肿瘤治疗中的药物伤害往往源于不良反应 (AEs) 触发的医嘱调整——停药、减量、延迟给药、重新测试或加强监测。然而，支撑这些关键决策的证据大多散落在非结构化的临床文本中。如今，大语言模型 (LLM) 等人工智能技术正为这类信息的提取与推理开辟新路径。近年来，大语言模型 (LLM) 等先进AI技术拓展了从临床文本中提取信息与推理的能力，但在高风险医疗场景中若无保障措施则可能出现"幻觉"或遗漏，因此需采用检索增强生成 (RAG) 等技术确保输出有据可查。全球公共卫生机构亦呼吁在医疗工作流程中部署大语言模型时保持审慎治理。近日，美国佛罗里达州坦帕市莫菲特癌症中心和研究所机器学习系的 Md Muntasir Zitu博士及其合著作者在 Pharmacy 期刊上发表了一项综述研究，系统综合了2018年以来LLM应用于肿瘤文本数据的实证研究，涵盖回顾性分析、前瞻性模拟及真实世界部署。研究目标在于描述这些系统如何用于肿瘤药学安全决策、评估证据强度与局限，并明确其在"药师参与"模式下可靠应用的数据与设计条件。通过该综述，作者整合了三项任务的模型性能证据，识别了实践相关缺口 (尤其是分级-行动匹配正确性与前瞻性影响的报告不足)，并将证据转化为以药师为中心的推荐意见与整合模式，旨在提升医嘱层面的安全性。
研究过程与成果
本研究系统检索了PubMed、Ovid MEDLINE和Embase数据库 (2018年至2025年10月)，最终纳入19项采用大语言模型处理肿瘤临床文本的实证研究。研究团队聚焦三个与药学决策直接相关的核心任务：不良事件检测、CTCAE分级评估以及基于分级的临床行动 (暂停、减量、延迟、再挑战、加强监测)。
证据格局：检测成熟，分级可行，行动证据稀缺
当前研究呈现明显的“头重脚轻”格局：不良事件检测是最成熟的应用场景 (图1)。多项研究表明，基于Transformer的模型能从病程记录、输液笔记等常规文本中识别肿瘤不良事件，且性能显著优于传统的诊断编码。例如，梅奥诊所团队开发的自然语言处理增强筛选系统处理约9000例患者仅需10分钟，而人工审查需9周，其识别免疫相关不良事件的F1值达0.84。跨中心研究显示，GPT模型在两个医疗中心实现患者水平微F1值0.56-0.59，初步验证了跨机构泛化能力。
图1. 肿瘤学AI不良事件评估证据图
分级任务难度明显提升。采用CTCAE感知提示或任务特定训练的模型表现更佳：一项放疗食管炎分级研究实现宏观F1值0.92 (记录级) 至0.49 (患者级)；GPT-4对化疗毒性的一般分类准确率达82-86%，但精细分级 (0-4级) 时性能下降，提示粗粒度映射可行但精确分级仍需优化。
行动证据与关键设计模式
仅少数研究触及分级驱动的临床行动。部分免疫治疗队列以“糖皮质激素启动”作为管理行为的代理指标，但对暂停、减量等具体医嘱变更的正确性评估几乎空白。成功案例呈现三个共性设计：采用CTCAE感知架构提升分级准确性；患者级聚合与时间锚定增强稳定性；结合检索增强生成提供可溯源证据。然而，GPT-4直接回答药品安全问题时仅53%正确，且重复查询的答案变异度达76%，凸显结构化输出与人工审核的必要性。
规模优势与日文数据验证
多研究量化了工作流程收益，强调高召回率、可解释的输出适用于监测分诊场景。日本多家机构验证了BERT模型在日文病历中的性能：卡培他滨手足综合征检测的患者级F1值达0.93，社区药房记录的症状识别精确匹配F1值0.72-0.86，证明了跨语言部署的可行性。
研究结论
本综述基于19项实证研究证实，大语言模型在肿瘤药物不良事件监测中展现出显著潜力，能够从海量叙事文本中高效提取临床相关信号，大幅降低人工审查负荷。不良事件检测是目前最为成熟的应用场景，而CTCAE分级在任务约束明确、时间锚定充分的条件下亦具备可行性。然而，从分级到临床行动的完整链路评估仍属空白，缺乏对医嘱变更正确性的直接验证。当前最安全、最务实的应用模式是将大语言模型定位为“药师在环”的辅助工具：系统负责筛选候选事件、提供结构化分级摘要与证据溯源，而药师保留最终判断与医嘱确认权。未来亟需开展前瞻性、多中心研究，报告分级-行动匹配正确率、实际避免的伤害、药师审核负担等决策层面指标，并建立统一的CTCAE版本管理与错误分类体系，推动该技术从监测分诊走向安全可靠的医嘱级决策支持。
阅读英文原文：https://www.mdpi.com/2226-4787/13/6/176
Pharmacy 期刊介绍
主编：David J. Wright, University of Leicester, UK
期刊主题涵盖药学服务及临床药学实践、药学教育与培训、药物信息学、分析学及相关技术、药物经济学、法律法规等药物及医疗卫生领域多个方面。目前期刊已被ESCI (Web of Science)、PubMed、PMC、Embase等多个数据库收录。
2024 Impact Factor：1.8
Time to First Decision：22.9 Days
Acceptance to Publication：4.6 Days
期刊主页：https://www.mdpi.com/journal/pharmacy
转载本文请联系原作者获取授权，同时请注明本文来自MDPI开放科学科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3516770-1531169.html?mobile=1
收藏
