Articles Vol. 67 No. 10 04/11/2026

FEASIBILITY OF GENERATING DRUG INDICATION ICD-10 LINKAGE SUGGESTIONS AS A BASIS FOR PHARMACIST MEDICATION-ORDER REVIEW

Nguyen Nhat An, Le Trung Lam
DOI: 10.52163/yhc.v67i10.6981
12 Views
0 Downloads
Abstract

Objective: To assess the technical feasibility of generating drug indication - ICD-10 linkage suggestions as a basis for developing a tool to support pharmacist medication-order review.

Subjects and methods: This cross-sectional descriptive study analysed secondary textual data comprising 15,844 ICD-10 codes and indications for 1163 active substances. Two clinical pharmacists independently assessed 150 randomly selected suggestions.

Results: Configuration 6 generated 503 suggestions for 260/597 substances (43.5%). Of 501 suggestions comparable with the preliminary reference, 65.3% matched the full code and 79.3% matched the three-character ICD-10 category. Compared with the initial method, the number of suggestions decreased from 880 to 503, while substance coverage increased from 33.7% to 43.5%. Retaining Vietnamese diacritics increased full-code agreement from 0% to 61.4%. For 112/150 evaluated indication- ICD-10 code pairs (74.7%; 95% CI, 67.2-81%), both pharmacists selected level 1. Exact agreement was 78% (95% CI: 70.7-83.9%); unweighted Kappa was 0.176 (95% bootstrap CI: 0.015-0.341).

Conclusion: Configuration 6 generated a suggestion list, most sampled pairs received a level 1 rating from both pharmacists. The low Kappa indicates that rating criteria and clinical context require further standardisation. The study did not assess completeness of indication coverage or clinical effectiveness.

Keywords
Drug indications, ICD-10 coding, medication-order review, clinical pharmacist, natural language processing.
References
[1]
[1] Pharmaceutical Care Network Europe. PCNE Classification for Drug-Related Problems, version 9.1. Zuidlaren: PCNE, 2020. https://pcne.org/working-groups/pcne-working-group-on-drug-related-problems/ Google Scholar
[2]
[2] Nguyễn Khánh Huyền và cộng sự. Đánh giá vai trò của dược sĩ trong quy trình duyệt sử dụng thuốc nội trú: một nghiên cứu định tính tại Bệnh viện Trung ương Quân đội 108. Tạp chí Y học Cộng đồng, 2025, 66 (CĐ 9): 129-137. doi: 10.52163/yhc.v66iCD9.2691. Google Scholar
[3]
[3] Nguyễn Thành Hải và cộng sự. Hiệu quả của việc quản lý tương tác thuốc tim mạch - bệnh trên bệnh nhân điều trị nội trú thông qua phối hợp hoạt động dược lâm sàng và hệ thống cảnh báo trên phần mềm kê đơn (HIS) tại Bệnh viện Đa khoa Xanh Pôn. Tạp chí Y học Việt Nam, 2023, 525 (1A): 302-307. doi: 10.51298/vmj.v525i1A.4998. Google Scholar
[4]
[4] Pairman L et al. Indication-based prescribing and prescribing with indications, effects on documentation, medicines use, and clinical outcomes: a systematic review. Int J Med Inform, 2026, 207: 106209. doi: 10.1016/j.ijmedinf.2025.106209. Google Scholar
[5]
[5] Bộ Y tế. Thông tư số 06/2026/TT-BYT, ngày 02/4/2026, quy định về mã hóa bệnh tật, nguyên nhân tử vong theo ICD-10. Google Scholar
[6]
[6] Nguyen Minh Hiep et al. Building resources for Vietnamese clinical text processing. Computación y Sistemas, 2018, 22 (4): 1287-1294. doi: 10.13053/CyS-22-4-3074. Google Scholar
[7]
[7] Nguyễn Nhật An. Giáo trình Xử lý ngôn ngữ tự nhiên (dùng cho đào tạo nghiên cứu sinh ngành Cơ sở toán học cho tin học). Viện Khoa học và Công nghệ quân sự, Bộ Tổng Tham mưu, Quân đội nhân dân Việt Nam, 2024. Google Scholar
[8]
[8] Frantzi K et al. Automatic recognition of multi-word terms: the C-value/NC-value method. Int J Digit Libr, 2000, 3 (2): 115-130. doi: 10.1007/S007999900023. Google Scholar
[9]
[9] Vo Chau et al. Automatic medical term extraction from Vietnamese clinical texts. Terminology, 2022, 28 (2): 299-327. doi: 10.1075/term.20037.vo. Google Scholar
[10]
[10] Okazaki N et al. Simple and efficient algorithm for approximate dictionary matching. In: Proceedings of the 23rd International Conference on Computational Linguistics. Beijing, China, 2010: 851-859. https://aclanthology.org/C10-1096/ Google Scholar
[11]
[11] Soldaini L et al. QuickUMLS: a fast, unsupervised approach for medical concept extraction. In: Proceedings of the MedIR Workshop, SIGIR 2016. Pisa, Italy, 2016: 1-4. Google Scholar
[12]
[12] Wang Q et al. A study of entity-linking methods for normalizing Chinese diagnosis and procedure terms to ICD codes. J Biomed Inform, 2020, 105: 103418. doi: 10.1016/j.jbi.2020.103418. Google Scholar
[13]
[13] Nguyễn Nhật An và cộng sự. Kỹ thuật voting trong bài toán tách từ tiếng Việt. Tạp chí Nghiên cứu Khoa học và Công nghệ quân sự, 2014 (Đặc san CNTT'14): 54-61. Google Scholar
[14]
[14] Dobbins N.J. Generalizable and scalable multistage biomedical concept normalization leveraging large language models. Research Synthesis Methods, 2025, 16 (3): 479-490. doi: 10.1017/rsm.2025.9. Google Scholar
[15]
[15] Báez P et al. Entity normalization in a Spanish medical corpus using a UMLS-based lexicon: findings and limitations. Lang Resour Eval, 2024, 59 (2): 1013-1041. doi: 10.1007/s10579-024-09755-7. Google Scholar