Apppublic

philsteiger/icd10-gm-middleware

sourceHugging Facemitupdated 7mo agoView on Hugging Face

0likes

App README

🏥 ICD-10-GM KI-Kodierungs-Middleware — Prototyp 3

Automatische ICD-10-GM Kodierung aus radiologischen Befundtexten mittels LLM (Qwen3-8B, 4-bit Quantisierung) mit NEXUS-RIS HL7-Schnittstelle.

Systemarchitektur

NEXUS-RIS                               AI-Server (Hirslanden)
    │                                        │
    │  HL7 ORU^R01 (OBX TX = Befund)        │
    ├───────────────────────────────────────►│
    │                                        │  1. ORU Parser
    │                                        │     → PID/3.1 (Patient-ID)
    │                                        │     → PV1/19.1 (Fallnummer)
    │                                        │     → OBR/3.1 (Befund-ID / Accession)
    │                                        │     → OBX-5 TX (Befundtext)
    │                                        │       \.br\ → Zeilenumbruch
    │                                        │       \F\   → Feldtrenner
    │                                        │
    │                                        │  2. LLM Inferenz
    │                                        │     Qwen3-8B (4-bit NF4)
    │                                        │     temperature=0.0 (deterministisch)
    │                                        │     output_scores=True → Confidence
    │                                        │
    │                                        │  3. DFT^P03 Builder
    │  HL7 DFT^P03                           │     FT1/19 → ICD-10 Code
    │◄───────────────────────────────────────┤     FT1/2  → Transaction-ID
    │                                        │     FT1/7  → Befund-ID
    ▼                                        │     FT1/23 → Accession Nr.
NEXUS-RIS Plugin
Leistungserfassung
(ICD-10 Code → GUI-Feld)

HL7 Message-Formate

Eingang: ORU^R01 (NEXUS-RIS → AI)

Befund wird aus dem OBX-Segment (Value Type = TX) extrahiert. HL7-Escape-Sequenzen (\.br\, \F\, \S\, \E\, \R\, \T\) werden aufgelöst. OBX mit Value Type ED (Base64 PDF) wird ignoriert.

Ausgang: DFT^P03 (AI → NEXUS-RIS)

Pflichtfeld	Quelle	Beschreibung
PID/3.1	ORU PID/3.1	Patient-ID (SAP)
PV1/19.1	ORU PV1/19.1	Fallnummer (SAP)
FT1/2	Generiert	Transaction-ID (eindeutig)
FT1/7.1	ORU OBR/3.1	Befund-ID
FT1/19.1	LLM	ICD-10 Code → GUI Leistungserfassung
FT1/23	ORU OBR/3.1	Accession Number

Technische Parameter

Parameter	Wert	Begründung
temperature	0.0	Determinismus für Audit-Trail
do_sample	False	Greedy Decoding, keine stochastische Varianz
loadin4bit	True	~8 GB VRAM statt ~14 GB
bnb4bitquant_type	nf4	Beste Qualität bei 4-bit Quantisierung
Confidence	mean(max_prob)	Über alle generierten Token gemittelt
Kosten	0.0003 Rp/s	★ CHF 8'000 HW / 3 Jahre Abschreibung

★ Hardware-Annahme: Dedizierter GPU-Server (z.B. RTX 4000 Ada / A4000), 3 Jahre lineare Abschreibung, 24/7 Betrieb. Anpassbar via `COST_RAPPEN_PER_SECOND`.

Deployment

Der Code erkennt automatisch die Laufzeitumgebung:

—HuggingFace Spaces: SPACE_ID env → @spaces.GPU Decorator → ZeroGPU
—Docker / On-Premise: Kein SPACE_ID → persistente GPU direkt

Option A: HuggingFace Spaces ZeroGPU (Demo) — ~CHF 9/Mt

1.HF PRO-Abo: https://huggingface.co/subscribe/pro
2.https://huggingface.co/new-space
3.SDK: Gradio, Hardware: ZeroGPU
4.Dateien hochladen: app.py, requirements.txt, README.md
5.~10 Min warten → URL ist live

Option B: Docker / RunPod (Produktion) — ab $0.22/hr (RTX 3090)

bash

# RunPod: RTX 3090 (24 GB) — $0.22/hr Community Cloud
docker build -t icd10-middleware .
docker run --gpus all -p 7860:7860 icd10-middleware

Option C: On-Premise (Hirslanden Server) — ★ ~CHF 8'000 HW

bash

# Voraussetzung: NVIDIA GPU ≥ 16 GB VRAM
git clone <repo-url>
cd icd10-middleware
pip install -r requirements.txt
python app.py
# → http://localhost:7860

ICD-10-GM Kodierung

Das Modell nutzt den vollständigen ICD-10-GM Katalog aus seinem Training (Qwen3-8B). Es ist nicht auf eine Untermenge beschränkt und gibt den spezifischsten zutreffenden Code aus.

Dateistruktur

icd10-middleware/
├── app.py              ← Hauptapplikation (auto-detect HF Spaces vs Docker)
├── requirements.txt    ← Python Dependencies
├── Dockerfile          ← Docker Build (RunPod / On-Premise)
└── README.md           ← Diese Datei (+ HF Spaces YAML Metadata)

Disclaimer

⚠️ Nicht für den klinischen Einsatz freigegeben. Prototyp ausschliesslich für Demonstrations- und Evaluationszwecke.