Rveda：评估AI医疗编码代理的严谨基准环境

Rveda是一个用于评估AI医疗编码代理的基准环境，核心目标是测试大语言模型代理能否在人机协作场景下通过检索和验证流程准确完成ICD-10编码，而非直接生成可能存在幻觉的标签。它聚焦于基于证据的临床推理能力，而非单纯的标签召回，旨在解决医疗编码中AI模型因追求表面准确性而产生的幻觉或过度激进问题。

医疗编码是将临床诊断和程序转换为标准化代码的关键流程，影响医院收入周期管理、保险理赔和医疗数据分析。AI自动编码面临的根本问题是：单纯奖励最终标签准确性的基准可能训练出错误行为——模型可能通过幻觉或过度激进来最大化表面特异性，缺乏事实依据。

错误编码代价高昂：UC San Diego和Health Affairs分析预测，激进诊断编码强度或在十年内导致Medicare超2000亿美元超额支付；Zinnov报告预测2029年美国医疗收入周期管理支出将达2000-2100亿美元。不准确的编码决策可能演变为真实财务和运营损失。

Rveda（Rigorous Evaluation Environment for Agentic Medical Coding）的核心研究问题是：AI代理能否表现得像谨慎的医疗编码员而非一次性标签生成器？其设计遵循四个原则：测试临床推理而非仅标签召回、测试搜索效率、惩罚幻觉或过度激进行为、支持人机协作审计。

与FraudLens等审计平台的区别：Rveda是部署前基准，测试单个AI代理的推理轨迹；后者是事后检测跨人群的聚合计费异常，二者互补——前者确保部署前代理可信，后者事后发现问题理赔。

基准任务流程：每个episode从患者病历开始，代理通过SEARCH（查询ICD-10候选）、DETAILS（获取代码详情与排除说明）、SUBMIT（提交代码）三个动作完成编码，模拟检索-检查-提交的操作逻辑。

三层架构：

1. 本地ICD-10引擎：基于SQLite的检索后端，提供search_codes和get_code_details功能；
2. 环境与奖励逻辑：OpenEnv兼容包装器，记录GradingTrace（难度、搜索历史、冲突标志等）支持轨迹分析；
3. 参考推理循环：确定性提交流程，兼容OpenAI客户端，输出规范化分数。

Rveda的评分机制超越二元判断，通过轨迹分析评估代理：

• 是否充分搜索后提交；
• 是否检查相关代码的详细信息和排除说明；
• 是否避免Excludes1冲突（互斥代码）；
• 搜索策略是否高效（次数vs结果质量）。

这种评估能区分'猜对'和真正基于证据推理的代理，后者才是医疗编码场景所需。

当前Rveda使用SQLite的ICD-10 mock数据和单代理循环，架构支持多代理实验（如检索器-编码器-审计器流水线）。潜在扩展方向：

1. 多代理协作：引入专门检索和审计代理；
2. 真实ICD-10数据：迁移到完整ICD-10-CM/PCS编码集；
3. 多语言支持：扩展到其他语言编码系统；
4. 人机协作界面：开发医生/编码员介入纠正的界面。

Rveda提供了严谨、可复现的AI医疗编码代理评估基准。通过强制检索-检查-提交流程，它测试基于证据的临床推理能力，而非标签记忆。在医疗AI普及的今天，这种注重推理过程的评估方法，对确保AI系统部署中的可靠性和安全性具有重要意义。