临床编码映射中的LLM工具使用：从非结构化德语临床笔记中自动提取药物与诊断信息的试点研究
核心概要
该试点研究将35份来自5名患者的德语医生笔记匿名化，构建了一条药物提取与映射流程和两条诊断流程（其中一条基于RAG、一条基于智能体AI），在本地GPU-PC上运行三种开放权重LLM，结果显示药物名称提取F1可达0.95、药物映射F1可达0.78，而诊断编码F1不超过0.12、宽泛类别映射F1为0.18，作者据此认为LLM适合用于研究数据库的药物信息提取，但当前开放权重模型尚不足以支撑直接依赖其表现的临床诊疗场景。
深度剖析
研究构建并比较了面向德语临床笔记的LLM结构化提取流程：一条用于药物提取与映射，两条用于诊断，其中诊断部分对比了RAG方法与智能体AI方法。 此前结构化数据提取多依赖人工整理，成本高昂；该工作把开放权重LLM与工具使用流程引入非英语（德语）临床笔记场景，并直接比较RAG与智能体两种诊断路线。 基于35份匿名化德语医生笔记、5名患者，在本地GPU-PC上运行三种开放权重LLM，属于小规模试点设计。
药物相关任务表现明显优于诊断：药物映射F1最高0.78，若仅做名称提取则可达0.95。 给出了同一批笔记上不同任务难度的量化对比，说明提取与编码映射之间的性能落差。 报告了具体F1数值，且作者指出药物名称提取中遇到的每个错误都可解释。
诊断编码表现很低：F1不超过0.12，改为映射到宽泛类别后F1升至0.18。 量化了诊断编码这一更难任务在当前开放权重模型下的实际水平，并显示放宽映射粒度只能带来有限提升。 报告了具体F1数值，样本为35份笔记、5名患者，属试点规模。
作者结论认为LLM擅长提取，适合用于研究数据库中的药物信息提取，但在患者治疗依赖LLM表现的临床场景中，当前最先进的开放权重模型还不够准确。 把性能差异转化为明确的使用边界建议，区分研究用途与临床决策用途。 结论基于上述F1结果与作者对任务性质限制的讨论，并指出由于任务本身的性质，期望任何编码场景达到满分1是不现实的。
启示与展望
该结果面向使用开放权重LLM从德语临床笔记中提取结构化信息的研究场景，尤其是药物名称提取与药物映射，可用于构建研究数据库；作者明确指出，在患者治疗依赖LLM表现的临床场景中，当前最先进的开放权重模型还不够准确。诊断编码方面，即使放宽到宽泛类别映射，F1也仅为0.18，因此该路线目前更适合作为探索性方向。
该工作为试点规模，仅涉及5名患者的35份德语笔记与三种开放权重模型，因此药物提取的高F1与诊断编码的低F1在更大样本、其他语种或其他医院环境下的表现仍需进一步观察；作者也提到LLM输出与解析方面存在进一步问题，这些问题的具体影响范围有待后续研究厘清。