基于大语言模型的电子健康记录中可扩展的药物提取与停药识别
计算与语言
2025-11-10 v3
摘要
在电子健康记录（EHR）中识别药物停药情况对于患者安全至关重要，但常因信息隐藏在非结构化笔记中而受阻。本研究旨在评估先进开源和专有大语言模型（LLM）在从EHR笔记中提取药物信息并分类其药物状态方面的能力，重点考察其在无需人工标注的情况下进行药物信息提取的可扩展性。我们收集了来自多样化来源的三个EHR数据集，以构建评估基准。我们评估了12个先进的LLM，并探索了多种LLM提示策略。系统地比较了药物提取、药物状态分类以及它们的联合任务（提取后分类）在所有实验中的性能。我们发现，LLM在从EHR笔记中进行药物提取和停药分类方面表现出色，GPT-4o在零样本设置下在所有任务中始终取得最高的平均F1分数——药物提取为94.0%，停药分类为78.1%，联合任务为72.7%。开源模型紧随其后，Llama-3.1-70B-Instruct在MIV-Med数据集上实现药物状态分类的最高性能（68.7%），并在Re-CASI（76.2%）和MIV-Med（60.2%）数据集上的联合任务中取得最佳成绩。医学专用LLM的表现低于先进的通用领域LLM。少样本学习通常会提高性能，而链式思考（CoT）推理则表现不一。LLM在EHR笔记中的药物提取和停药识别方面展现出强大的潜力，开源模型为专有系统提供了可扩展的替代方案，少样本学习进一步提升了LLM的能力。
引用
@article{arxiv.2506.11137,
title = {Scalable Medication Extraction and Discontinuation Identification from Electronic Health Records Using Large Language Models},
author = {Chong Shao and Douglas Snyder and Chiran Li and Bowen Gu and Kerry Ngan and Chun-Ting Yang and Jiageng Wu and Richard Wyss and Kueiyu Joshua Lin and Jie Yang},
journal= {arXiv preprint arXiv:2506.11137},
year = {2025}
}