大语言模型自动检测电子病历文档不一致性研究取得进展

一项发表于arXiv的最新研究探索了通用领域大语言模型在电子健康记录文档一致性检测中的应用潜力。研究团队设计了一套两阶段检测流程：首先使用Gemini 2.5 Pro模型进行开放式候选不一致性识别，随后通过Gemini 2.5 Flash模型进行上下文验证。该流程在随机抽取的3000份MIMIC-IV-Note出院小结中发现了3460处潜在不一致记录，涉及69.7%的住院病例。

检测到的不一致问题涵盖人口统计学、过敏史、手术记录、诊断信息、实验室数据、用药记录和护理计划等多个临床领域，部分问题可能直接影响临床决策或患者安全。临床专家对检测结果进行人工复核后发现，当验证过程需要时间推理能力、动态诊断背景理解或门诊处方惯例知识时，模型容易出现系统性错误。

研究指出，不一致性检测高度依赖上下文理解，许多被标记的陈述对需要结合其来源章节和临床领域进行综合判断，以区分真实矛盾与信息缺失。为此，研究人员提出了一套分级本体框架，涵盖严格矛盾到模糊表述的连续谱系，并通过类别、章节、领域和不一致性维度对每个案例进行系统表征。该研究为后续大规模电子健康记录一致性验证分析奠定了方法论基础。