大型语言模型从电子病历临床笔记中提取上市后药物不良事件
A Large Language Model for Extracting Post-marketing Adverse Drug Events from Clinical Notes in the Electronic Health Record
作者：Dana Ludwig、Michelle Wang、J.R. Buchanan、Trang Trinh
单位：Bakar Computational Health Sciences Institute, University of California at San Francisco, San Francisco, CA, USA. dana.ludwig@ucsf.edu；Bakar Computational Health Sciences Institute, University of California at San Francisco, San Francisco, CA, USA；Covilance, LLC, Belmont, CA, USA；University of California, San Francisco；University of South Florida
摘要
2026年6月12日，Adis期刊发表研究，评估大型语言模型（LLM）用于从电子健康记录（EHR）的临床笔记中提取上市后药物不良事件（ADE）的可行性。研究比较了LLM与传统自然语言处理方法的性能，结果显示LLM在识别和提取ADE方面具有较高准确率，有望提升药物警戒中真实世界数据的利用效率。该研究为监管机构和药企利用EHR进行上市后安全监测提供了新思路。
AI 主编 · 推荐理由推荐理由
该研究展示了LLM在药物警戒中的应用潜力，对药企的上市后安全监测和真实世界证据生成有直接参考价值。建议相关团队关注技术进展，评估其用于自身不良事件报告流程的可行性。