编辑推荐：
为解决医生书写出院小结耗时久的问题，研究人员开展利用开源大语言模型（LLMs）从结构化临床数据自动生成德语出院小结的研究。结果显示模型生成的小结有一定准确性，但存在错误。该研究为未来 LLM 生成出院小结提供参考。
在医疗领域，临床文档的记录和整理至关重要。结构化文档对于病例分析、临床研究和质量保证意义重大，而叙事性文档中的出院小结，详细记录了患者的就医全过程，是患者出院后治疗和护理的重要依据。然而，目前医生书写出院小结是一项耗时的工作，他们每天约 44% 的工作时间用于电子健康记录（EHR）管理，其中很大一部分时间花在文档记录上，而且及时完成出院小结对患者后续治疗极为关键，若延迟发送可能增加患者再住院和用药错误的风险 。为了帮助医生节省时间，提高工作效率，研究人员一直探索如何利用技术手段自动生成出院小结。
海德堡大学（Heidelberg University）的研究人员开展了一项利用开源大语言模型（LLMs）从结构化临床数据自动生成德语出院小结的研究。研究人员使用来自海德堡大学医院欧洲胰腺中心 25 例胰腺手术患者的 EHR 数据，通过 Prompt 工程优化 LLaMA3 模型的输出，并对生成的出院小结进行误差分析、定量和定性评估。研究结果表明，LLMs 生成的出院小结虽然具有一定的潜力，但仍存在局限性，如在处理复杂病例和时间推理方面存在挑战，导致事实不准确，部分重要细节经常被遗漏。不过，这项研究为未来 LLM 生成出院小结的研究提供了一套真实世界的方法、发现、经验、见解和描述性结果，对指导该领域的进一步研究具有重要意义。该研究成果发表在《Scientific Reports》上。
研究人员采用的主要关键技术方法如下：首先，基于特定要求选择了开源的 LLaMA3 模型，该模型具备多种优势，如支持德语、能处理医学术语等；其次，对收集的 25 例患者数据进行预处理，按照相关法规去除患者隐私信息，并对数据进行转换和格式化；再者，运用 Prompt 工程，通过不断测试和优化，确定有效的 Prompt 模式，并尝试 Prompt Chaining 和上下文学习（ICL）等技术 。
下面介绍研究结果：
- 临床数据：数据来源于 25 例胰腺手术患者，涵盖患者自我披露表和三种住院文档表格的信息。通过分析发现，医生撰写的出院小结中 “病史与发现” 和 “治疗与过程” 部分，54% 的内容存在于结构化数据集中。
- 数据方案：制定特定规则构建数据集，将数据分为 “一般信息”“术前”“术中”“住院期间” 四个部分，使数据更具逻辑性和可理解性。
- Prompt 工程：实验发现模板和角色模式这两种 Prompt 模式特别有用，采用 Prompt Chaining 技术可处理复杂病例，但存在提取最终生成小结困难的问题，而 ICL 技术因模型过度依赖示例导致错误增加。
- 出院小结生成：成功生成 25 份出院小结，平均生成时间为 112.89 ± 8.19 秒，“病史与发现” 和 “治疗与过程” 部分平均长度分别为 698 ± 100 字符和 886 ± 158 字符 ，与医生撰写的小结在长度上存在差异。
- 误差分析：平均每份小结存在 2.84 ± 1.71 个错误，常见错误包括年龄计算错误、日期混淆、肠道运动描述错误等，同时还存在信息不精确、不完整、语法拼写错误、幻觉等问题，部分信息在生成的小结中缺失。
- 定量评估：使用 ROUGE 分数和 BERTScore 评估，结果显示生成的小结与医生撰写的小结在句法和语义上存在低到中等的相似性。
- 定性评估：通过临床医生和医学生的定性评估，发现生成的小结在全面性、简洁性、流畅性和事实正确性方面有一定表现，但仍有提升空间。
研究结论和讨论部分指出，该研究首次评估了 LLMs 在德语临床信息提取方面的能力，LLaMA3 模型生成的小结在结构和内容上向医生撰写的小结迈出了第一步。研究中发现的问题与以往研究中 LLMs 生成小结时在数据完整性和一致性方面遇到的挑战相似，提示未来研究需要更大、更完整的数据集，以及对模型进行微调等改进措施。虽然目前存在局限性，但随着技术的发展和研究的深入，LLMs 有望成为临床文档记录的有效工具，为医疗工作带来便利，提高医疗服务的效率和质量。
