大语言模型辅助电子病历生成，还需迈过多少关卡？

来源：HIT专家网  作者：郑西川

医疗行业正经历着深刻变革，大语言模型（LLM）凭借强大的自然语言处理能力，正逐步走向医院电子病历生成的关键环节。大语言模型能够理解复杂的医学术语以及患者日常表述，精准整合各类信息并生成电子病历，这为医护人员减轻了繁重文书工作负担，有望通过优化病历生成流程，提升医疗服务的准确性与高效性，为医疗行业带来全新的发展契机。

医疗机构的应用尝试

当前，众多医院积极尝试引入DeepSeek辅助电子病历生成。如，某三甲医院采用AI生成式电子病历，从患者复杂甚至混乱表述中迅速抓取关键信息，实际应用中，门诊病历书写效率从原本5分钟缩短至10秒，准确率超过95%，提高了医生工作效率；某医院本地化部署DeepSeek，应用“电子病历辅助书写助手”能够实时获取医患谈话转录文字，自动识别关键信息，匹配病历模板并优化表述，试点数据显示文书处理时间缩短了70%。​

大语言模型在电子病历生成的应用场景不断拓展，除门诊和住院病历外，还延伸至体检报告生成等场景。上海某医院联合腾讯健康，基于混元大模型训练出医学大模型，应用于电子病历生成、体检总检报告生成等场景。其中，体检报告平均每日自动生成超 500份，报告采纳率达96%以上；某专科医院推出AI生成式病历系统，针对“儿童屈光不正”领域，通过对海量数据学习以及结合专业术语库和病历质控标准，模拟眼科专家思维与诊疗流程，生成高质量专科病历文档，提升了专科病历的智能化水平。​

电子病历辅助生成涉及的技术

电子病历辅助生成需使用多种技术。

1.自然语言处理技术​

大语言模型的核心是基于自然语言处理技术，通过对大量医疗文本数据学习，理解医学术语、临床描述等自然语言表达，将患者叙述、医生诊断等内容准确转化为结构化病历信息。​

2.深度学习架构​

先进的深度学习架构如Transformer及其变体，为大语言模型提供强大的特征提取和语义理解能力，能够处理长序列文本，捕捉文本中复杂语义关系和上下文信息，以生成连贯、准确的电子病历内容。​

3.大数据处理技术​

训练大语言模型需要海量医疗数据，一方面需要利用大数据存储技术，另一方面需要大数据处理技术对数据进行清洗、标注、预处理等操作，为模型训练提供高质量数据。

4.多模态数据融合技术​

为生成更丰富、全面的电子病历，需要融合文本、图像（如X光片、CT影像）、音频（医患对话录音）等多模态数据。多模态数据融合技术能将不同形式的数据进行有效整合，使模型能综合利用多源信息，生成更精准的病历。​

电子病历辅助生成的四大问题​

大语言模型为医院电子病历辅助生成带来了前所未有的机遇，但也面临诸多挑战。

1.信息质量把控难题​

大语言模型生成的文本，存在质量参差不齐的问题。模型训练的数据质量、多样性以及模型算法局限性，使其难以精准理解复杂多变的医疗场景和专业知识，在信息提取和整合过程中出现偏差。模型生成病历可能冗长且缺乏关键临床洞察，甚至包含错误信息，导致电子病历准确性降低。医疗记录对准确性和完整性要求极高，错误信息可能误导后续诊断与治疗，影响患者健康。

2.临床推理能力培养受阻​

病历书写过程是医生临床推理的重要环节，医生需要在选择信息纳入文档以及总结临床印象时进行深入思考和判断。当大语言模型承担大量病历生成工作时，可能削弱医生这一能力的锻炼与提升。长期依赖模型生成，医生可能逐渐减少主动分析和判断过程，影响临床思维敏锐性与全面性，对医疗质量产生潜在威胁。​

3.数据安全与隐私风险​

电子病历包含患者大量敏感隐私信息。大语言模型在数据处理过程中，数据安全与隐私保护面临巨大挑战，数据泄露将对患者权益造成严重损害。模型训练过程涉及多源数据的收集与整合，如何确保数据在采集、存储、传输和使用过程中的安全性，遵循医疗数据隐私法规，这是亟待解决的难题。同时，模型应用中的数据访问权限管理、数据加密技术应用等也需要完善。​

4.模型适应性不足​

不同医疗机构的病历书写规范、诊疗流程以及患者群体存在差异，大语言模型难以在所有场景下都实现良好的适应性与泛化性。一些模型在特定医院或科室经过优化训练后，在广泛场景应用时可能无法准确生成符合要求的病历。此外，医疗领域知识不断更新，新的疾病诊疗方法、药物信息等不断涌现，模型需要更新知识以适应这些变化，但目前模型的更新机制还难以满足实际需求。

电子病历辅助生成的应用前景

从长远看，随着技术不断进步，大语言模型在电子病历辅助生成方面将持续优化。研究人员致力于提高模型对医疗专业知识的理解和应用能力，通过改进算法、增加高质量医疗数据训练等方式，提升生成文本的准确性与可靠性；开发多模态融合技术，将文本、图像、影像等多种医疗数据形式结合，使模型能够更全面准确地生成包含丰富信息的电子病历。如在影像诊断病历生成中，结合医学影像数据与患者临床症状描述，为医生提供更精准详细的病历参考。​

此外，大语言模型将更深入地融入医疗全流程，实现与电子病历系统的无缝对接。从患者挂号就诊开始，模型即可辅助医生进行智能分诊，根据患者症状描述初步判断病情严重程度与科室归属；在诊疗过程中实时辅助生成病历，还能为医生提供诊断建议、鉴别诊断参考以及治疗方案推荐，结合患者个体情况，实现个性化医疗服务；在医疗质量监控环节，模型可对病历进行自动审核，检查病历书写规范性、完整性以及诊疗过程合理性，发现潜在问题，提升医疗质量。​

大语言模型辅助电子病历生成，有望打破医疗机构之间的信息壁垒，促进医疗协同发展。通过统一电子病历数据标准和模型应用规范，不同地区、不同层级的医疗机构可以实现病历信息共享与互认。基层医生在遇到疑难病例时，借助大语言模型生成标准化病历和专家经验参考，可准确地进行初步诊断和转诊建议；上级医院接收转诊患者后，基于模型生成完整病历信息，能快速了解患者病情，制定更合适的治疗方案，从而构建更加高效、连续的医疗服务体系。​​

【作者简介】

郑西川，上海交通大学附属第六人民医院计算机中心教授级高工。上海交通大学医学院生物医学工程专业硕士研究生导师，苏州大学放射医学与公共卫生学院生物医学工程专业硕士研究生导师。中国医院协会信息专业委员会（CHIMA）委员，中国医药信息学会（CMIA）委员，上海市医院协会信息管理专业委员会委员，中国医药信息学会上海分会常委，中国生物医药技术协会医药信息分会常委，《医疗卫生装备》杂志特约审稿专家。

研究方向：①基于PACS电子病历的临床信息共享；②HL7/XML电子转诊相关技术及应用研究；③区域临床信息共享及协同医疗信息技术研究；④数字化医院的相关标准及实现技术。近年来，先后承担上海市“十一五”重大科技项目、上海市科委自然科学基金项目、上海市经济信息委信息化专项基金以及院级课题多项。发表论文40余篇。

【相关文章】

智能体应用，医疗信息化建设的新赛道

医院如何才能用好DeepSeek？

医学科研：DeepSeek在医疗行业的应用重点

DeepSeek医疗应用要重视提示词工程

医疗行业DeepSeek模型适配与RAG和微调技术应用

医院数智化转型，为什么要重点发展医疗AI智能体应用？

医院临床科研的DeepSeek提示词工程与使用技巧

【责任编辑：陈曦】