知识引导的大语言模型用于自动儿科牙科病历理解与安全抗生素推荐

准确解读儿科牙科临床病历和安全开具抗生素处方仍然是牙科信息学中的持久挑战。传统基于规则的临床决策支持系统在处理非结构化牙科叙述、不完整的放射学描述和复杂的安全约束方面存在困难。为解决这些局限性，本研究提出了一种知识引导的大语言模型（KG-LLM），它整合了儿科牙科知识图谱、检索增强生成（RAG）和多阶段安全验证管道，以支持基于证据的抗生素推荐。该框架首先采用临床命名实体识别/关系抽取模块从牙科记录和放射学报告中提取结构化实体和关系。随后从知识图谱中检索相关指南、药物安全规则和类似历史案例，并将其提供给大语言模型进行诊断摘要和剂量-药物-持续时间预测。安全保证通过结合确定性规则检查与学习分类器的双层验证机制实现，用于检测过敏、禁忌症和剂量错误。在 32,000 条去标识化儿科牙科就诊记录上的实验验证了所提方法的有效性。与领域自适应 Llama-2 临床基线相比，KG-LLM 提升了病历理解性能（F1: 0.914 vs. 0.867）、药物剂量-持续时间准确率（Top-1: 0.782 vs. 0.716），并将不安全抗生素建议减少了 50%。在摘要质量、推荐准确性和全局安全评分方面的额外评估进一步确认了系统的鲁棒性。消融分析表明，知识图谱、RAG 和安全模块各自对临床可靠性和可解释性做出了实质性贡献。