Page 109 - 《中国药房》2026年8期

major drug categories was finally established， covering common and high-risk preoperative medication scenarios and providing
structured retrieval support for the LLM. For automatic evaluation， the precision， recall， and F1-score of BERT Score were 0.783±
0.033， 0.811±0.038， and 0.796±0.028， respectively. The F1-scores of ROUGE-1， ROUGE-2 and ROUGE-L were 0.566±0.067，
0.338±0.076 and 0.468±0.082， respectively. The 7DI scores from three manual raters ranged from 32.06 to 33.45. The F1-score of
automatic scoring was significantly positively correlated with the 7DI score of manual scoring （maximum coefficient of
determination＝0.611， P＜0.001）， and the internal consistency of manual scoring was good （Cronbach’s α＝ 0.876）. In terms of
efficiency， LLM-assisted medication reconciliation reduced time consumption by more than 90% compared with manual
reconciliation in the simple， moderate， and high-difficulty groups （P＜0.001）. CONCLUSIONS The medication reconciliation
model constructed based on a localized LLM and structured knowledge base shows high accuracy， consistency， and clinical
applicability in complex preoperative medication scenarios for gastric cancer. It can improve the efficiency of medication
reconciliation and reduce potential medication risks.
KEYWORDS medication reconciliation； artificial intelligence； large language model； gastric cancer； preoperative medication；
medication safety

药物重整是指在患者就诊、转科、手术或出院等医 体化建议生成，旨在为提高用药重整的效率，减少人为
疗过渡阶段，对其既往及当前用药信息开展系统、精准 差错，提升患者用药安全性提供可推广的技术路径。
且可追溯的收集、核对与优化工作，旨在降低用药差错 1 本地化 LLM 辅助胃癌术前药物重整模式的
以及药物相关不良事件的发生风险。世界卫生组织已 构建
将药物重整列为提升用药安全的关键策略之一，着重强 1.1 研究设计与整体技术流程
调其在多药联合治疗以及复杂临床路径管理中的核心 本研究聚焦于江苏省肿瘤医院（以下简称“本院”）
[1]
地位 。然而，在实际临床工作中，药物重整仍存在诸多 胃癌术前复杂的用药场景，构建了本地化 LLM 辅助胃
实施难点与风险暴露点，例如患者用药史信息分散，以 癌术前用药重整模式，具体技术路径见图 1。如图 1 所
及针对抗凝、降糖等高风险药物的术前调整方案复杂且 示，本研究首先针对入院前有持续用药史的胃癌患者开
缺乏统一执行标准。 展结构化数据整理工作。在院内私有化部署的LLM环
胃癌是全球范围内发病率和死亡率均较高的恶性 境中，结合术前用药知识库与RAG技术，实现对持续用
肿瘤之一，中国人群中，45岁及以上为胃癌的高发阶段， 药的自动整合、风险筛查以及个体化建议生成。随后，
[2]
且发病率会随年龄的增长而上升 ，该类人群常合并有 通过机器评分与人工评分，对 LLM 生成建议的质量和
高血压、糖尿病、冠心病等多种慢性疾病，故需长期服用 临床可用性进行系统评价。
多种药物 。目前，可切除胃癌患者的标准治疗以手术
[3]
模型与知识层
LLM输出模块
为主，术前阶段是患者药物治疗方案发生显著变动的时 持续用药识别
结构化患者输入 术前用药风险识别
期，极易出现用药疏漏、重复、相互作用、停药或续药遗 院内私有云环境
术前药物重整
与管理建议
[3―5]
漏等问题 。因此，药物重整显得尤为重要。国内外 DeepSeek-V3 CoT
本地化
入院前 LLM 提示词
研究均表明，实施规范化的药物重整，尤其是有职业药 持续用药史 标准化临床建议报告
师参与的药物重整，能够显著减少住院患者的药物差异 基于RAG的推理以
减少幻觉
胃癌患者数据 人口学特征
文本嵌入与
和处方错误，进而提升用药安全性 [6―7] 。然而，在实际工 向量索引模块 效果评价与验证
作中，由于药物重整通常依靠人工核对，其流程涉及医 文本嵌入V3 机器评分
BERT Score
电子病历数据 术前用药知识库 ROUGE
院电子病历、患者访谈、家属反馈等多方面；使得信息碎 基于ATC分类 知识库检索 人工评分
指南、共识
药品说明书 7DI
片化、核对效率低下、人员经验参差不齐等问题普遍 3名药师
[8]
存在 。 ATC：解剖学治疗学化学分类系统；CoT：思考链；RAG：检索增强
随着大型语言模型（large language model，LLM）在 生成；BERT Score：基于语义嵌入的文本生成质量评价指标，用于衡量
临床知识理解与临床推理能力方面取得显著进展，该模 生成文本与参考文本在语义层面的相似度；ROUGE：基于n-gram重叠
型已被证实具备对病历信息进行结构化、术语归一化以 的自动文本评价指标，用于衡量生成文本与参考文本在关键信息覆盖
程度的相似性；7DI：七维指标。
及临床知识检索的潜在能力 [9―10] 。作为开源模型，Deep‐
图1 本地化 LLM 辅助胃癌术前药物重整模式的技术
Seek理论上能够在机构内部进行部署，可以以安全且低
成本的方式开展训练与应用，这是其相较于其他 LLM 路径
的优势 [11―12] 。目前，尚未有研究将本地化LLM应用于肿 1.2 资料来源与分组
瘤患者的药物重整与用药管理。为此，本研究以胃癌患 回顾性收集 2024 年 1 月至 2026 年 1 月在本院胃外
者术前用药为切入点，通过在院内私有化部署 LLM 并 科住院的249例胃癌患者作为研究对象。本研究的纳入
整合术前用药知识库，构建了一套术前智能化药物重整 标准为——（1）年龄≥18岁；（2）经病理学确诊为胃恶性
模式，以实现对用药信息的自动整合、风险筛查以及个 肿瘤；（3）初诊且拟行手术治疗的患者；（4）有长期服药
中国药房 2026年第37卷第8期 China Pharmacy 2026 Vol. 37 No. 8 · 1063 ·