基于大语言模型的SIGTAP与OMOP CDM术语自动映射方法研究及效能评估

本研究针对巴西医疗系统专用术语SIGTAP与国际标准OMOP CDM间的映射难题，创新性地采用LLM（大语言模型）技术构建双管道映射系统。通过RAG（检索增强生成）和智能体协议两种方法，在医疗程序(F1 0.684 vs 0.678)和药品(F1 0.846 vs 0.839)子集实现接近专家水平的自动映射，显著降低人工校验工作量，为跨国医疗数据互操作提供新范式。

　　

在全球医疗数字化转型浪潮中，一个令人头疼的问题日益凸显：各国医疗系统使用着五花八门的术语体系，就像说着不同的方言。巴西统一医疗系统(SUS)强制使用的SIGTAP术语表包含4731条医疗程序、药品等记录，却与国际通用的OMOP CDM标准"鸡同鸭讲"。这种术语壁垒使得跨国医疗数据共享和科研合作举步维艰，医生们不得不耗费大量时间进行人工术语对照，效率低下且容易出错。

来自巴西的研究团队在《Artificial Intelligence in Medicine》发表的研究给出了破局方案。他们巧妙运用当下最热的大语言模型(LLM)技术，设计了两套自动化映射管道：第一套采用检索增强生成(RAG)技术，先用MPNET、BioBERT等嵌入模型将术语转化为向量，计算余弦相似度筛选候选，再让LLM进行最终匹配；第二套则让LLM智能体自主执行查询优化策略。令人惊喜的是，在医疗程序映射任务中，两种方法分别取得F₁值0.684和0.678，药品映射更达到0.846和0.839，与专家人工映射结果不相上下。

关键技术包括：1)多阶段语义过滤策略，结合文本嵌入与模糊匹配；2)动态查询优化机制，智能体可自主调整搜索参数；3)混合评估体系，同时考虑精确率与召回率。研究特别选取了SIGTAP中的医疗程序（对应OMOP的SNOMED CT）和药品（对应RxNorm）两个最具挑战性的子集作为测试对象。

【RAG管道】部分显示，在医疗程序映射中，MPNET模型表现最优，召回率达0.712，显著优于传统模糊匹配的0.532。而当结合GPT-4进行候选筛选后，F₁值提升12%，证明LLM在语义理解上的优势。

【LLM智能体管道】章节揭示，智能体通过动态调整查询扩展策略，在药品映射任务中将召回率提升至0.871，特别擅长处理"阿司匹林肠溶片"这类包含剂型信息的复杂药品名。这种灵活性使其在罕见术语映射中表现尤为突出。

研究结论指出，这两种方法各有千秋：RAG管道在精确率上略胜一筹（医疗程序0.692 vs 0.681），而智能体管道则在召回率上表现更佳。更重要的是，它们能将专家从80%的常规映射工作中解放出来，专注于需要临床判断的复杂案例。这项工作不仅为巴西医疗系统与国际标准接轨铺平道路，更为全球医疗术语互操作提供了可复用的技术框架。

值得注意的是，Vinícius Jo?o de Barros Vanzin等作者特别强调，完全自动化映射仍不现实，某些术语需要医疗界共识。但这项研究证明，LLM确实能成为打破医疗"巴别塔"的有力工具，让数据在不同医疗系统间自由流动的梦想更近一步。随着技术发展，这种智能映射方法有望推广到ICD、LOINC等其他标准体系，最终实现全球医疗数据的无缝对话。