PLOS digital health 2026年9月17日该研究提出SAFE-AI框架，将大语言模型的角色限制为从急诊病历中零样本抽取实体，再由基于临床指南本体构建的确定性规则计算图完成判断，在300份儿科院外心脏骤停病历（18,402行临床信息）上检测肾上腺素过量与给药延迟，报告过量检测准确率97.9%、延迟检测准确率91.6%，优于所比较的基线模型。该研究提出SAFE-AI框架，将大语言模型的角色限制为从急诊病历中零样本抽取实体，再由基于临床指南本体构建的确定性规则计算图完成判断，在300份儿科院外心脏骤停病历（18,402行临床信息）上检测肾上腺素过量与给药延迟，报告过量检测准确率97.9%、延迟检测准确率91.6%，优于所比较的基线模型。以医学知识为根基的LLM智能体工具：从病历中识别患者安全事件该研究提出SAFE-AI框架，将大语言模型的角色限制为从急诊病历中零样本抽取实体，再由基于临床指南本体构建的确定性规则计算图完成判断，在300份儿科院外心脏骤停病历（18,402行临床信息）上检测肾上腺素过量与给药延迟，报告过量检测准确率97.9%、延迟检测准确率91.6%，优于所比较的基线模型。该研究提出SAFE-AI框架，将大语言模型的角色限制为从急诊病历中零样本抽取实体，再由基于临床指南本体构建的确定性规则计算图完成判断，在300份儿科院外心脏骤停病历（18,402行临床信息）上检测肾上腺素过量与给药延迟，报告过量检测准确率97.9%、延迟检测准确率91.6%，优于所比较的基线模型。