
-
生物通官微
陪你抓住生命科技
跳动的脉搏
ClinicalGPT:基于临床轨迹语言编码处理结构化缺失的实时用药安全审计基础模型
《npj Digital Medicine》:An audit-ready EHR foundation model for order-time medication-safety auditing across health systems
【字体: 大 中 小 】 时间:2026年10月09日 来源:npj Digital Medicine 18.0
编辑推荐:
摘要实时用药安全审计需要当前最新的实验室检查数据和用药历史,然而电子健康记录(EHR)可能包含过期或缺失的关键证据。我们提出了ClinicalGPT——一个面向审计的基础模型,采用临床轨迹语言编码时间、单位、来源和可观测性,并通过与工作流对齐的目标来处理结构化缺失。我们在七个
实时用药安全审计需要当前最新的实验室检查数据和用药历史,然而电子健康记录(EHR)可能包含过期或缺失的关键证据。我们提出了ClinicalGPT——一个面向审计的基础模型,采用临床轨迹语言编码时间、单位、来源和可观测性,并通过与工作流对齐的目标来处理结构化缺失。我们在七个医疗系统中,对847,000例符合条件的高风险用药医嘱进行了回顾性评估,参考向量为最终评分前已冻结的版本。主要终点为参考标准定义的医嘱时间未发出警报率:在系统冻结运行点下,每1000例符合条件的订单中,符合条件的I/II级参考阳性医嘱未收到任何可操作警报的比例。该离线流程指标未衡量后续临床行动、不良药物事件或患者伤害。ClinicalGPT在硬约束条件下实现了每1000例医嘱3.2例遗漏,而仅规则系统为9.4例,原始通用大语言模型(LLM)对照为6.1例,最强观测到的LLM对照(RAG + LLM + 规则)为4.8例。其误报率为33.9(95%置信区间,31.6–36.3),而仅规则系统为38.7。一项独立的单中心静默前瞻性评估在不改变医疗流程的情况下评估了工作流指标。匹配的消融实验支持了显式可观测性建模;对一个增强的知识独立子集进行独立重新标注后,保持了敏感度排序,但缩小了ClinicalGPT与RAG之间的差距。这些发现支持了比较性的医嘱时间审计性能,但并未确立临床有效性或减少患者伤害。