大语言模型在智能病历内涵质控中的应用研究

摘要

目的 探索基于大语言模型(large language model, LLM)的质控智能体在电子病历(electronic medical record, EMR)内涵质控中的应用效果，以提升病历文书的合规性、完整性及跨文书逻辑一致性，为医院智慧管理提供解决方案。方法 依托机器学习及医疗大模型技术，构建集病历理解、辅助诊断与质控能力于一体的人工智能(AI)质控系统。系统采用数据层-算法层-能力层的三级分层架构，融合多源异构医学数据，运用自回归无监督预训练、Few-shot提示、思维链(chain-of-thought, CoT)推理及低秩自适应(low-rank adaptation, LoRA)微调技术，完成病历内涵质控场景模型的预训练与微调。并通过随机抽取5 000份临床病历样本，对比AI质控智能体在病历的完整性、规范性、逻辑性与符合性指标的效能，同时采用Fisher’s exact检验评估AI质控应用后病历质量的改善，并测算AI智能体的准确率、召回率及F1-score。结果 在一致性验证中，AI质控智能体在门诊与住院病历场景下分别达到93.7%与96.1%的精确率，91.9%与94.8%的F1-score,总体一致率分别为92.4%与95.1%。应用AI质控系统后，4项质控指标错误率均显著下降：完整性错误率从21%降至5%(改善率76.2%,P=0.001)、规范性错误率从22%降至8%(改善率63.6%,P=0.009)、逻辑性错误率从13%降至3%(改善率76.9%,P=0.016)、符合性错误率从10%降至2%(改善率80.0%,P=0.033)。典型案例分析表明，系统在跨文档逻辑矛盾检测、治疗时序逻辑矛盾及罕见病合规性校验等复杂场景下表现出良好的推理与纠错能力。结论 基于LLM的AI质控系统能够有效提升EMR质控的准确性与效率，显著改善病历文书质量。未来结合多模态数据融合及多中心验证，有望进一步拓展系统在智慧医院建设和医疗质量管理数字化转型中的应用价值。

关键词

电子病历(EMR) / 大型语言模型(LLM) / 自动化质控 / 诊断编码准确性 / 医疗记录管理

基金资助

国家肿瘤临床医学研究中心中青年研究基金资助（No.DSS-YSF-2023007）; 国家卫生健康委医院管理研究所2023年医疗质量（循证）管理研究项目（No.YLZLXZ23G096）; 国家卫生健康委医院管理研究所2024年医疗人工智能临床应用研究（No.YLXX24AIA045）