可审计的 EHR 基础模型能改善开单时用药安全审计吗？

漏报率到底统计了什么

论文的确证性终点是参考标准定义的开单时漏报率。分母是高风险审计范围内的全部住院用药医嘱：经肾清除药物（127 个药物类别）、DrugBank 严重度至少为 2 的药物相互作用，以及 FDA 标签禁忌。分子是符合条件、被参考标准判为阳性（tier-i/ii）的医嘱中，系统在各自冻结的操作点上没有发出可操作警报的数量。结果按每 1000 张符合条件医嘱表示。

该范围覆盖 847,000 张医嘱、312,000 名患者和 89,000 次就诊。参考标签在最终评分前冻结，每个系统都在固定操作点上评分，而不是事后调参。作者明确说明，这一离线过程指标不以药房核验、发药、给药、不良药物事件或患者伤害为条件，因此漏报率更低只意味着与审计参考更一致，并不代表已证实的临床获益。

还有一项指标容易与漏报率混淆。假警报率定义为假阳性数除以最终阴性参考标签数，统计的是被判为阴性的医嘱上发出的警报。它不等同于药师覆盖（override）率；论文仅描述性报告记录的覆盖处置，并明确说明这不是假阳性的数学定义。

把过期和缺失的证据当作信号

要解决的问题是：实时审计需要当前的实验室和用药史，而病历中可能存有过期、从外部导入或从未测量的值。按作者的表述，把未测量值当作正常，是一种结构性错误，而不是无害的填补选择。

Clinical Trajectory Language 就是围绕这一问题构建的表示方式。每份患者记录变成按时间排序的事件序列，每个事件被拆成若干 token，分别表示事件类型、时间（包括事件间隔和相对锚点的时间）、编码属性（如 ICD-10、SNOMED CT、LOINC 和 RxNorm）、可选的数值与单位、来源（结构化还是抽取，院内还是外部），以及一个明确的可观测状态。

可观测性 token 直接命名缺失模式：MEASURED、NOT MEASURED、EXTERNAL ONLY、LOW CONFIDENCE、UNIT AMBIGUOUS 和 STALE。论文的肌酐例子展示了实际用法：一个 2.1 mg/dL 的值若从外部机构导入，且相对决策点已超过 30 天，就同时带有外部来源 token 和过期可观测性 token。过期阈值按分析物设定，肌酐为 30 天，INR 为 7 天；NLP 抽取概率低于 0.85 的值标记为低置信度。

ClinicalGPT 是一个 7B 参数的仅解码器 Transformer，在这些序列上训练，上下文长度为 32,768 个 token。它的预训练混合了多项任务：临床记录补全并附带辅助可观测性头、下一张医嘱与照护事件预测、并发症或升级时间建模、使用经验估计的工作流缺口模式进行可观测性感知去噪，以及旨在减少不稳定建议反转的增量临床一致性目标。

ClinicalGPT 同时降低漏报和假警报

ClinicalGPT 加硬约束达到每 1000 张符合条件医嘱 3.2 次漏报（95% CI，2.8–3.7）。仅用规则为 9.4（8.6–10.3），原始通用 LLM 加规则对照为 6.1（5.5–6.8），观察到的最强 LLM 对照 RAG + LLM + 规则为 4.8（4.2–5.5）。论文报告相对仅用规则降低 66%，相对原始通用 LLM 降低 48%，相对 RAG 对照降低 33%。

输入匹配的对照对解读很关键。CTL-LLM 加规则使用与 ClinicalGPT 相同的 CTL 输入、可观测性 token、训练队列、算力预算、提示词、硬规则层和抑制策略，但只做 token 级自监督，其漏报为每 1000 张 5.1 次（4.5–5.8）。因此，3.2 与 5.1 之间的差距，更干净地检验了工作流对齐目标的作用，而不只是输入格式的作用。

假警报一侧也同向变化。ClinicalGPT 加规则每 1000 张医嘱产生 33.9 次假警报（95% CI，31.6–36.3），仅用规则为 38.7（36.2–41.3），RAG + LLM + 规则为 46.3（43.1–49.6）。在冻结操作点上，作者称 ClinicalGPT 相对所有报告的主要终点对照都处于安全—负担平面的有利左下区域，即同时减少漏报和假警报。

可观测性建模与规则各有贡献

匹配消融实验分离了各组件的作用。作者训练了若干变体：去掉可观测性 token；保留可观测性 token 但去掉可观测性感知去噪；用均匀随机破坏替代工作流条件下的破坏分布；以及只用 token 级自监督。这些对照除指定组件外，共享架构、训练数据和算力，论文报告它们支持显式可观测性建模的贡献。

规则层通过三种配置单独评估：仅规则、仅 ClinicalGPT 模型、ClinicalGPT 模型加规则。仅模型配置优于仅规则，但混合系统取得最低漏报率，作者将其解读为对禁忌、严重相互作用、剂量上限和 tier-i/ii 延迟条件施加不可协商约束所形成的安全底线。

规则比较有一个需要一并说明的注意点。离线参考标准、仅规则对照和硬约束层都来自相关的用药安全知识来源，尽管角色不同，且参考标准从未生成部署警报。由于这种重叠可能引入纳入偏倚，作者把仅规则比较解读为共享安全本体下的操作性比较，而不是干净的独立检验。

独立重新标注缩小了与 RAG 的差距

为探查这种偏倚，作者抽取 1200 张医嘱，分为 48 个分层，交叉 12 个药物组和四种决定性证据模式：完整或当前、缺失、过期，以及仅外部或单位不明。三名委员会认证药师在盲态下标注随机化、右删失的临床背景，看不到候选标签、知识库严重度输出、系统身份与输出、主要参考标签和开单后事件；分歧和不确定病例由第四名资深药师裁定。

在这个富集且独立于知识库的子集上，敏感性排序保持不变：ClinicalGPT 为 96.9%，RAG + LLM 为 92.7%，仅规则为 88.5%。但 ClinicalGPT 与 RAG 的差距缩小到 4.2 个百分点。作者表示，这减轻但未消除“主要比较可由共享知识来源解释”的担忧。由于抽样是刻意富集、不代表患病率，论文报告原始混淆计数和条件敏感性与特异性，而不是每 1000 张医嘱的人群漏报率。

静默试点测的是工作流而非结局

一项独立的 12 周前瞻性静默评估在一个内部站点进行，该站点有 847 张床位，覆盖 124,000 张用药医嘱。ClinicalGPT 与现有计算机化医嘱录入警报系统并行运行，不改变处方、发药、药师操作或其他照护；研究警报仅在医嘱签署且 CPOE 操作被不可逆记录之后，展示给 12 名指定研究药师。

在与任一警报流关联之前冻结的队列专属标签向量下，描述性反事实漏报率为 ClinicalGPT 加规则每 1000 张医嘱 2.9 次（95% CI，2.1–3.8），现有 CPOE 警报为 8.7（7.2–10.4）。被标记医嘱的中位研究复核时间分别为 28 秒（IQR，19–41）和 52 秒（38–74）。药师认为 ClinicalGPT 生成的证据引用中 89% 有帮助或非常有帮助，现有警报为 61%；表示“会采取行动”的比例分别为 78% 和 34%。

这些是来自单站点、静默、非随机、非干预评估的工作流和反事实过程指标。它们表明系统可以前瞻性运行，研究警报能在观察到的工作流时间内完成复核；但不能证明部署后的临床有效性、预防了不良药物事件或带来因果性患者获益。

比较结论的适用边界

评估语料覆盖 2015–2024 年、七个卫生系统，其中四个内部站点（210 万患者）用于开发，三个外部站点（110 万患者）留作评估。主要分析汇总七站点估计，各站点的分母、事件数、率和置信区间放在补充表中，而不是头条数字里。

时间漂移在另一项次要的 18 任务基准上、按严格时间切分单独检验，而不是在主要漏报率上检验。从 2021-04-01 训练截止到第 36 个月，ClinicalGPT 的宏平均分下降 5.0 分，所选对照下降 12.0 分；事件触发重校准在第 36 个月得到最低的期望校准误差 0.019，计划性季度重校准为 0.022，固定温度为 0.036。作者称这体现相对稳健性，而非不存在漂移。

部署成本也是图景的一部分。7B 模型在 A100 80GB 上中位延迟 142 ms、p95 延迟 218 ms，吞吐 7.0 张医嘱/秒；蒸馏出的 1.3B 变体中位延迟 47 ms，吞吐 21.3 张医嘱/秒，漏报率为每 1000 张 3.4 次。模型权重仍不公开，数据集因患者隐私和多机构治理限制也不公开。

关键在于漏报与假警报的配对位置

与决策相关的结论不是“基础模型在抽象意义上胜过规则”，而是在冻结操作点上，把可观测性感知轨迹上的学习推理与硬约束结合，落在每 1000 张符合条件医嘱 3.2 次漏报和 33.9 次假警报的位置，相对仅规则的 9.4 和 38.7、以及观察到的最强 LLM 对照的 4.8 和 46.3，同时改善了这一权衡的两侧。

对敏感性分析的诚实解读是：相对检索增强 LLM 基线的一部分优势取决于标签来源。独立重新标注保持了排序，但把 ClinicalGPT 与 RAG 的敏感性差距缩小到 4.2 个百分点。因此，权衡这套系统的读者应把仅规则比较视为共享知识来源下的操作性比较，并把输入匹配的 CTL-LLM 对照（每 1000 张 5.1 次漏报）视为更锐利的证据，说明训练目标而不只是输入格式贡献了部分增益。

仍未测量的是从开单时审计到患者结局的那一步。论文自身的边界是：终点是离线代理指标，潜在伤害层级是反事实严重度分类而非观察到的伤害。因此，支持部署的理由建立在比较性审计性能和工作流可行性上，而不是已证明的伤害减少。

本文引用的文献