赵霞：基于大语言模型的电子病历应用

　　今年1月发布的DeepSeek R1大语言模型，以其强大的语言理解和推理生成功能燃起了医疗行业的AI应用热潮。大型语言模型(简称“LLM”)是以海量文本数据为训练基础、基于深度学习架构的人工智能模型，能够理解自然语言语义并生成连贯文本。LLM通常包含数十亿至数千亿参数，能捕捉语言的统计规律、词语语义与上下文关联，可处理文本生成、翻译、问答等多种自然语言处理(NLP)任务。与传统的NLP技术相比，在广泛的NLP任务中，LLM表现出理解词语语义和语言上下文，以及类人文本的生成能力。

　　在电子病历(EMR)的应用中，以自然语言文字描述的EMR文档比例超过70%，在病程记录、护理记录、手术记录、医患沟通文书等核心环节，EMR文档占接近100%。LLM的出现，为EMR的应用装上了智慧的大脑，赋予了强大的智能。有学者使用PubMed和Web of Science统计发现，2022年12月-2024年5月这一年半的时间里，发表的LLM用于电子病历(EHR/EMR)的相关研究达到6328项。由此可见，将LLM强大的识别、推理和生成能力应用于EMR，将为EMR的产生、应用和管理带来巨大的变革。

LLM的主要功能

　　下表列出LLM可以提供的基本功能。

基于LLM的EMR应用

　　通过上述功能的单独或组合使用，LLM可以用于大量的临床诊疗场景，例如医生辅助诊断、患者个性化诊疗、病历质量控制等。医疗文书质控智能辅助场景中，就需要组合应用实体识别、信息抽取、文本分类、文本比对、生成等基本功能。基于LLM的EMR应用通常包括：

　　1.辅助诊疗：‌基于对EMR的理解和推理，构建患者360视图，为医生提供诊断、治疗、风险和预后的辅助决策支持;

　　2.病历生成：基于临床场景(查房、手术、检查等)、跨系统信息整合(医生工作站、手术系统、影像和检验系统等)、语音或提示词输入等输入模式的病历生成;

　　3.个性化诊疗：综合EMR的临床组学、影像组学和DNA组学的多维度和多模态数据，生成患者个性化治疗建议;

　　4.病历质控：基于病历规范、诊疗指南、合理用药等知识和规则，对病历的完整性、逻辑性、符合性、合理性、安全性和潜在风险的核查;

　　5.数据分析：检索、识别和提取EMR的关键信息(医学术语、诊断编码、检查与药品名称等)，生成结构化摘要、知识图谱、多模态融合等形态，实现EMR数据的高效利用;

　　6.医学科研：多维度、多模态EMR数据分析处理，发现疾病关联、药物疗效、病程预后、隐含规律等知识，辅助医护人员开展医学研究;

　　7.医患交流：基于患者EMR的个性化医患交流，包括诊疗咨询、用药事项、康复指导、复检提醒和随访等，以及LLM与患者的人机交流;

　　8.隐私保护：检索和发现个人隐私信息和敏感信息，屏蔽或替换患者姓名、身份证号等隐私内容，敏感信息脱敏;

　　9.未来医疗：包括诊疗流程智能化重构、个性化的精准医疗、医疗生态‌跨学科协同，以及‌基于LLM的EMR应用、技术、伦理、安全和可解释性‌的协同演进。

　　随着AI技术的快速发展，医院正处于一个从信息化向数智化转型时期，要把握机遇，积极拥抱AI技术，推动基于LLM的电子病历EMR广泛和深度应用。

　　作者简介

　　赵霞，CHIMA委员，中国人民解放军南部战区总医院信息中心主任，高级工程师，生物医学工程学博士，硕士研究生导师。