Ketika dokter bersiap untuk menerima pasien, ada baiknya ia memahami terlebih dahulu kemungkinan kondisi yang akan dibawa pasien. Tugas inilah yang dipecahkan oleh sistem prediksi diagnosis: berdasarkan riwayat kunjungan sebelumnya, sistem memprediksi kode ICD yang mungkin muncul pada catatan medis di kunjungan berikutnya. Salah satu pendekatan terbaru adalah deep search berbasis agen, di mana berbagai model bekerja dalam satu pipeline penelitian yang terpadu.
Apa tugasnya?
Yang dimaksud adalah prediksi prospektif multilabel. Sistem tidak mengklasifikasikan catatan yang sudah ada: catatan masa depan belum dibuat, sehingga model hanya dapat mengandalkan riwayat longitudinal pasien. Selain itu, kode yang benar bisa berjumlah lebih dari satu, dan dapat mencakup kondisi kronis maupun kondisi baru.
Solusi klasik di sini biasanya terbagi menjadi dua jenis. Model fundamental terstruktur yang dilatih pada rekam medis elektronik sangat baik dalam menangkap pola kunjungan berulang dan dinamika temporal penyakit. Sebaliknya, model bahasa unggul dalam membangun hipotesis fleksibel yang dekat dengan penalaran klinis. Namun jika digunakan secara terpisah, keduanya kehilangan sebagian informasi.
Dalam pracetak di arXiv (2608.17075) dijelaskan sistem ICD-Deepresearch yang mencoba menggabungkan kedua pendekatan tersebut. Ini adalah alur kerja berbasis agen: model prediktif bekerja bersama dengan pencarian medis dan kamus kode, sementara jawaban akhir disusun dengan mempertimbangkan keterkaitan klinis eksternal. Deep search di sini bukan sekadar menampilkan tautan, melainkan penelitian multi-langkah: sistem sendiri yang memutuskan sumber mana yang perlu diperiksa dan bagaimana mencocokkannya dengan riwayat pasien.
Bagaimana prediksi bekerja
Tidak ada satu pun sumber data yang berisi "kumpulan kode masa depan", sehingga sistem sejak awal bekerja dalam batas anggaran top-K. Sistem mengevaluasi transisi yang mungkin terjadi dari kondisi pasien saat ini menuju diagnosis masa depan, menggunakan tiga sumber sinyal: riwayat penyakit itu sendiri, asosiasi klinis eksternal, dan semantik presisi dari kode ICD.
Generasi kandidat
Kontur pertama menjalankan model SparseEHR. Model ini membentuk prior EHR — distribusi probabilitas atas kode-kode berdasarkan kunjungan sebelumnya. Prior ini menjadi titik awal untuk dua putaran research expansion yang terbatas: sistem secara terarah mencari keterkaitan klinis tambahan di sumber eksternal, tanpa mengubah pencarian menjadi penelusuran yang tak berujung.
Secara paralel, berjalan jalur independen — prediksi langsung menggunakan GPT-5. Jalur ini menghasilkan kumpulan kandidatnya sendiri yang tidak bergantung pada model sparse. Dengan demikian, kedua metode saling menutupi kelemahan masing-masing: satu mengandalkan statistik terformal, yang lain mengandalkan pemahaman bahasa atas gejala.
Seleksi akhir
Kandidat yang terkumpul melewati validasi: sistem menghapus duplikat, memeriksa kesesuaian dengan kamus ICD, dan melakukan perangkingan bersama terhadap kedua sumber. Modul terpisah kemudian menyusun penjelasan tekstual yang menerangkan mengapa suatu kode masuk ke dalam daftar. Penting untuk dicatat bahwa modul ini tidak memengaruhi prediksi itu sendiri — modul ini hanya membuat hasil lebih transparan bagi dokter.
Apa yang ditunjukkan eksperimen
Efektivitas dievaluasi pada data perawatan intensif MIMIC-III dan MIMIC-IV. Karena kode yang benar bisa berjumlah lebih dari satu, metrik dihitung rata-rata per pasien: ini lebih dekat dengan praktik klinis nyata dibandingkan penghitungan presisi biasa atas semua prediksi.
- Pada MIMIC-III, presisi mencapai 24,60%, recall — 35,09%.
- Pada MIMIC-IV — masing-masing 25,14% dan 48,32%.
Recall pada MIMIC-IV terlihat jauh lebih tinggi: sistem lebih sering menemukan kode yang benar-benar dibutuhkan, meskipun tidak menghindari kode tambahan.
Secara terpisah, dokter mengevaluasi kegunaan dokumen yang diekstrak sistem untuk mengonfirmasi prediksi. Di sini hasil ICD-Deepresearch jauh melampaui alat mandiri: dokumen yang dinilai berguna mencapai 51% dan 68%, dibandingkan 22% dan 39% pada pencarian web otonom berbasis GPT-5, serta 32% dan 41% pada Medical Deep Research.
Mengapa ini penting
Kesimpulan utama penelitian ini adalah bahwa yang produktif bukanlah persaingan, melainkan kolaborasi antar model. ICD-Deepresearch menunjukkan bahwa statistik medis terstruktur dan pencarian agen berbasis bahasa dapat bekerja dalam satu rantai: kamus ICD memberikan kerangka, sumber eksternal menambah konteks, dan penjelasan membantu dokter memverifikasi alur penalaran.
Bagi praktik klinis, ini berarti prediksi diagnosis yang lebih dini dan lebih dapat dijelaskan. Sistem tidak menggantikan keputusan klinis, tetapi mengurangi risiko terlewatnya kondisi penting saat konsultasi. Dengan demikian, di masa depan alat semacam ini dapat menjadi bagian dari asisten digital dokter — mulai dari perencanaan sumber daya hingga proses asuransi.
