编辑推荐：
脓毒症致死率高，现有模型依赖结构化电子健康记录（EHR）数据，易漏读非结构化临床笔记中的信息。研究人员开发 COMPOSER-LLM 系统，整合大语言模型（LLM）与 COMPOSER 模型。其在 2500 例患者中表现优于传统模型，为脓毒症预测提供新方向。
脓毒症（Sepsis）作为机体对感染的异常免疫反应，每年全球影响超 4800 万成年人，导致约 1100 万人死亡，在美国每三例医院死亡中就有一例与脓毒症相关。早期识别并及时干预（如抗生素治疗、液体复苏）能显著改善患者预后，但当前多数脓毒症预测模型主要依赖电子健康记录（EHR）中的结构化数据（如生命体征、实验室指标），往往忽略非结构化临床笔记（如分诊记录、病程记录）中蕴含的关键情境信息，例如患者入院时的症状总结、体格检查结果和影像学报告解读等，这些信息对鉴别脓毒症与类似疾病（如心源性休克、肺栓塞）至关重要。传统基于文档级嵌入的自然语言处理方法存在上下文捕捉不足、可解释性差、易受重复文本干扰等局限，难以充分挖掘非结构化数据的价值，因此亟需一种能有效整合两类数据的新型预测模型。
为解决这一问题，美国加州大学圣地亚哥分校（UC San Diego）的研究团队开展了相关研究，开发并前瞻性验证了 COMPOSER-LLM 系统，这是一种结合大语言模型（LLM）对非结构化临床笔记的处理能力与 EHR 结构化数据的多模态模型，旨在提升脓毒症早期预测的准确性，尤其是在高不确定性诊断场景中的表现。该研究成果发表在《npj Digital Medicine》。
研究采用的关键技术方法包括：
- COMPOSER 模型：基于深度学习的脓毒症预测模型，整合结构化数据（实验室指标、生命体征、人口学信息等）生成脓毒症风险评分，可提前 4 小时预测脓毒症发作。
- LLM-based 微分诊断工具：采用开源 Mixtral 8x7B LLM，结合检索增强生成（RAG）技术，从临床笔记中提取与脓毒症及模拟疾病相关的临床症状（如发热、器官功能障碍），通过贝叶斯似然计算器评估各 differential diagnosis 的概率。
- 双阈值决策机制：当 COMPOSER 风险评分高于 primary threshold（θ?=0.75）时直接触发警报；介于 secondary threshold（θ?=0.5）与 θ?之间时，启动 LLM 分析临床笔记以降低假阳性率。
- 真实世界部署：基于 FHIR 和 HL7v2 标准的云平台实时接入 EHR 数据，在 UC San Diego 医疗系统的两个急诊部门进行前瞻性验证。
研究结果
1. 模型性能优于传统方法
在回顾性验证队列（1746 例急诊患者，16.6% 脓毒症）中，单独 COMPOSER 模型的敏感性为 72.9%，阳性预测值（PPV）为 22.6%，F-1 分数 34.5%，假警报率（FAPH）0.037；而 COMPOSER-LLM 通过引入 LLM 微分诊断工具，在风险评分 0.5-0.75 区间内，敏感性保持 72.1%，PPV 显著提升至 52.9%，F-1 分数 61.0%，FAPH 降至 0.0087。前瞻性验证队列（754 例患者，18.4% 脓毒症）中，COMPOSER-LLM 的敏感性 70.8%，PPV 58.2%，F-1 分数 63.9%，FAPH 0.0086，与回顾性结果一致，表明其在真实世界中具有稳定性。
2. 假阳性病例的临床价值
对 50 例假阳性病例的图表回顾显示，62%-64% 的患者在警报触发时存在细菌感染可疑迹象，提示即使未最终确诊脓毒症，COMPOSER-LLM 的警报仍能促使临床医生关注潜在感染风险，避免漏诊。此外，83.1%（回顾性）和 73.2%（前瞻性）的假阳性患者的实际诊断包含在 LLM 生成的前 5 位 differential diagnosis 中，表明模型的鉴别诊断能力有助于减少误诊。
3. 感染可疑患者中的表现
在临床怀疑感染的患者亚组（定义为 6 小时内开具血培养和抗生素医嘱）中，COMPOSER-LLM 的 PPV 高达 80.1%-81.3%，显著高于单独 COMPOSER 模型（55.4%-58.4%），表明其在目标人群中具有更强的临床实用性，可作为 “数字脓毒症生物标志物” 辅助诊断。
研究结论与意义
COMPOSER-LLM 通过整合 LLM 对非结构化临床笔记的深度语义分析，显著提升了脓毒症预测的准确性和可靠性，尤其是在传统模型易产生不确定性的风险区间。其核心优势包括：
- 减少假警报：通过微分诊断排除脓毒症模拟疾病，使 FAPH 降低约 78%，缓解临床警报疲劳。
- 增强可解释性：LLM 提取的临床症状带有明确依据（如 “发热伴低血压”），优于传统 NLP 的黑箱模式，便于医生理解决策逻辑。
- 实时性与扩展性：基于云平台的部署支持实时推理，且开源模型（Mixtral 8x7B）确保合规性和可复制性，为多中心推广奠定基础。
该研究首次证明 LLM 与传统机器学习模型的结合能有效利用 EHR 中的非结构化数据，为复杂疾病的早期预测提供了新范式。未来研究可进一步探索模型微调、跨机构泛化性及语音识别技术在实时数据采集中的应用，推动 AI 在重症医学中的临床转化。COMPOSER-LLM 的成功为脓毒症及其他类似急症的精准诊疗开辟了新方向，有望通过早期干预降低死亡率和医疗负担。
