为什么最丰富的临床细节从未到达研究
电子健康记录所包含的信息远超其编码字段所能容纳的范围。正如一篇新发表在《自然·医学》上的论文作者所指出的，EHR数据的大部分存在于非结构化文本中——即医疗服务提供者与其患者之间就诊过程中记录的叙述。这些就诊记录了症状叙述、不良反应、治疗理由、依从性挑战、家族史以及其他细微之处，这些要么完全没有编码，要么仅在诊断和操作代码等结构化字段中部分反映。
结果是真实世界证据中一个持续存在的盲点。大多数试图从常规诊疗中学习的研究仍然依赖结构化数据字段，仅仅因为这些是记录中可以大规模计算查询的部分。这项新工作提出了一种旨在弥合这一差距的方法。
使临床文本可计算的流水线
研究人员提出了一种新方法，使用大型预训练语言模型从非结构化EHR文本中准确提取可计算的临床数据。至关重要的是，提取被视为更长流水线的起始阶段，而非目的本身，其目标是使整个患者病史端到端地机器可读。
从原始笔记到集成知识图谱
在从自由文本中提取临床实体后，它们与结构化EHR数据集成，嵌入医学本体，并组织成知识图谱。这种架构很重要，因为它保留了变量之间的关系，而不是将它们扁平化为互不相关的字段。
- 使用大型预训练语言模型从非结构化笔记文本中挖掘临床实体。
- 提取的实体与同一患者已有的结构化记录合并。
- 医学本体提供语义支架，使提取的术语保持可比性和一致性。
- 知识图谱链接变量，以便可以查询它们之间的任何关系。
由于该图谱既在个体患者层面又在人群规模上组织，研究者可以使用相同的底层表示追踪单个人的病程，或检查整个队列中的模式。
医生审查支持准确性声明
准确性并非仅凭信任。该团队将其输出提交给医生裁决，这证实了相对于盲法专家参考标准的高准确性。专家医生审查员还表现出高审查者间一致性，这是一个重要信号，表明提取的数据可以以多高的一致性对照该标准进行评判。
作者对广度也同样明确。该框架被描述为疾病无关，旨在扩展到所有临床状况的大型患者数据集，而不是针对单一专科或适应症量身定制。
大规模查询，同时研究者保持控制
为了使知识图谱可用，研究人员构建了一个对智能体友好的编程接口，用于导航大规模图数据。该接口旨在使分析快速、简便且具有成本效益，无论是开放式探索还是正式假设检验任务。
这种人类引导的查询环境被定位为加速劳动密集型工作的方式，而非取代科学判断。研究设计、分析决策和解释仍由研究者控制。在实践中，分工是明确的：自动化处理数据的检索和组装，而研究人员保留对提出什么问题以及答案意味着什么的权威。
用GLP-1受体激动剂展示实用性
为了证明该框架具有临床价值，作者对开始胰高血糖素样肽-1受体激动剂（GLP-1 RA）治疗的个体进行了大规模纵向治疗反应分析。使用他们的方法，他们以高置信度识别了大量开始使用这些药物的患者，重建了患者层面的轨迹，并建模了治疗开始后体重和糖化血红蛋白（HbA1c）的纵向变化。
这项工作说明了该流水线旨在回答的问题类型。GLP-1 RA的使用会产生一长串临床文档——资格讨论、滴定决策、耐受性问题、依从性问题和随访测量——其中大部分存在于叙述性笔记中，而非整齐的编码字段中。重建每位患者实际发生的情况，然后将这些个体故事聚合为人群层面的信号，正是非结构化文本传统上使之困难的任务。
谁在从事这项工作
该论文是一个多学科作者团队的成果：Edward Kim、Richard Foty、Avnesh S. Thakor、Jay S. Skyler、Lucy F. Robinson、James D. Park、Monica Kraft、Charles B. Cairns和Vicki Seyfert-Margolis。它于2026年9月10日在线发表在《自然·医学》上，作为开放获取文章。
早期访问与仍属临时性的内容
《自然·医学》在最终版本之前分享了该论文，以便更快地获取经过同行评审、被接受的研究。该文章可引用并带有永久DOI。尽管如此，读者应注意此版本仍可能进一步编辑，并将自动被最终的记录版本取代，所有法律免责声明均适用。
即使在其被接受的形式中，这项贡献最好被理解为基础设施，而不仅仅是一项单一研究。作者认为，他们将语言模型提取、本体嵌入和知识图谱组织相结合，解决了临床研究中的一个结构性问题——临床细节实际所在之处与分析所能触及之处之间的不匹配。通过将就诊叙述转化为与结构化字段并列的可计算实体，并通过编程接口暴露结果，该框架旨在缩短诊所中写下的原始笔记与可检验研究问题之间的距离。
这一承诺是否适用于所有临床状况、笔记风格和卫生系统，是所述疾病无关设计旨在引发而非解决的问题。作者提供的是一条可复制的路径：对照盲法专家审查验证提取，将提取的概念锚定在医学本体中，将所有内容连接在图谱中，并让研究者查询它而不放弃对科学的控制。
本文基于《自然·医学》的报道。阅读原文。
Originally published on nature.com
