基于大语言模型引导的事件图谱网络（LEGN）实现术中低血压精准预测的创新研究

针对术中低血压（IOH）预测中特征关联性缺失与静态知识库泛化能力不足的问题，研究人员提出大语言模型引导的事件图谱网络（LEGN），通过事件粒度抽象构建患者生理状态演化图谱，并动态注入领域知识。实验显示其在真实与公开数据集上F1值分别提升1.89%和2.63%，为围术期智能监护提供新范式。

　　

术中低血压（Intraoperative Hypotension, IOH）是外科手术中威胁患者生命安全的重要风险因素，与术后急性肾损伤、心肌梗死甚至死亡密切相关。传统依赖麻醉医师经验的监测方式易受多任务干扰，而现有深度学习模型虽能自动提取特征，却因忽视术前特征关联性和静态知识库的局限性，导致预测精度不足。针对这一临床痛点，北京市卫生健康委员会高层次公共卫生技术人才项目支持的研究团队，在《Expert Systems with Applications》发表了一项突破性研究。

该研究创新性地提出大语言模型引导的事件图谱网络（LEGN），通过两项核心技术实现突破：1）基于ChatGLM-6b模型构建事件提取（ChatEE）与知识检索（ChatDR）组件，将术前数据抽象为包含5类医疗事件（如人口统计学、主诉、检查等）的高阶图谱；2）融合图注意力网络（GAT）和双向长短期记忆网络（BiLSTM）分别处理事件图谱与术中时序数据。实验采用2066例妊娠心脏病患者真实电子病历，验证了方法的有效性。

研究结果显示：

1. 事件图谱表征优势：通过事件粒度构建的图谱规避了概念级图谱中非时序关系导致的特征失真，患者生理状态演化趋势的建模误差降低23.7%（p<0.05）。
2. 动态知识扩展效能：ChatDR组件基于大语言模型的推理能力，使罕见病例的F1值提升达15.8%，显著优于静态知识基方法。
3. 跨数据集泛化性：在公开数据集MIMIC-III上，LEGN的AUROC达到0.912，较最佳基线提升2.63%，证明其临床普适性。

讨论部分指出，LEGN的创新性体现在三方面：首先，事件图谱重构了医疗数据的语义层次，使模型能捕捉到传统方法忽略的病理生理学关联；其次，动态知识供给机制突破了医学知识库的边界效应；最后，多模态融合框架为ICU智能监护系统开发提供了可扩展架构。作者团队特别强调，该方法已通过伦理审查，未来将探索在机器人辅助手术中的实时预警应用。

这项研究不仅为IOH预测建立了新标准，其"事件抽象-知识增强"的双轮驱动模式，更为慢性病风险预测、急诊分诊等时序敏感型医疗AI任务提供了通用技术框架。正如结论所述，当大语言模型遇见医疗图谱，人工智能正在重新定义围术期监护的精度边界。