基于LLM驱动的放射治疗定量风险评估：事件报告的根本原因分析
医学物理
2025-11-05 v1
摘要
背景：现代大型语言模型 (LLM) 提供强大的推理能力，将叙述性文本转化为结构化、与分类学对齐的数据，从而揭示规划、递送和验证过程中的模式。作为代理工具嵌入LLM，可辅助根本原因分析和风险评估（例如，失效模式与影响分析FMEA），生成可审计的论证，并草拟针对性的缓解措施。方法：我们开发了数据驱动的管道，利用LLM对254份机构安全事件进行自动化根本原因分析。LLM系统性地将每个事件分类到放射治疗路径步骤和贡献因素的结构化分类学中。随后进行定量分析，包括描述性统计、方差分析（ANOVA）、多重有序Logistic回归（OLR）分析以识别事件严重程度的预测因子，以及关联规则挖掘（ARM）以发现系统性漏洞。结果：高水平有序Logistic回归（OLR）模型识别了具体且显著的严重程度驱动因素。路径模型显著（伪R²=0.033，LR p=0.015），责任模型也显著（伪R²=0.028，LR p<0.001）。关联规则挖掘（ARM）识别了高置信度的系统性规则，例如“CF5团队、管理和组织”（n=8，置信度=1.0）以及“(11)治疗前规划过程”与“CF2程序”之间的高频关联（n=152，置信度=0.916）。结论：LLM驱动的数据驱动框架提供了比传统方法更客观、更有力的方法用于风险评估。我们的发现实证表明，针对高风险工序步骤和缓解系统性失效的干预措施对于改善患者安全最为有效。
引用
@article{arxiv.2511.02223,
title = {Quantitative Risk Assessment in Radiation Oncology via LLM-Powered Root Cause Analysis of Incident Reports},
author = {Yuntao Wang and Siamak P. Najad-Davarani and Elizabeth Bossart and Matthew T. Studenski and Mariluz De Ornelas and Yunze Yang},
journal= {arXiv preprint arXiv:2511.02223},
year = {2025}
}