面向手术患者分流的EHR集成型大型语言模型工具的部署与评估

手术共同管理（SCM）是一种基于证据的模型，其中医院主任与外科团队共同管理医学上复杂的周围手术患者。尽管其临床和财务价值突出，但SCM受限于需要手动识别合格患者。为了确定是否可以自动化SCM分流，我们在斯坦福健康护理进行了一项概览的、无盲法的研究，其中一种基于大型语言模型（LLM）的、集成电子健康记录（EHR）的分流工具（SCM Navigator）提供了SCM建议，随后由医生审核。使用术前文档、结构化数据和术前并发症的临床标准，SCM Navigator将患者分类为适合、不适合或可能适合进行SCM。教员指示其临床判断并在不同意时提供自由文本反馈。测量灵敏度、特异度、阳性预测值和阴性预测值，医生的决定作为参考。对自由文本原因进行主题分类，并对所有假阴性案例以及来自最大假阳性类别的30个随机抽取的案例进行手动图表审核。自部署以来，已完成6,193例分流，其中1,582例（23%）被推荐进行医院主任咨询。SCM Navigator显示出高灵敏度（0.94，95% CI 0.91-0.96）和中等特异度（0.74，95% CI 0.71-0.77）。事后图表审核表明，大多数差异反映的是可修改的临床标准、机构工作流程或医生实践变异性，而非LLM误分类，后者仅占19个假阴性案例中的2个（11%）。这些发现表明，一种基于LLM的、集成EHR的、具有人类在环的人工智能系统可以准确且安全地对手术患者进行SCM分流，并且AI启用筛查工具可以增强和 potentially 自动化耗时的临床工作流程。