《Supportive Care in Cancer》：Detecting spiritual pain in electronic medical records using large language models
编辑推荐：
目的：灵性痛苦（spiritual pain）是终末期癌症患者整体疼痛（total pain）的一个维度。减轻电子病历（electronic medical records）中灵性痛苦评估的负担，对于提升灵性照护（spiritual care）质量至关重要。大
目的：灵性痛苦（spiritual pain）是终末期癌症患者整体疼痛（total pain）的一个维度。减轻电子病历（electronic medical records）中灵性痛苦评估的负担，对于提升灵性照护（spiritual care）质量至关重要。大语言模型（large language models）或可提供解决方案。本研究探讨了大语言模型能否用于开发一套自动系统，以准确识别终末期癌症患者的灵性痛苦。方法：研究人员使用2024年7月至12月期间在日本某大学医院住院安宁疗护病房（inpatient palliative care unit）死亡的癌症患者的非结构化护理记录（unstructured nursing records）。共随机抽取患者死亡前3周内生成的500份记录进行分析。记录按是否存在灵性痛苦进行标注。研究使用在东北大学网络环境内可访问的Gemini-2.5-flash与Microsoft Copilot。提示词（prompts）包含灵性痛苦的定义及示例语句。结果：所分析记录来自109例癌症患者（57例（52.3%）为男性；平均年龄70.9岁）。人工审阅识别出56份记录（11.2%）存在灵性痛苦。Gemini与Copilot的敏感度（sensitivity）均为1.00；特异度（specificity）分别为0.75与0.61；阳性预测值（positive predictive value）分别为0.34与0.25；阴性预测值（negative predictive value）均为1.00。对假阳性（false positives）的误差分析表明，模型常将躯体功能下降与谵妄（delirium）误判为灵性痛苦。结论：本研究表明，大语言模型识别灵性痛苦的性能与既往采用经典自然语言处理（natural language processing）方法的研究相当或更优。
研究背景：灵性痛苦是终末期癌症患者整体疼痛的一个维度，世界卫生组织（WHO）主张将终末期患者的痛苦理解为涵盖躯体症状、心理症状、社会困扰与灵性痛苦的整体疼痛。灵性痛苦被定义为"灵魂（存在）深处的、非躯体的痛苦"，或"由存在及自我意义的消亡所引起的痛苦"。许多癌症患者经历灵性痛苦，患者及其家庭照护者的灵性照护需求很高，灵性痛苦显著降低终末期癌症患者的生活质量，因此安宁疗护领域的医护人员与研究者需在评估躯体与心理症状的同时评估灵性痛苦。电子病历中的临床记录对评估灵性痛苦具有价值，其中包含源自患者与医护人员日常对话的叙事性数据，常涉及灵性痛苦信息。然而，人工审阅如此大量的叙事记录并评估灵性痛苦耗时且对医护人员负担极重，这一工作量可导致对终末期癌症患者灵性痛苦的忽视或误解。为应对该挑战，已有研究利用传统自然语言处理（NLP）与机器学习开发评估支持系统，以从电子病历中检测终末期癌症患者及其家庭照护者的灵性痛苦，提升此类系统性能有望形成改善灵性照护质量的临床决策支持系统。大语言模型或为进一步提升灵性痛苦检测模型性能的一条途径，此类人工智能（AI）模型基于用户输入的文本（提示词）生成回应，该技术已应用于医学领域，多项研究用其从电子病历的大型文本数据集中识别特定信息。例如，近期研究显示现有大语言模型可从电子病历中识别与预先医疗照护规划（advanced care planning）相关的记录，其准确性可与传统自然语言处理方法相当，且无需大量AI开发训练数据；另一项研究显示大语言模型仅用简单提示词即可从电子病历中高性能地自动提取心力衰竭症状。因此，利用大语言模型有可能在无需大型数据集的情况下开发出从电子病历中自动识别灵性痛苦的高准确性系统。然而，尚无研究评估现有大语言模型能从非结构化电子病历中识别终末期癌症患者灵性痛苦的程度。因此，本研究旨在探讨利用大语言模型是否有助于开发准确识别终末期癌症患者灵性痛苦的自动系统。
研究人员开展的研究与结论：本研究为一项经东北大学机构审查委员会批准的回顾性队列研究的一部分。研究纳入2024年7月至12月在日本东北大学医院住院安宁疗护病房死亡的患者，从该院电子病历系统中提取并去标识化每例患者死亡前3周内的自由文本护理记录（主观-客观-评估-计划（SOAP）记录，n=6858）。为减轻标注负担，研究人员使用与灵性痛苦相关的检索词筛选护理记录，应用既往研究确定的20个核心检索词，并通过各词的分布式表示进行扩展，经精确字符串匹配识别出含558个检索词的1808份护理记录，从中随机抽取500份进行分析，记录平均长度±标准差为349.9±143.0字符。依据既往研究使用的检测指南，每份记录按是否存在灵性痛苦标注（0：无；1：有）。两名研究者依据指南独立标注，分歧通过讨论解决，独立标注后召开共识会议审查所有分歧病例，逐例参照指南细致核查直至达成共识；若讨论未能达成共识，由第三名安宁疗护资深研究者复核并作最终决定，但本研究中两名主要评定者间的所有分歧均成功解决。该指南基于日本为护士开发的灵性痛苦评估表（SpiPas），SpiPas将灵性痛苦定义为由存在及自我意义消亡所引起的痛苦，涉及人类存在的三个维度：植根于时间性、处于关系之中与自主性。仅记录"存在灵性痛苦"而未详述特定子领域的记录亦标注为灵性痛苦阳性（归类为"其他"）。共识讨论前使用Cohen kappa系数评价评定者间信度，各分类间呈中等至近乎完全一致，kappa值分别为自主性0.85、时间性0.87、关系0.74、其他0.72。研究使用东北大学网络环境内可访问的两种大语言模型（Gemini-2.5-flash与Microsoft Copilot），提示词以日语构建并执行，采用少样本提示（few-shot prompting）策略以匹配电子病历语言，该策略向模型提供灵性痛苦的操作性定义及具体例句。提示词内容包括：（1）指令性说明；（2）基于SpiPas的灵性痛苦及其子领域的操作性定义；（3）指定的护理记录。模型性能以敏感度、特异度、阳性预测值与阴性预测值评价，并对假阳性病例进行误差分析，大语言模型输出检测理由以提示灵性痛苦的存在，两名研究者独立对病例进行定性分析并按相似性归类误差类型，分类分歧经研究者讨论解决，最终分类清单由全体研究者审阅并整合。所有分析使用Python（3.14版）与R（4.5.2版）完成。研究结论为：本研究表明大语言模型可从电子病历非结构化文本数据中识别灵性痛苦，性能与既往采用经典自然语言处理方法的研究相当或更优。
关键技术方法：采用单中心回顾性队列设计，数据来源为日本东北大学医院住院安宁疗护病房2024年7月至12月死亡癌症患者死亡前3周内的去标识化自由文本护理记录（n=6858）；经20个核心检索词及分布式表示扩展后的558个检索词精确匹配预筛出1808份记录，随机抽取500份；由两名研究者依据基于SpiPas的指南独立标注并以Cohen kappa评价信度；选用Gemini-2.5-flash与Microsoft Copilot两种大语言模型，以日语少样本提示策略输入操作性定义与示例句；以敏感度、特异度、阳性预测值、阴性预测值评价性能并进行假阳性定性误差分析；使用Python与R分析。
研究结果：患者特征。共分析109例癌症患者数据，平均年龄±标准差为70.9±11.1岁，57例（52.3%）为男性，最常见原发癌部位为头颈部（n=14），其次为胰腺癌（n=13）。灵性痛苦标注结果。人工病历审阅识别出56份记录（11.2%）提示存在灵性痛苦。模型性能。对任何灵性痛苦的检测，Gemini与Copilot的敏感度分别为1.00（95%置信区间0.91–1.00）与1.00（0.91–1.00）；特异度分别为0.75（0.71–0.79）与0.61（0.57–0.66）；阳性预测值分别为0.34（0.26–0.41）与0.25（0.19–0.31）；阴性预测值分别为1.00（0.98–1.00）与1.00（0.98–1.00）；准确率分别为0.78（0.74–0.81）与0.66（0.61–0.70）。对灵性痛苦子领域的检测，敏感度范围为0.74至0.91，特异度为0.72至0.99，阳性预测值为0.11至0.57，阴性预测值为0.98至1.00，准确率为0.71至0.98。误差分析。对Gemini检测结果进行误差分析，假阳性病例（N=111）共识别出七类误差：（1）将躯体功能恶化解读为灵性痛苦（n=44）；（2）将谵妄解读为灵性痛苦（n=28）；（3）对患者言语的过度解读（n=15）；（4）将躯体症状解读为灵性痛苦（n=15）；（5）将对预后的感知解读为灵性痛苦（n=5）；（6）将心理症状解读为灵性痛苦（n=2）；（7）其他（n=2）。模型在各SpiPas子领域作出有效真阳性识别的代表性病例见附录C。
讨论部分总结：据研究人员所知，本研究首次使用大语言模型并评价其从电子病历非结构化文本数据中检测灵性痛苦的性能，表明大语言模型作为电子病历中灵性痛苦高敏感度初步筛查工具的可行性与潜在效用，且通过纳入专门聚焦灵性痛苦并区分其与其他症状的提示词或可提升性能。本研究表明大语言模型能以高敏感度从护理记录中检测灵性痛苦；既往研究采用经典自然语言处理的模型检测终末期癌症患者灵性痛苦，敏感度0.82、特异度0.84、阳性预测值0.28、阴性预测值0.98，本研究显示当代大语言模型可达到与既往方法相当的性能，多项研究亦报道大语言模型可从电子病历非结构化文本数据中高性能捕获特定临床信息，与传统方法相当；此外，本研究凸显了未经临床病历专门训练的预训练通用大语言模型的效用，使得无需大量训练数据即可开发从电子病历检测灵性痛苦的系统。假阳性误差分析显示，本研究所用大语言模型与提示词倾向于将恶化的躯体功能或谵妄误分类为灵性痛苦，这种反复出现的误分类反映了终末期照护固有的临床复杂性；恶化的躯体功能与谵妄可作为灵性痛苦的触发因素，这造成临床框架与护理记录中的显著重叠，即便对人类评估者也难以区分；假阳性不仅可能源于模型内的误分类，也可能受实际临床护理记录中躯体与灵性痛苦模糊性的影响；在提示词中阐明这些区别可提升灵性痛苦识别性能；此外，纳入不鼓励基于模糊表述判断并要求严格遵循定义的提示词可进一步提升性能；思维链（Chain-of-Thought, CoT）提示方法亦可能有用，CoT是一种引导逐步推理至输出的技术，例如先使用本研究提示词评估灵性痛苦、再应用第二提示词区分其他症状与灵性痛苦的分层方法可能有效；未来研究应检验这些提示词设计策略能否提升灵性痛苦检测性能。尽管存在这些挑战，当前提示词可作为高敏感度初步筛查方法，识别灵性痛苦高风险患者并促进转介以获得适当支持；阳性预测值欠佳，提示当前方法可能产生相当数量的假阳性，从而增加临床医师负担（如警报疲劳），因此未来研究应优先建立包含临床医师核验的两阶段筛查流程，以提高阳性预测值并减少临床负担；尽管本研究方法尚不充分、无法作为独立诊断系统使用，但其展示了作为筛查支持工具帮助医护人员识别患者灵性照护需求的初步可行性与可能有效性。将大语言模型整合入电子病历可有助于提升安宁疗护（包括灵性照护）质量；多项研究显示医护人员目前在为患者充分提供灵性照护方面面临挑战，且灵性痛苦与灵性照护的教育仍不充分；此外，需安宁疗护的患者预计增加，使得非专科人员也必须处理灵性痛苦；因此，在电子病历中开发提示灵性痛苦存在的高亮系统可使非专科人员也能识别并将其纳入照护计划；未来研究不仅应聚焦于用大语言模型检测灵性痛苦，还应验证这些模型生成的灵性照护建议的临床效用；若大语言模型能生成临床有效的灵性照护建议，则可帮助医护人员提供更及时、高质量的支持，有可能提升安宁疗护质量并促成新的教育方法。局限性：第一，本研究分析来自日本单一大学医院的数据，限制了结果的普适性，未来研究应使用其他机构及其他语言的数据集评价性能；第二，由于个人信息保护要求，本研究仅使用现场可用的两种大语言模型，其他模型可能达到不同性能水平；第三，样本量相对较小，500份护理记录来自109例患者且纳入同一患者的多次记录，对同一患者的连续采样可能限制护理记录风格的整体多样性，可能导致模型性能被高估，未来研究应在更大队列中验证这些模型；第四，数据集在随机抽取500份记录前先以灵性痛苦相关检索词预筛，该预筛方法可能引入选择偏倚并使数据集富集相关叙事语境，因此本研究性能可能与真实世界临床数据集中的表现不同或被高估，未来研究应在完全未过滤的电子病历上验证这些模型。
研究结论翻译：本研究评价了大语言模型从终末期癌症患者电子病历非结构化文本数据中检测灵性痛苦的性能。本研究表明大语言模型作为电子病历中灵性痛苦高敏感度初步筛查工具的可行性及前瞻性用途。鉴于阳性预测值较低及临床医师警报疲劳的风险，需进一步研究以改进提示词策略并开发经临床医师核验的两阶段筛查流程，方可将这些模型可靠地整合入常规临床实践。
