基于规则与大语言模型混合管道的隐私保护性TAVI患者多文档临床数字指纹构建及风险预测

《European Heart Journal》：Reliable and scalable hybrid extraction pipeline with selective human-in-the-loop assessment for clinical digital fingerprinting enabling real-time prediction in cardiology

　　## 摘要**背景**：心脏病学中的系统性预后建模受到以下因素的限制：缺乏从异质性临床文档中高质量、可扩展地提取结构化变量的能力。在日常诊疗中，用于表型分析和风险分层的关键信息仍嵌入在非结构化叙述文本中，而结构化文档往往难以实现，因为临床信息复杂且具有高度语境依赖性；人工审阅和提取相关数据既耗费资源，又难以规模化。**目的**：开发一种隐私保护的、本地部署的混合管道，用于多文档临床数字指纹构建，以支持常规TAVI（经导管主动脉瓣植入术）诊疗中的实时风险预测。**方法**：我们开发了一套本地部署的工作流，集成了以下组件：（i）基于规则（正则表达式）的提取模块，用于提取74个确定性标准化参数；（ii）本地托管的大语言模型（LLM）集成系统，由3个通用基础模型组成，用于从超声心动图、TAVI及出院文档中提取43个语境依赖的程序性变量和叙述性变量；（iii）LLM验证器，用于提取后的一致性检查；（iv）在集成模型出现分歧时选择性地引入人机协作（HITL）评估。所提取的变量被整合为患者级别的数字指纹（共117个结构化变量），涵盖心脏结构/功能、瓣膜血流动力学以及程序性/围术期领域。该管道在240例连续TAVI患者中使用常规TAVI路径文档进行评估。通过与两名临床审阅者标注并经人工校正的"金标准"进行对比，对模型性能进行评估，分歧通过讨论解决。**结果**：基于规则的模块在所有标准化参数上实现了100%的值一致性。经过选择性评估的LLM集成系统从叙述性临床文档中提取的语境依赖变量准确率达到了97.2%。通过标记不一致输出，集成LLM验证器将集成系统的准确率从89%提升至97%。在集成系统输出的8%的案例中需要选择性的人机协作（HITL）评估。87%的患者数字指纹信息完整；信息不完整的原因源于原始文档缺失，而非提取错误（人工抽象上限：87%）。可计算多种临床评分，其完整性主要受限于原始文档的缺失；（例如，CHA?DS?-VASc评分覆盖91%的患者，EuroSCORE评分覆盖89%的患者）。**结论**：一种可靠的、可扩展的混合提取管道，结合基于规则和基于大语言模型的提取方法，辅以选择性的人机协作评估，能够将多文档心脏病学文本高质量地结构化为具有临床意义的数字指纹。这支持了常规诊疗中隐私保护的本地化表型分析，并为实时临床风险预测和决策支持提供了实用基础。*图 ESC 摘要*