自动化地下死亡报告的主题性综述：使用大型语言模型复制ONS儿童自杀研究

地下死亡预防报告（Prevention of Future Deaths, PFD reports）由英格兰和威尔士的法医发布，警示可能导致进一步死亡的系统性风险。以往对这些报告的分析受限于识别和编码相关案例所需的手动工作量。在2025年，英国国家统计局（Office for National Statistics, ONS）对儿童自杀PFD报告（年龄≤18岁）进行了国家性主题综述，从2015年1月至2023年11月识别出37个案例——该过程完全基于手动挑选和编码。我们评估了是否可以借助完全自动化、开源的“文本转表格”语言模型管道（PFD Toolkit）复现ONS对儿童自杀PFD报告的识别和主题分析，并评估效率和可靠性的提升。通过PFD Toolkit的大型语言模型管道处理了自2013年7月至2023年11月发布的全部4,249份PFD报告。自动筛选识别了死因归因于年龄18岁以下个体自杀的案例，并对符合条件的报告进行编码，确定受众类别及23个担忧子主题，复制ONS的编码框架。PFD Toolkit识别出72份儿童自杀PFD报告——几乎是ONS计数的两倍。三位盲选临床医生对144份报告的分层抽样进行裁决，以验证儿童自杀筛选。针对事后共识临床注释，基于LLM的工作流程显示出与之之间的显著到近乎完美的一致性（Cohen的κ=0.82，95%置信区间：0.66-0.98，原始一致性=91%）。端到端脚本运行时间为8分16秒，将此前耗时数月的过程转化为可在分钟内完成的过程。这表明自动化的LLM分析能够可靠且高效地复现法医数据的手动主题综述，从而实现公共卫生和安全领域可扩展、可复现且及时的洞察。PFD Toolkit已公开供未来研究使用。