PharmacyGPT：基于迭代提示优化的大型语言模型在ICU药物管理中的探索与应用

《BMC Medical Informatics and Decision Making》：PharmacyGPT: exploration of artificial intelligence for medication management in the intensive care unit

本研究针对ICU（Intensive Care Unit）药物管理高度复杂、临床决策支持工具缺乏的难题，开发了PharmacyGPT框架，通过迭代提示优化技术提升大型语言模型（LLM）在药物方案生成、疾病状态聚类及预后预测等专业任务中的性能。结果表明，该框架能生成具有临床合理性的药物方案（含药物、剂量、频率），死亡率预测准确率达0.75，为LLM在重症医学领域的专业化应用提供了新思路。

　　

在重症监护室（ICU），每一分钟都可能关乎生死。这里的患者往往同时使用13-20种药物，这些药物不仅需要根据病情变化随时调整剂量，还面临着治疗窗狭窄、药物相互作用复杂、器官功能波动影响药代动力学等多重挑战。更棘手的是，电子病历中药物描述方式千差万别——"cefepime 2gm in 100mL NS q8h"与"cefepime 2000 mg in 100mL 0.9% NS every 8 hours"看似相同，却给计算机算法带来了巨大的解析困难。据统计，美国每年有5%的住院患者（约180万人）经历药物不良事件（ADE），其中ICU患者的意外不良事件发生率高达38.8例/10万患者日，每年相关医疗费用超过15亿美元。尽管ICU临床药师能将ADE风险降低70%，但人力资源有限使得优质药学服务难以普及。

面对这一严峻挑战，由Liu Zhengliang等研究人员在《BMC Medical Informatics and Decision Making》发表的研究，开创性地提出了PharmacyGPT——一个基于迭代提示优化的大型语言模型（LLM）框架，专门针对ICU药物管理这一高度专业化的领域进行优化。该研究突破了传统AI模型需要大量标注数据训练的局限，通过动态上下文构建和迭代优化策略，使通用LLM具备了处理专业药学任务的能力。

研究人员采用了几项关键技术方法：基于1000名ICU成人患者队列，使用GPT-3.5生成患者特征嵌入并进行层次聚类；开发动态上下文迭代优化算法，通过ROUGE评分反馈循环提升提示效果；利用优化后的GPT-4模型进行药物方案生成、死亡率及APACHE II（Acute Physiology and Chronic Health Evaluation II）评分预测等多任务验证。

可解释的患者聚类分析

通过GPT-3.5嵌入和层次聚类技术，研究成功将患者分为11个具有临床意义的聚类。其中"具有神经学影响的多样化症状"组别表面症状多样，但嵌入分析显示其主要共享神经系统疾病特征，证明聚类结果具有良好的临床可解释性。

医院死亡率与疾病严重程度预测

在死亡率预测任务中，ChatGPT结合随机5样本提示（rand_5-shot）达到0.75准确率、0.70召回率。值得注意的是，数据不平衡（存活与死亡患者比例约9:1）导致精确度偏低（0.37），凸显了ICU预后预测的特殊挑战。APACHE II评分预测最佳准确率为0.27（GPT-4, rand_5-shot），表明LLM在连续型严重程度评分预测上仍需改进。

24小时药物方案生成

虽然ROUGE评分较低（ROUGE-1最高0.07），但临床专家评审发现生成方案在语法结构、药物组合和给药途径方面均符合临床规范。这表明传统自然语言处理评估指标可能不适用于药物管理这种专业领域，需要开发兼顾安全性与准确性的新型评估标准。

研究结论强调，迭代提示优化策略能有效提升LLM在专业领域的性能，无需大量标注数据即可实现领域适应。尽管当前性能尚有提升空间，但PharmacyGPT首次证明了LLM处理复杂药物数据（包括剂量、频率等字母数字组合）的潜力，为开发专业化临床决策支持系统（CDS）奠定了基础。未来需要构建更高质量的数据集、开发领域特异性评估指标，并结合强化学习人类反馈（RLHF）等进阶优化方法，最终实现AI辅助药物管理工具的临床转化。