首页 > 文章详情

AI挖掘电子病历“真金”！研究显示AI数据提取错误率仅为人工一半，开启多中心研究新时代

11月07日

编译：肿瘤资讯

来源：肿瘤资讯

在全球肿瘤学界，如何高效、准确地从海量的电子健康记录（EHR）中获取高质量的真实世界数据（RWD），始终是推进临床研究的一大瓶颈。
传统的临床研究项目，无论是真实世界数据库还是临床试验，都严重依赖手动数据收集。然而，我们面临的现实是：高达80%的医疗信息是以非结构化的文本形式（如病程记录、MDT报告等）存在的。人工去提取这些信息，不仅给医疗机构带来了巨大的行政负担，更导致了惊人的错误率——研究显示，这包括5%-10%的打字错误和高达30%的摘要提取错误。这些“不干净”或不完整的数据，严重制约了真实世界研究的质量和效率。
2025年世界肺癌大会（WCLC 2025）上，法国顶尖癌症中心Gustave Roussy的Mihaela Aldea博士带来了一项题为“Panning for Gold: 挖掘电子病历中的‘真金’”主题报告，无疑为整个领域带来了颠覆性的启示。

LUCC队列研究正面挑战了人工数据提取的“金标准”地位。研究结果显示，在从非结构化病历中提取数据时，人工智能（AI）的错误率（7.1%）显著低于经验丰富的临床研究专业人员（14.8%）。而“AI+人工审查”（审查30%低置信度数据）的混合模式更是将错误率降至4.4%。

这一结果意义重大，它预示着一个由AI驱动的高质量、高效率真实世界研究新时代即将到来。

解决方案：LUCC队列——使用AI进行多中心数据收集

面对传统数据收集的种种瓶颈和挑战，临床研究领域迫切需要一种创新的解决方案来自动化和标准化这一过程。正是在这一迫切需求下，为了解决这一难题，法国Gustave Roussy癌症中心与Lifen合作，于2024年1月启动了LUCC肺癌队列研究。这是一个利用AI进行多中心数据收集的创新项目。

该框架通过安全的数据传输协议（如HL7、SFTP）和虚拟打印机技术，从多个医院中心收集各种医疗报告（如住院报告、手术报告、MDT报告、转诊信等）。随后，AI平台对这些非结构化文档进行自动处理、去标识化和数据构建，最终形成可用于伴随研究、数据看板和监管提交的结构化数据库。

AI如何工作：从训练到可追溯的提取

LUCC项目的方法学严谨且透明：

安全处理：AI平台首先对文档进行光学字符识别（OCR）以提取文本，随后自动去重并清理掉文档模板等非医疗内容。
LLM训练与微调：团队使用了10,016名患者的数据作为训练集。临床研究专业人员首先对这些文档进行手动注释，创建一个高质量的“标记文档数据集”。随后，使用该数据集对大型语言模型（LLM）进行特定任务的微调。
可追溯提取：该AI平台的一个关键特性是每一条提取的数据都可追溯至其在原文中的来源。例如，AI能准确从病历中提取“诊断时吸烟状态：老烟民”和“吸烟年包数：40”，并清晰展示原文证据。