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

提出SAFE-AI（Structured and Automated Framework for Explainable AI），把临床专家依据指南定义的本体转化为有向图，LLM只负责抽取图中初始节点（如年龄、体重、剂量、时间戳），最终判断由确定性规则代码执行。 与把指南、任务和病例一次性放入提示让模型直接判断的做法不同，该设计把信息抽取与临床决策分离，使幻觉来源被限制在抽取环节。 方法学描述完整，包含四步流程、模板化提示、JSON结构化输出、代码在沙箱中生成并由领域专家人工审核验证；代码仓库公开。

在300份经双人独立复核的儿科院外心脏骤停病历上，SAFE-AI检测肾上腺素过量的准确率为97.9%，检测给药延迟的准确率为91.6%，作者称其表现与人类专家相近并大幅优于基线LLM。 相对LLM-only基线和LLM+本体基线，SAFE-AI在敏感度与特异度之间取得更均衡的表现，并在多步时间推理与累积剂量解释场景中更稳定。 金标准由两名专家独立标注、分歧经完全共识解决，Gwet's AC1为延迟0.85、剂量错误0.96；配对McNemar检验显示延迟b=34、c=0，过量b=40、c=0，与LLM+本体基线无分歧对（b=c=0）。

错误分析显示，SAFE-AI剩余失败主要来自真实病历记录的歧义与不一致，最大分歧来源是评审者之间的差异；在真正的模型相关错误中，多数发生在信息抽取阶段而非本体执行阶段。 该分析把模型误差与标签本身的不确定性区分开来，指出部分表面上的模型错误反映的是底层临床标签的不确定性。 基于对300份病历的定性复核与失败模式分类（Table 4），并指出格式不一致、时间戳不完整、结构化字段与叙述文本冲突是主要抽取失败来源。

效率方面，专科临床评审者平均需要超过10分钟审阅一份两页病历，而SAFE-AI在不到一分钟内完成同一任务。 提示符号化临床AI系统可能帮助扩展患者安全监测与质量改进工作的规模，同时保持可审计的决策过程。 为作者在讨论中报告的时间对比，属于单中心、单一事件类型的初步观察。

该结果面向儿科院外心脏骤停中肾上腺素给药这一具体安全事件，适用于使用NEMSIS标准、同时包含结构化字段与叙述文本的急诊病历场景；作者指出框架可扩展至其他安全事件领域，但需要为每个新领域创建并验证新的本体，并计划在更大规模的多中心数据集上评估。

读者仍会关注：在300份病历、单一事件类型之外的泛化表现如何；本体构建所需专家投入能否规模化；当结构化字段与叙述文本冲突时抽取环节的稳健性；以及评审者之间本身存在分歧的病例应如何界定为模型错误。原文以表格形式呈现的阈值标准与失败模式分类细节在本次解析中未展开，若需据此复现需查阅原文表格。