跳到正文
原文
Nature 健康护理主题·· 2026-10-08精选AI 评分64

ClinicalGPT 订单时点用药安全审计基础模型:跨医疗系统回顾性评估

An audit-ready EHR foundation model for order-time medication-safety auditing across health systems

AI 导读

研究团队在 7 个医疗系统回顾性评估了 847,000 条高危用药订单,提出使用 ClinicalGPT 模型进行订单时点用药安全审计。在冻结操作点下,ClinicalGPT 配合硬约束的漏报率为每 1000 条订单 3.2 条,低于纯规则的 9.4 条和最强 LLM 比较组的 4.8 条;其虚假警报率为 33.9。

推荐理由

原文明确了 ClinicalGPT 在订单时点用药安全审计中的漏报率指标及其局限性,读者可据此评估 AI 监测工具的离线过程绩效边界。

正文 · AI 翻译

npj Digital Medicine (2026) 引用本文

我们提前分享此文章,以便更快获取经过同行评审并已接受的研究成果。该文章可供引用并拥有永久DOI。此版本可能接受进一步编辑,并自动被最终记录版本(Version of Record)替换。所有法律免责声明均适用。

摘要

实时用药安全审计需要当前的实验室检查和用药历史,但电子健康记录(EHR)可能包含过时或缺失的关键证据。我们提出了ClinicalGPT,这是一个基于临床轨迹语言(Clinical Trajectory Language)构建的、可用于审计的基础模型,能够编码时间、单位、来源和可观测性,并使用与工作流对齐的目标函数来处理结构化缺失数据。在七个医疗系统中,我们回顾性评估了847,000例符合条件的高风险用药医嘱,并与在最终评分前固定的参考向量进行比对。主要终点为参考标准定义的医嘱时点未报警率:在每个系统的固定操作点,每1000例符合条件的I/II级参考阳性医嘱中未收到可操作报警的比例。该离线过程指标并未衡量随后的临床行动、药物不良事件或患者伤害。具有硬性约束的ClinicalGPT每1000例医嘱漏报率为3.2,而仅基于规则的系统为9.4,原始通用大语言模型(LLM)比较组为6.1,观察到的最强LLM比较组(RAG + LLM + 规则)为4.8。其误报警率为33.9(95% CI, 31.6–36.3),而仅基于规则的系统为38.7。一项单独的单一地点静默前瞻性评估在不改变诊疗流程的情况下评估了工作流指标。匹配的消融实验支持显式的可观测性建模;对富集知识库独立子集的独立从头标注保留了敏感性排序,但缩小了ClinicalGPT与RAG之间的差距。这些结果支持比较性的医嘱时点审计性能,但并未确立临床疗效或患者伤害的减少。

致谢

本研究未获得资金资助。我们感谢Jiayue Zou在稿件修订期间进行的额外实验贡献。作者使用AI辅助工具进行语言编辑和LaTeX排版;所有内容均经作者审核并批准,作者对其准确性和完整性负责。

作者信息

作者说明

  1. 这些作者贡献相等:Shuang Cao, Rui Li。

作者与隶属机构

  1. Hill Research, Princeton, NJ, 美国

    Shuang Cao, Rui Li, Ruihua Liu & Alexandre Duprey

作者

  1. Shuang Cao
  2. Rui Li
  3. Ruihua Liu
  4. Alexandre Duprey

通讯作者

致 Rui Li。

伦理声明

利益冲突

作者声明不存在利益冲突。

附加信息

出版商注 斯普林格自然出版集团对已发表地图和机构隶属关系中涉及的司法管辖权声明保持中立。

权利与许可

开放获取 本文章依据知识共享署名-非商业性使用-禁止演绎4.0国际许可协议(Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License)发布,该协议允许在任何媒介或格式中进行非商业性使用、分享、分发和复制,但前提是须对原作者及来源给予适当署名,提供知识共享许可协议的链接,并表明是否对许可材料进行了修改。在此许可协议下,您无权分享源自本文章或其部分内容的改编材料。除非在材料署名行中另有说明,本文章中的图片或其他第三方材料均包含在文章的知识共享许可协议范围内。如果材料未包含在文章的知识共享许可协议范围内,且您的预期用途未获得法规允许或超出许可用途,您需要直接向版权持有者获取许可。要查看此许可协议的副本,请访问http://creativecommons.org/licenses/by-nc-nd/4.0/。

重印与版权

关于本文

Check for updates. Verify currency and authenticity via CrossMark

引用本文

Cao, S., Li, R., Liu, R. 等 一种适用于跨卫生系统医嘱时点用药安全审计的审计就绪EHR基础模型。 npj Digit. Med. (2026). https://doi.org/10.1038/s41746-026-03243-8

下载引用

  • 接收日期: 2025年12月28日

  • 接受日期: 2026年8月31日

  • 发表日期: 2026年10月8日

  • DOI: https://doi.org/10.1038/s41746-026-03243-8

来源:Nature 健康护理主题 · nature.com