GPT-4o助力肺叶切除术手术记录结构化转换：跨语言的高效突破

在胸外科肿瘤领域，手术记录结构化困难重重。研究人员开展应用 GPT-4o转换肺叶切除术自由文本记录为结构化记录的研究，发现 GPT-4o跨语言表现出色且大幅提效。这对规范手术记录、推进胸外科肿瘤研究意义重大。

　　在医学领域，胸外科肿瘤手术的发展日新月异，微创技术不断进步，为患者带来了更多希望。然而，手术记录的处理却成了一大难题。传统的肺叶切除术手术记录以自由文本形式存在，虽然包含丰富细节，但缺乏标准化格式，这使得数据的提取和利用困难重重。在进行临床决策、分析手术结果以及开展流行病学研究时，这些自由文本记录常常让医生和研究人员感到头疼。因为不同医生记录的方式和详略程度各不相同，数据难以统一分析，就像一堆杂乱无章的拼图碎片，很难拼凑出完整且准确的信息画面。

为了解决这些问题，贵州省人民医院、中山大学附属第三医院等多家国内医疗机构的研究人员联合开展了一项重要研究。他们将目光聚焦于先进的自然语言处理技术 —— 生成式预训练变换器 4 全能版（GPT-4^o），探索其在将肺叶切除术自由文本手术记录转换为结构化记录方面的能力。

研究人员收集了来自 7 家医院 9 个治疗组的 466 份肺叶切除术记录。首先，利用光学字符识别（OCR）技术将扫描的手术记录转换为文本，并进行人工验证以确保准确性；接着，通过文本规范化处理，统一医学术语和缩写，让数据更加规整。之后，他们设计了包含 55 个条目的结构化模板，由胸外科医生和医学文献专家手动将所有记录转换为结构化记录，作为评估 GPT-4^o性能的金标准。研究中，将 GPT-4^o与基于规则的方法和少样本学习方法进行对比。

研究结果令人振奋。在中文和英文环境下，GPT-4^o都展现出了卓越的性能。其总准确率达到 0.966，精确率为 0.981，召回率是 0.982，F1 评分也为 0.982，远超基于规则的方法和少样本学习方法。在处理患者信息这类相对简单的部分时，GPT-4^o更是能给出完美结果，准确率、精确率、召回率和 F1 评分均为 1.0。但在处理复杂的术中细节时，尽管表现依旧出色，仍存在一些问题，如术语解释偏差（2.82%）、手术步骤顺序错误（1.41%）以及关键细节遗漏（0.47%）。在时间效率方面，GPT-4^o生成结构化手术记录的速度极快，平均仅需 4.41 秒，相比之下，资深胸外科医生平均需要 793.71 秒，住院医生则需要 1732.35 秒，时间节省超过 99%。

从研究结论来看，GPT-4^o无疑是将肺叶切除术自由文本手术记录转换为结构化记录的可靠且高效的工具。它的高准确率、跨语言适用性以及显著的省时优势，为胸外科肿瘤手术记录的规范化管理提供了有力支持。不过，研究也指出了其存在的局限性，如在处理复杂手术细节时的错误，这为后续研究指明了方向。在讨论部分，研究人员认为尽管 GPT-4^o表现优异，但仍需进一步改进。例如，通过使用更多样化和特定领域的数据集对其进行微调，整合人机混合审查模型，结合强化学习技术以及开发专门的提示工程技术等，有望提升其性能。

这项研究成果发表在《Scientific Reports》上，具有重要的意义。它不仅为胸外科肿瘤学领域的手术记录管理带来了新的解决方案，还为 GPT-4^o及类似生成式人工智能模型在其他医学专科的应用提供了参考框架。结构化的手术记录能够更好地与电子健康记录系统集成，推动大规模数据分析，支持循证医学实践，最终促进患者护理水平的提高和医学研究的进步。

研究主要用到的关键技术方法包括：利用光学字符识别（OCR）技术从扫描的手术记录中提取文本，并进行人工验证；通过文本规范化处理统一医学术语和缩写；设计结构化模板用于转换手术记录；以胸外科医生和医学文献专家手动转换的记录作为金标准，对比 GPT-4^o与基于规则的方法、少样本学习方法的性能。