のラベルとして扱い、全体でF1スコアなどを計算する方法。頻出するコードの影響を受けやすい。
マクロ平均: マルチラベル分類において、各ラベルごとにF1スコアなどを計算し、その平均を取る方法。希少コードの性能も均等に反映される。
Precision@k / Recall@k: モデルが予測した上位K個のコードの中に、正解コードが含まれているかを評価する指標。臨床での利用状況に近い評価が可能。
ROC-AUC / PR-AUC: 分類器の性能を評価する閾値フリーの指標。曲線下面積で表され、クラス不均衡なデータセットで特に有用。
クラス不均衡: データセットにおいて、特定のクラス（この場合は特定のICDコード）のデータ数が他のクラスに比べて極端に少ない状態。
損失関数: AIモデルの予測と実際の値との差（誤差）を数値化する関数。この値を最小化するようにモデルは学習する。
Focal Loss: クラス不均衡なデータセットにおいて、簡単に分類できるサンプルからの損失を減らし、分類困難な（希少な）サンプルに焦点を当てる損失関数。
Asymmetric Loss: 誤分類の種類に応じて異なる重みを割り当てる損失関数で、特に希少なクラスの誤分類を重視する際に使用される。
汎化性: AIモデルが、学習で使われたデータだけでなく、未知の新しいデータに対しても正確な予測を行う能力。
モデル解釈性: AIモデルがなぜ特定の予測を行ったのか、その意思決定プロセスを人間が理解できる程度のこと。専門家の信頼を得るために重要。
5P研究アジェンダ: AIによるICDコード自動付与研究の今後の方向性として提案された、5つのP（Population Diversity, Performance Robustness, Prediction of Rare Codes, Provenance Transparency, Practical Integration）を柱とする計画。