Page 112 - 《中国药房》2026年8期
P. 112

相关，其中，与药师（编号 2）的评分结果的相关性最高                          栓药物的停药与重启时机的判断，是术前用药管理中风
          [决定系数（R ）＝0.611，P＜0.001]，其次是药师（编号1）                 险最高的环节之一。华法林、氯吡格雷、阿司匹林等药
                      2
                        2
          的评分结果（R  ＝0.538，P＜0.001），与药师（编号 3）的                 物会抑制凝血功能，若术前未及时停用或调整，可能导
                                     2
          评分结果的相关性相对较低（R  ＝0.487，P＜0.001）。内                   致术中出现难以控制的出血情况 。这些药物的重整
                                                                                           [21]
          部一致性检验结果显示，Cronbach’s α＝0.876，表明3名                  处理需综合考量药物半衰期、手术出血风险和患者血栓
          药师的内部一致性良好（α≥0.80）。                                 栓塞风险，传统上高度依赖临床经验。本研究借助提示
          2.3.3 药物重整耗时                                        词，能够依据药物种类自动识别不同药物的干预点，进
              简单组、中等组、高难度组药物重整任务分别有65、                        而提高抗血栓管理的精准度。降糖药物的分类管理同
          21、9 份。与人工药物重整耗时比较，LLM 药物重整耗                        样存在显著的类别差异，模型初期对部分高风险降糖药
          时在简单组、中等组、高难度组中均显著减少（减少90%                          物的药物重整处理要点有所遗漏。本研究通过补充不
          以上，P＜0.001）。结果见表3。                                  同类别降糖药物的管理要点，在知识库中明确标注了术
          表3 不同难度组的人工药物重整耗时与 LLM 药物重                          前停药时间、术中替代方案以及术后重启指征。优化
               整耗时比较[M（P25，P75 ），s]                           后，模型对降糖药物的处理建议更为系统全面，有助于
           组别   药物重整任务份数  人工药物重整耗时   LLM药物重整耗时   U    P       降低围手术期血糖波动相关风险。
           简单组     65    185.00（138.00，242.00）  11.15（9.78，12.84）  4 225.00  ＜0.001  3.3 本地化LLM辅助胃癌术前药物重整模式的创新与
           中等组     21    349.00（291.00，414.00）  14.68（13.24，16.31）  441.00  ＜0.001  效率优势
           高难度组     9    733.00（697.00，914.00）  19.29（17.98，21.00）  81.00  ＜0.001
                                                                  目前，LLM 在医疗领域具有较大潜力，但多集中在
          3 讨论                                                诊断、文档撰写、问答支持等较为通用的任务层面                     [22—24] 。
          3.1 本地化LLM辅助胃癌术前药物重整模式的可行性
          与准确性                                                本研究在药物重整和用药管理这一细分任务中，尤其是
                                                              在术前用药的临床环境下，尝试将 LLM 进行知识库化
              本研究依托本院私有化部署 LLM 环境，针对胃外
          科术前用药场景，构建了胃癌术前药物重整模式，结果                            并实现机器人化，建立了仅服务于单个任务的LLM。该
          显示，在验证集中 BERT Score 的 F1 分数为 0.796，这表               模式不仅达成了智能化的信息整合，改善了传统模式下
                                                              药师需手动在多个系统间切换、查阅纸质资料的耗时状
          明该模式在语义内容覆盖与忠实度方面表现良好，具有
                                       [16]
          较强的临床语义理解与复现能力 。其生成的药物重                             况，使药师从重复性劳动中解放，而且显著提高了工作
                                                              效率，促使药师能够将宝贵的时间与精力投入到更高级
          整建议的人工评分（7DI 评分）在 32.06～33.45 分之间，
          这表明 LLM 的输出在信息完整性、问题识别全面性等                          别的临床服务中。在药物重整中最为耗时且高度依赖
          临床维度上具有较高质量，能够满足临床评价要求。进                            知识检索与综合判断的是“用药建议生成环节”，本研究
                                                              结果显示，在不同难易程度任务中，LLM 药物重整耗时
          一步分析结果显示，机器评分的 F1 分数与 3 名药师的
                                  2
          7DI评分均呈显著正相关（R  最高为0.611），且3名药师                     仅为人工药物重整耗时的 10% 以内。这种效率提升在
          的内部一致性良好（Cronbach’s α＝0.876）。以上结果表                  高复杂度病例中尤为明显，这表明该模式在真实的临床
          明，机器评分与药师人工评分在整体趋势上高度一致，既                           场景中具有显著节省时间的潜力，进而可能间接优化药
          验证了自动评价指标在本研究中的适用性，也为后续大                            师人力资源配置并提升服务可及性。
          规模应用中的质量监控提供了可替代人工的量化工具。                            3.4 本地化LLM与知识库的优势
          3.2 本地化LLM辅助胃癌术前药物重整模式在关键用                              既往研究显示，在医疗环境中直接运用通用 LLM
          药场景中的优化路径与效果                                        存在可解释性欠佳、知识不透明、与本地临床流程脱节
                                                                    [25]
              术前药物重整的核心挑战在于应对临床用药的复                           等风险 。本研究在本院可控的环境下运用LLM，并构
          杂性与异质性。用药信息不一致、未停药或误停药、药                            建本院的知识库，而非直接调用通用大模型。此举有助
          物相互作用以及剂量不当等状况，均可能引发术后出                             于提升模型建议的临床适用性，降低通用模型因脱离具
                                         [20]
          血、心血管并发症、感染等不良事件 。本研究基于训                            体场景而产生的偏差或幻觉风险，还能有效规避诸多数
                                                                        [26]
          练集对模型进行系统验证，识别出模型在药物重整环节                            据隐私问题 。本研究依托本地化知识库，在胃癌术前
          存在的4类核心偏差，并通过针对性优化，形成了一套能                           用药场景中得以应用，为该场景下的药物重整实践提供
          够覆盖常见及高风险用药场景的辅助决策流程。                               了初步的实证参考；同时，本研究采用真实患者数据，而
              复方制剂与商品名识别是术前用药重整的基础环                           非使用仿真或模拟数据，增强了研究的现实意义。
          节。训练集验证表明，当患者使用复方制剂（如氯沙坦                            3.5 研究局限性
          钾氢氯噻嗪），或电子病历仅记录商品名时，模型初期对                               本研究仍存在一定局限性。首先，研究样本量与时
          活性成分的识别存在遗漏或错误。针对这一问题，本研                            间跨度有限，这可能会对 LLM 建议效果的稳定性造成
          究完善了药物术语标准化规则，在提示词中明确要求对                            影响。其次，知识库是根据近2年的用药目录构建而成
          复方制剂进行成分拆解、将商品名映射至通用名，并通                            的，尽管已初步建立更新机制，但尚未对其稳定性进行
          过知识库补充常用商品名与通用名的对应关系。抗血                             长期验证；且低频用药类别（如抗精神病药、免疫抑制


          · 1066 ·    China Pharmacy  2026 Vol. 37  No. 8                              中国药房  2026年第37卷第8期
   107   108   109   110   111   112   113   114   115   116   117