吉林大学第一医院：大模型驱动的医疗安全事件深度溯因与前瞻主动防控一体化平台构建及应用

一 项目简介

　　患者安全是医疗服务的核心目标，其本质在于通过系统性、前瞻性的风险管理，最大限度降低医疗照护过程中的可避免伤害。当前，我国医院质量管理正经历深刻转型，从传统的结果导向、被动处置模式，向过程导向、主动防御模式演进。国家卫生健康委自2021年起连续将“提高医疗质量安全不良事件报告率”列为年度改进目标，并在相关文件中明确要求构建“主动报告、科学分析、系统反馈、持续改进”的闭环管理机制，强调对隐患事件的重视与非惩罚性安全文化的培育，标志着医疗安全管理正式进入以风险预防为核心的新阶段。

　　然而，传统不良事件管理模式在实践中面临多重瓶颈：一是报告机制不畅，流程繁琐、耗时冗长，导致医务人员报告意愿低，大量风险信息被隐匿；二是根因分析不深，传统方法依赖个人经验，难以触及系统性缺陷，改进措施针对性不足；三是改进闭环不全，措施追踪困难、效果评估缺失，导致“分析-改进”链条断裂，同类事件复发率高。这些问题严重制约了政策效能的充分发挥。

　　本项目直面上述挑战，以构建“主动安全”体系为核心，探索理论与技术深度融合的解决方案。以瑞士奶酪模型为理论框架，将人工智能技术系统性融入管理全流程，开发“大模型驱动的医疗安全事件深度溯因与前瞻主动防控一体化平台”。通过AI在数据处理、模式识别与因果推理方面的优势，实现了对不良事件的主动识别、智能诊断、精准干预与组织学习，不仅落实了国家“主动、闭环、前瞻”的管理要求，更完成了对传统模式的系统性重构。这一实践契合质量管理的数字化趋势，其所回应的“从被动应对到主动防御”命题具有中长期意义，展现出显著的典型性与推广价值。

二 建设与开发

　　1.建设历程

　　本项目构建医疗不良事件智能分析与闭环管理系统，分四个阶段有序推进：

　　第一阶段（2023年8月—10月）：开展需求调研，深入5家医联体单位，梳理不良事件管理痛点，形成详细需求清单。

　　第二阶段（2023年10月—2024年3月）：完成数据层建设，清洗并标注6000例院内不良事件数据，制定多模态数据标准化协议，搭建数据沙箱，完成基于Qwen3-30B的医疗领域预训练与因果推理网络框架搭建，发布领域专用模型v1.0。

　　第三阶段（2024年3月—6月）：完成系统集成，开发智能归因核心模块与闭环管理引擎，设计动态评估仪表盘，完成与HIS、EMR系统的对接测试，形成智能归因系统原型。

　　第四阶段（2024年6月至今）：开展多中心临床验证，先后完成给药错误、跌倒事件、压力性损伤专项验证，并持续优化推广。

　　2.系统架构

　　平台采用数据层-模型层-应用层-管理层四层架构体系。数据层统一汇集电子病历、交班记录、护理文书等多源异构数据；模型层以大语言模型为核心，集成知识图谱与因果推理引擎；应用层提供智能识别上报、自动化归因分析、闭环整改追踪、预警干预四大核心功能；管理层通过动态仪表盘实现全流程可视化监控。医疗安全事件深度溯因与前瞻主动防控一体化平台架构图和大语言模型平台架构及后端开发图分别如下：

三 关键技术与产品描述

　　1.医疗专用大语言模型

　　以Qwen3-30B-A3B为基础模型，基于6000例高质量标注医疗数据进行领域预训练与指令微调，构建医疗专用大语言模型。模型具备医疗术语消歧、非结构化文本解析和多层级因果链识别三大核心能力。通过知识蒸馏技术完成轻量化压缩，在保证推理精度的同时大幅提升运行效率，支持QPS≥1000的并发处理，适配医院实际业务高峰场景。

　　2.深度因果推理引擎

　　突破传统规则匹配方法的局限，引入大语言模型驱动的深度推理机制，结合鱼骨图分析、PDCA循环和瑞士奶酪模型，构建多层级因果链条。系统能够精准区分人为失误与系统缺陷，通过流程缺陷检测矩阵系统性识别管理漏洞，责任定位准确率达到80%以上的既定目标，有效避免了归咎个人、忽视系统的分析偏差。

　　3.平台功能

　　（1）不良事件智能识别及上报模块（P-目标确认）

　　依托自然语言处理技术，系统自动解析医疗文本，智能识别潜在不良事件并主动推送上报提醒，大幅降低医护人员填报负担。支持语音输入、结构化引导填报等多种交互方式，显著提升上报便捷性与合格率。

　　（2）不良事件自动化智能归因模块（D-执行分析）

　　创新性地采用AI智能初筛与专家深度研判协同模式，AI负责数据处理、模式识别和初步归因，专家负责最终决策与复杂案例处置，兼顾分析效率与结论可靠性。系统设计充分考虑临床使用场景，交互界面友好直观，有效提升医护人员的接受度与使用率。

　　（3）闭环管理及前瞻性预警模块（C-总结评价）

　　构建监测-分析-预警-干预-评估五环一体的闭环管理体系，涵盖响应时效、整改完整度等5项量化评估指标。动态预警模块实时监测高风险事件信号，实现从滞后分析向即时干预的转变。知识库及持续自学习模块自动更新临床指南与最佳实践案例，保障管理策略与医学进展持续同步。

　　（4）知识库及持续自学习模块（A-标准化制定）

　　采用向量数据库和图数据库存储案例数据，向量数据库支持通过语义进行知识匹配和抽取，图数据库支持按科室、不良事件类型、根本原因类型等多维度智能检索，在方便医务人员学习的同时还可反哺模型迭代，不断提高不良事件分析结果的精准性与标准化程度。

　　4.创新亮点

　　（1）技术突破

　　数据处理升级：创新解析算法兼容多源非结构化数据，显著提升医疗信息利用率。

　　深度因果分析：引入大语言模型驱动深度推理，突破人工经验限制，精准识别多层级因果链，定位系统性问题（如流程缺陷）。

　　实时预警响应：构建动态预警体系，实现从滞后分析到即时干预的转变，大幅提升处置效率。

　　（2）管理创新

　　范式重构：推动安全管理从单一追责转向系统治理。

　　系统化治理：构建流程缺陷检测矩阵系统识别管理漏洞，建立闭环控制指标体系量化评估效果。

　　精准优化：聚焦解决具体问题的针对性整改，替代泛化策略，有效延长同类事件复发间隔，形成可持续改进机制。

　　（3）临床创新

　　效能提升：智能化工具显著压缩事件填报与分析时间，减轻医护负担。

　　风险前移：精准识别高危系统缺陷，降低可预防性医疗差错发生率。

　　人机协同：结合AI初筛与专家深度决策，设计操作友好型交互机制，提升系统实用性与用户接受度。

四 应用效果

　　1.管理效率与效益

　　不良事件上报合格率提升，上报耗时和分析耗时均缩短，用户对不良事件系统满意度提升。

　　2.患者结局

　　每百出院人次主动报告不良事件例数由1.29例上升至2.62例，其中，Ⅳ级不良事件占比显著提升。压力性损伤、跌倒/坠床、管路滑脱、给药差错、仪器设备相关不良事件发生率下降幅度在9.09%—82.35%之间。

　　3.规模化推广

　　平台目前已在吉林大学第一医院及5家医联体单位稳定运行，覆盖300余个业务科室，形成了可复制推广的区域医疗安全协同管理新模式，为同类医疗机构提供了可借鉴的实践样本。

五 总结

　　本项目以解决医疗安全管理实际痛点为出发点，以大语言模型技术创新为支撑，构建了医疗不良事件智能分析与闭环管理的完整解决方案，实现了技术创新与管理创新的有机融合。

　　在技术层面，项目突破了医疗非结构化文本解析精度低、因果归因浅层化、闭环管理断裂三大技术瓶颈，形成了具有自主知识产权的医疗专用大语言模型和因果推理引擎。在管理层面，推动医疗安全管理范式从个人追责向系统治理转变，从事后补救向前瞻预防升级。

　　未来，项目团队将持续深化模型优化，扩大医疗实体知识库覆盖范围，构建动态知识图谱实现自动更新；通过云服务和模块化部署方案，进一步降低使用门槛，助力基层医疗机构能力提升。项目的成功实践有力印证了人工智能技术在医疗安全领域的巨大应用潜力，为推动医疗信息化向智能化转型提供了有益示范。