本記事では、自動化された国際疾病分類（ICD）コーディングの課題に対処するための新たなフレームワーク「TraceCoder」を提案しています。現行の手法は、臨床テキストとICDコード間の意味的ギャップや、稀なコードに対する適応不足、解釈の難しさに直面しています。「TraceCoder」は、UMLSやWikipedia、大規模言語モデル（LLMs）などの多様な外部知識源を動的に組み込み、コード表現を豊かにし、意味的ギャップを埋め、稀であいまいなコードを扱う能力を向上させます。また、ラベル、臨床コンテキスト、知識間の相互作用をモデル化するハイブリッド注意メカニズムを導入し、長尾コードの認識向上と予測の解釈可能性を実現しています。実験結果は、MIMIC-III-ICD9やMIMIC-IV-ICD9、MIMIC-IV-ICD10データセットでTraceCoderが最先端の性能を達成することを示し、その構成要素の効果も検証されています。このフレームワークは、ICDコーディングの自動化においてスケーラブルかつ堅牢な解決策を提供し、臨床における正確性、解釈可能性、信頼性のニーズに対応します。