基于大语言模型的药物性肝损伤实时检测：从临床记录到早期预警的可行性探索

本研究创新性地利用大语言模型（LLM）技术，实现了从电子病历（EMR）中实时提取药物信息并评估药物性肝损伤（DILI）风险的可行性。通过整合DILIrank和LiverTox数据库，系统展现出高精度（F1-score达0.97）的药物识别能力，为临床早期预警提供了人工智能驱动的新范式。

　　

亮点（Highlights）

• 首创将大语言模型（LLM）应用于药物性肝损伤（DILI）的实时临床风险评估

• 通过算法融合DILIrank与LiverTox数据库，构建了全面的DILI风险知识库

• 在标准化数据集（NHANES/RxNORM）中实现F1值高达0.97的药物提取精度

• 验证了系统对真实临床场景中拼写错误和复合药物名的鲁棒性

系统架构（System Architecture）

该系统采用三层架构设计（图1）：后端处理平台负责接收非结构化临床文本并协调工作流；API集成层调用大语言模型进行药物实体提取；经过人工校验的DILI风险数据库提供专业支撑。整体架构为实现实时DILI风险监测提供了技术可行性，研究流程详见图2。

药物提取的统计评估（Statistical Evaluation of Medication Extraction）

如表1所示，我们采用三类数据集进行验证：NHANES（结构化临床数据库）、RxNORM（真实世界用药数据）和人工构建的拼写错误数据集。如表2所示，模型在NHANES数据上实现零错误提取，在RxNORM和拼写错误数据集上分别获得0.94和0.97的F1值。主要错误来源为商品名识别和复合药物处理。

讨论（DISCUSSION）

本研究首次证实了大语言模型在实时临床场景中的应用潜力。通过创新性地结合LLM技术与传统医学数据库，我们成功构建了DILI风险主动监测系统。该可行性研究展现了优异的技术指标，为人工智能驱动的不良反应监测开辟了新路径。

结论（Conclusion）

研究表明大语言模型能够高效准确地从临床文本中提取药物信息，这是实现实时DILI风险评估的关键突破。当前系统仍需进一步优化和临床验证，未来将重点开发智能代理系统以实现自动化风险分层与预警。