本地部署大语言模型辅助门诊处方审核：交叉研究
核心概要
该研究将开源Qwen3-14B模型通过Ollama部署在医院内网服务器上，并以药品说明书构建的结构化知识库进行精确匹配式知识增强，采用两阶段交叉设计让2名药师在无辅助与AI辅助两种条件下独立审核同一批213张门诊处方，结果显示人机协作审核准确率97.2%（207/213）高于药师单独审核的82.6%（176/213），敏感度98%（61/62）高于55%（34/62），假阴性率由45%降至2%，知识增强使模型幻觉率由19.7%（42/213）降至4.7%（10/213），单张处方平均审核时间由2.33分钟降至1.12分钟，且全部处方数据保留在医院网络内。
深度剖析
本地部署的开源大语言模型可作为药师监督下的预筛工具，提升门诊处方回顾性审核的准确率与敏感度。 既往多数LLM处方审核研究依赖云端商业模型，本研究改用院内服务器上的开源Qwen3-14B，并报告了人机协作与药师单独审核的配对比较结果。 两阶段交叉设计，2名药师对同一213张处方在两种条件下独立审核，参考标准由两名主管药师独立共识并由副主任药师裁决分歧，采用配对McNemar检验与Wilcoxon符号秩检验。
以药品说明书构建结构化知识库并通过精确匹配注入，可显著降低模型幻觉率。 研究用轻量级精确匹配注入替代依赖文本向量化与向量数据库的RAG流程，针对IT资源有限医院难以搭建维护RAG的问题提出替代路径。 在同一213张处方测试集上对比普通AI审核与知识增强AI审核，幻觉率由19.7%（42/213）降至4.7%（10/213），绝对降低15.0个百分点，相对降低76.2%，P<.001。
人机协作审核在提升准确率的同时缩短了单张处方审核时间。 研究同时报告了准确率与效率两类结局，显示协作条件不仅敏感度更高，平均每张处方审核时间也由2.33分钟降至1.12分钟。 配对设计下Wilcoxon符号秩检验Z=-12.65，P<.001，r=0.87，时间约减少51.9%。
全部处方数据保留在医院网络内，为隐私保护型AI药学决策支持提供了可行路径。 研究针对云端商业模型传输受保护患者信息带来的数据泄露风险，采用院内服务器部署方式，从架构上避免处方数据外传。 模型部署于医院内网服务器，使用Ollama框架，知识库来源于药品说明书，研究描述为回顾性处方审核场景。
启示与展望
该研究面向药师主导的门诊回顾性处方审核，适用于希望在院内网络内运行模型、且IT资源有限而难以搭建维护向量数据库与RAG流程的医院；其知识增强依赖药品说明书构建的结构化知识库与精确匹配注入，因此结果主要适用于有相应说明书知识库覆盖的处方审核场景。研究采用2名药师与213张处方的配对交叉设计，结论针对该测试集与回顾性审核设置，向其他医院、其他处方类型或前瞻性实时审核推广时需另行评估。
读者仍会关注：该单中心、2名药师、213张处方的回顾性结果在其他医院、其他药师群体与前瞻性实时审核流程中是否呈现相近表现；知识增强依赖药品说明书结构化知识库，当处方涉及说明书未覆盖或需更新的信息时，精确匹配注入的效果如何；普通AI审核与知识增强AI审核的幻觉率对比基于同一测试集，模型在其他药品目录或处方复杂度下的幻觉表现仍有待观察；此外，本文为摘要级信息，若图表与补充材料中包含亚组或分层结果，可能影响对适用范围的判断。