利用大模型直接进行自动计算质控指标存在的问题
直接将整份病历作为端到端输入，并依赖大模型完成质控任务，可能会面临以下挑战：
首先，整份病历通常篇幅较长，而大模型在处理长上下文时仍存在理解瓶颈，导致病历溯源困难。其次，当前的质控规则表述往往较为模糊，大模型难以准确理解其逻辑内涵，从而影响其推理判断的准确性。最后，质控任务涉及数值计算和逻辑规则运算，大模型在这些方面的计算能力尚未达到百分之百的可靠性。
针对这些挑战，以下是几种可能的解决方案及其局限性：
（1）利用更大参数的模型解决电子病历长上下文问题。虽然更大参数的模型（如Qwen2.5-72b、DeepSeek-V3）能够增强长上下文理解和复杂规则推理能力，但其计算资源需求显著增加，导致部署成本高、响应速度慢，且对硬件要求极高，难以在资源有限的环境中广泛应用。
（2）利用分阶段处理病历内容，解决逻辑与数学计算问题。然而，分阶段处理需要设计复杂的信息提取和推理模块，增加了系统复杂性，且不容易动态调整。此外，信息提取的准确性直接影响后续推理结果，若提取不完整或错误，可能导致质控结果偏差。
（3）利用RAG技术解决幻觉问题。RAG技术虽能有效缓解通用大模型因医学知识不足而产生的幻觉问题，但其性能高度依赖外部知识库和规则库的质量与覆盖范围。若知识库不完善或规则库更新滞后，可能导致检索结果偏差，进而影响模型推理的准确性。同时，RAG技术在处理复杂逻辑运算时仍存在一定局限性，难以完全满足高精度需求。

解决方案
本方案基于大模型的特点，华东理工大学自然语言处理与大数据实验室与区域卫生健康委以及沪上知名三甲医院合作，设计了指标转换引擎与执行引擎，构造了基于大模型的医疗质控方案¹ ²。该方案可以快速部署，在不同的电子病历系统上计算数百个医疗质控指标，实现指标计算的可解释性要求，避免考核过程的纷争。
方案具有以下核心优势：
（1）溯源机制：通过向量匹配技术精准定位病历相关内容，解决了长文本输入带来的幻觉问题，同时降低了计算资源需求。
（2）指标逻辑转换引擎：将模糊的质控规则转化为清晰的逻辑关系，提升了大模型对规则的理解和执行能力。
以脑出血的出院时好转/稳定率为例，质控计算公式中不仅需要从病案首页等非结构化文本中抓取多项数据和编码，还涉及数值计算。无论是数据抓取，还是其中的逻辑计算，人工抽查的方式在效率和精确度上都无法支持这类指标的统计分析需要。

（3）指标执行引擎：结合大模型的多事实判断和决策逻辑推理，确保了质控结果的准确性和可解释性，弥补了大模型在数值计算和逻辑运算方面的不足。
通过这些创新方案，华东理工大学团队有效地解决了大模型在病历质控任务中的诸多挑战，提升了质控的准确性和可靠性。其优势主要体现在病历溯源的可解释性、规则拆分的自动化，以及规则执行引擎的准确性与稳定性。这一方案不仅有助于提升专科诊疗和病历书写的规范性，还能显著提高医疗质量，最终惠及广大患者，具有广泛的社会效益。

关注友友→@广州健信科技 查看更多资讯