跳至正文
朗慧科技

MEDICAL DATA RESEARCH

临床用药文本数据集如何验收:从药物状态、剂量单位到可复算证据链

面向医疗AI研发与数据采购,拆解临床用药文本中的药物状态、剂量单位、频次、关系与时间标注,说明双人复核、风险抽检、独立复算和版本交付如何形成可追溯验收证据链。

临床文本与纵向多模态AI辅助整理 · 研发交流

一条临床记录写着“曾用药”“已停用”或“拟启用”,模型究竟应该输出什么?如果只抽取药物名称,可能看起来任务已经完成;但当同一药物在不同段落出现不同剂量,或者剂量数字与单位分散在相邻词组中时,真正需要验收的是一组带来源、带时间、带语义状态的用药事件。对于医疗人工智能研发团队,问题不再是“有没有一批病历文本”,而是接收方能否按照同一份定义复算每个字段,能否从一个高风险错误追溯到原文、规则和批次,能否在新的文本来源上验证模型是否仍然适用。

这类需求可以匿名改写为一个独立的医学数据工程任务:在合法授权和去标识前提下,建设用于临床用药信息抽取、模型训练和独立评测的文本数据集。本文把它限定为待验证的技术规格,不表示已有数据集、客户项目或临床应用已经完成。它不是患者个体的诊断或用药建议,也不等于已经证明某个模型可以直接用于临床决策。文章聚焦需求拆解、数据设计、专业标注、质量测评和交付验收,重点讨论如何把“高质量”写成别人能够复核的证据链。

一、先把“用药信息抽取”写成可验收的临床任务

任务的第一步是限定输入。输入可以是去标识化的病程记录、用药记录、出院小结、处方说明或其他项目约定的临床文本,但不能把所有文书不加区分地称为“病历数据”。不同文书的写作目的、段落结构、缩写习惯和时间表达不同,同一个词在药品清单中可能表示当前用药,在既往史中可能表示历史暴露,在计划段落中又可能表示尚未执行的安排。采购或研发说明应列出允许进入的文书类型、语言、时间范围、段落角色、文本编码、去标识状态和缺失处理方式,并说明是否允许跨文书关联。

输入颗粒度也要先冻结。患者、就诊、文书、段落、句子和用药事件不是同一个统计单位。“一万条”如果没有说明是患者、文书、句子还是药物事件,生产和接收双方就可能在数量上同时正确、在任务上同时失败。建议把去标识化个体作为纵向索引,把一次就诊和一份文书作为来源节点,把句子或表格行作为证据位置,把药物提及及其属性作为最小事件单元。多次就诊、同一文书的多个版本以及同一药物在不同时间的变更,都应保留可追溯关系,而不能只保留一个扁平化字段。

输出不应只有药物名称。最低限度的任务定义应区分药物提及、剂量数值、剂量单位、频次、给药途径、疗程或持续时间、适应证或用药原因,以及“开始、停止、继续、调整、暂停、计划使用、未明确”等状态。还要考虑否定、时间和确定性:例如“未使用”“考虑使用”“必要时使用”和“已经使用”不能进入同一类别。对于研究目的允许的范围,还可以记录行动发起者、原文证据跨度、来源文书和规则版本。研究论文对药物变更事件的定义已经显示,药物信息需要同时表达“是什么、何时、由谁、以何种状态发生”,而不只是识别药名。1

输出粒度应和下游目标对应。如果目标是命名实体识别,验收对象是文本跨度和字段类型;如果目标是药物—属性关系抽取,验收对象还包括药物与剂量、频次、途径之间的配对;如果目标是纵向用药史重建,验收对象则是事件顺序、时间归属和跨文书关联。三类任务使用的分母、错误定义和模型路线不同,不能用一个总体准确率覆盖全部问题。尤其不应把“字段填得很完整”误写成“临床事实已经被确认”。

临床用药文本从任务定义到可复算交付的技术关系示意查看完整技术图(可放大)

图1|临床用药文本从任务定义到可复算交付的技术示意。图中流程为任务定义、标注与模型、验收与应用三个层次,不表示真实患者数据、已完成实验或临床诊断结果。

二、剂量、单位和状态是高风险语义,不是普通字段

药物名称通常容易被识别,真正影响数据可用性的却是名称与属性的绑定。历史研究已经发现,系统在识别药物名称方面可以表现较好,但在剂量、途径和频次等关联信息上更容易出现问题。较早的临床文本抽取工作将药物事件拆为药物、剂量、频次、途径、疗程和原因等字段,并分别评价字段识别和关联,这种拆分仍然适合今天的项目需求。2

剂量数字必须与单位成对管理。数值“5”脱离单位可能没有确定含义,单位“毫克”脱离药物和频次也不能直接还原用法。数据字典应明确单次剂量、每日剂量、浓度、片数、体积等字段是否分开,允许哪些计量单位,单位换算是否允许,换算依据是否必须保留,原文缺失单位时应标为“缺失”还是“无法判定”。如果项目不允许推断,就不能根据药品常见规格、默认单位或上下文习惯补写。数字与单位错配应列为严重缺陷,预先约定隔离批次、追溯范围、返工和复测条件。

用药状态也有多个维度。可以把“已停用”理解为一个动作,但还需要知道它是针对当前药物、既往药物还是计划中的药物;“继续”可能指维持原剂量,也可能只是继续观察;“必要时”包含条件关系,不能简单归入当前使用。若语料包含医嘱、病程叙述和出院计划,建议把状态、时间和来源段落一起设计,避免模型只看到一个动词而失去主语和作用域。

否定和不确定不能在归一化时被抹平。“否认服用某药”不是“服用某药”,“考虑加用某药”不是“已经加用某药”,“剂量不详”也不是一个可以由标注员补全的剂量值。项目应设置正例、反例和难例,至少覆盖停用、拟启用、继续使用、条件用药、否定、相对时间、单位缺失、多药同句和跨句指代。无法依据原文判断时,允许使用“无法判定”或“证据不足”,并记录触发原因。

时间字段需要同时保留原文和结构化表达。相对时间如“昨日”“出院后”“既往”是否可以换算为日历日期,取决于项目是否拥有可靠的参照时间;没有参照时应保留原文,不应生成看似精确的日期。对于同一药物在入院、住院和出院阶段的不同剂量,事件级标签比单一患者级标签更能避免信息覆盖。纵向数据的价值来自顺序和变化,而不是把所有文本拼成一个长字符串。

三、数据字典与来源治理要先于量产

用药文本属于医疗健康信息。建设训练或评测数据前,应确认处理目的、数据来源、授权范围、保存期限、访问角色和再利用边界。我国《个人信息保护法》将医疗健康信息列为敏感个人信息,要求在特定目的和充分必要的前提下采取严格保护措施;处理敏感个人信息、委托处理或向其他处理者提供信息等情形,还涉及事前个人信息保护影响评估等要求。3 去标识化是技术措施,不等于可以忽略目的限定、权限管理和审计记录。

如果数据被用于涉及人的生命科学和医学研究,还要由相关机构判断是否属于伦理审查范围。现行伦理审查办法明确把使用健康记录等信息数据开展研究纳入适用范围,并要求关注数据来源、隐私保护、使用范围、合作协议和研究结束后的处置。使用真实文本前,项目方应根据实际场景确认伦理路径和授权文件;如果这些条件尚未落实,首轮可以用构造样例或已获准使用的脱敏样例验证流程,但不能在公开材料中把未确认的数据资源写成现成能力。4

数据字典应是交付正文的一部分,而不是项目结束后补的附件。每个字段至少需要中文名称、机器键名、数据类型、合法枚举、空值语义、单位、时间精度、原文证据要求、示例和版本号。空、未知、不适用、未检查、原文没有和无法判定不能都用空字符串。对于药物实体,还应说明通用名与商品名是否分开、复方如何处理、药物类别是否允许由名称推断、同义词归一化是否留存原文。对于属性关系,要说明一个剂量可以关联一个还是多个药物,跨句关联需要什么证据,冲突信息如何标记。

元数据还要说明数据集的用途、范围、建设过程和限制。卫生健康信息数据集元数据标准 WS/T 305—2023 已于2024年2月1日实施,项目可将其作为元数据设计的对照基础,但不应把“对照标准”写成项目已经通过认证。5 国家数据局2026年发布的行业高质量数据集行动方案也把标注、质量测评、应用验证和全生命周期管理放在同一条建设链路上,强调以实际应用牵引数据供给,并要求关注数据可管、可控、可追溯。6 对临床用药任务而言,这意味着数据卡、标签规范、抽样框、评测脚本和版本记录都应在项目初期进入设计。

抽样不能只按容易获得的文本进行。应描述文书类型、时间段、科室或任务场景的覆盖方式,并记录缺失模式和排除条件。长文书和短医嘱的比例会影响模型看到的上下文;同一患者的多次记录会影响训练、验证和测试之间的独立性;罕见药物、复杂剂量和多药同句如果只在训练集出现,测试结果就可能高估泛化能力。患者级划分通常比文书随机划分更能控制纵向泄漏,但在实际项目中仍需结合任务目标和授权范围说明。

四、把一致性和正确性分开测量

两位标注人员对同一段文字给出相同标签,只说明他们的一致性,不能自动证明标签正确。反过来,存在分歧也不意味着某一方一定错误。临床专家在复杂判断上可能出现系统性差异,研究显示,即使由经验丰富的专家独立标注,标签不一致也可能传导到模型表现,并在外部数据上表现为更低的一致性。7 因此,项目应同时保留两类证据:一类是双人独立初标产生的一致性记录,另一类是由约定复核人依据原文、指南和证据跨度形成的参考标注记录。

双人初标应在冻结版本的指南下独立完成。对不一致的样本不要直接取平均或由生产人员随意修改,而应进入争议队列。裁决记录至少包括争议字段、原文位置、采用的规则、裁决理由、是否需要修改指南,以及是否影响已经完成的批次。如果证据不足,保留“无法判定”比强行选择一个确定标签更诚实。对于药物状态、剂量单位和否定范围,可设置更高等级的复核或全量规则检查。

质量指标要按任务层级报告。实体层可以看跨度边界、类别和严格匹配;属性层可以分别看剂量、单位、频次、途径、状态、时间和否定;关系层要看药物与属性是否正确配对;事件层则要看多个字段组合后的完整性。评价报告应说明分母、抽样单位、是否按患者聚类、严格还是宽松匹配、未判定项如何处理。一个总体F1不能替代这些分层结果,也不能被直接解释为临床安全性或诊断性能。

抽检方案应同时包含随机样本和风险分层样本。随机样本有助于估计整体质量,风险样本用于检查剂量单位错配、状态反转、否定遗漏、跨句错误关联和时间顺序错误。抽检结果应列出样本框、抽取数、通过数、退回数、严重缺陷数和未判定数。若同一患者包含多份文书,抽样推断应考虑聚类,而不是把每个片段当作完全独立的观察值。

用药文本高风险质量闭环的技术关系示意查看完整技术图(可放大)

图2|用药文本高风险质量闭环的技术示意。图中把风险定义、证据测量和独立验证拆开,说明高风险缺陷应触发隔离、追溯、返工和复测,不表示真实患者数据、统一准确率或临床安全有效性结论。

五、算法路线应保留证据链和不确定性

适合临床用药文本的路线通常不是单一模型。第一层可以用词典、正则规则和结构解析器发现药物候选、数字、单位、频次表达和否定触发词;第二层使用序列标注或编码器模型识别实体和属性;第三层使用关系抽取或事件分类模型建立药物与属性之间的对应;对于长文书和跨句信息,再加入段落角色、时间线和文书结构。规则不应被当作最终金标准,模型也不应被当作自动裁决者,二者都要输出可回到原文的证据跨度。

近年来的研究表明,药物变更任务需要针对每个药物提及解析动作、发起者、否定、时间和确定性;当同一句中出现多个药物且属性不同,药物感知的表示方式有助于减少错配。1 2025年的双语研究进一步把实体和关系抽取放在同一任务中评估,并报告了法语与英语临床语料上的端到端结果;但该结果来自特定语种、语料和研究设置,不能直接转换为中文病历项目的临床效果或交付保证。8

如果使用大语言模型,可以让模型生成候选结构化结果、提出疑难样本或辅助规则覆盖,但输出必须经过固定模式校验和人工复核。提示词、模型版本、温度或采样设置、上下文窗口、拒答策略和后处理脚本都要记录。模型抽取出的“默认剂量”或根据常识补出的时间不能直接进入参考标注。对于高风险字段,模型的候选结果应带有原文证据;找不到证据时应返回缺失或无法判定,而不是生成一个看似完整的值。

研究评价与临床评价必须分开。2026年一项发表于 npj Digital Medicine 的研究在近92万份临床记录、11类物质类别上提出多阶段验证框架,把规则过滤、语义落地、模型评审、专家复核和预测有效性组合起来,以减少完全人工标注的负担;但其研究对象、数据来源和任务是特定的临床信息抽取场景,框架启示可以借鉴,结果不能直接外推到药物剂量或任何真实临床决策。9 对本项目而言,更稳妥的做法是先验证数据和标注流程能否复算,再在固定测试条件下比较模型版本,最后才讨论是否需要更大规模的应用验证。

前后版本比较必须固定患者级测试集、模型或训练条件、提示和评分规则。若修订了标签定义、增加了难例或更换了测试集,就不能把结果变化简单归因于模型改进。建议同时报告旧规则和新规则在同一冻结测试集上的差异,分开列出实体、关系、状态、剂量单位和高风险缺陷。任何“真正改善”都应限定为在某一任务、某一版本、某一测试范围内的研究结果,不应写成临床效果或疗效结论。

六、把验收写成接收方可以复算的操作

一份可交付的临床用药文本数据集,至少应包括数据文件、字段字典、标签和关系映射、标注指南、正反例、版本号、样本索引、质量报告、争议裁定记录、异常处理说明、运行环境和计算脚本。若原文不能直接公开,应通过受控索引或权限内的样本编号建立映射,使接收方能够核对记录而不接触不必要的身份信息。授权凭证和敏感原文不应塞进公开稿,但在实际交付中应按权限核验。

复算测试不只是让接收方运行一个脚本。双方要先冻结抽样清单、分母、计分规则、标签版本、严格匹配方式、随机种子和容差。接收方应在自己的环境中完成导入、解析、计分和报告,记录结果差值。若差值来自编码、空值、版本或脚本依赖,应进入问题单;若差值来自高风险语义错误,则需要回到原文和标注记录追溯。只有交付方单方面给出的比例,没有抽样框和复算条件,不能作为完整验收证据。

高风险缺陷应有明确的放行逻辑。剂量数值与单位错配、药物状态反转、否定范围丢失、一个属性错误关联到另一个药物、时间顺序颠倒,都可能比普通实体边界偏差更需要优先处理。项目可以按风险等级设置隔离、暂停、返工、复测和放行规则,但阈值应由项目方根据任务用途、样本分布和风险承受能力书面约定,不能把某个项目阈值包装成行业统一标准。暂未发现严重缺陷,也只能说明本次受检范围,不代表全量数据永远没有问题。

交付还要说明已知局限。例如,某些文书类型是否未纳入,某些药物类别是否样本不足,部分时间表达是否只能保留原文,跨段关系是否不在当前范围,哪些属性需要专家终审。局限不是降低产品价值,而是帮助算法团队决定可以做什么实验,帮助研究团队避免过度解释,帮助采购方在扩量前判断还需要哪些试标。国家数据局关于高质量数据集建设的方案把“数据质量验证+模型应用反馈”并列为测评思路,也说明一次性验收不应取代后续应用反馈和版本迭代。6

七、公司能力与项目边界应分开表达

按已核验的公开能力边界,朗慧科技的定位是AI数据基础设施及流程服务商,自研LangData覆盖采集、处理、标注、质检和数据交付;医疗栏目提供按部位、模态和任务组织的数据目录与样例评估入口。这个定位可以支持项目讨论从需求规格、样例检查、标注流程、质量记录和版本交付展开,但不等于某个具体用药文本数据集已经现货,也不证明某一模型已完成临床验证。

在实际项目中,能力适配应通过小规模样例确认。需要逐项核对:目标文书和药物任务是否在本次范围内,是否需要中文临床文本的实体和关系标注,是否需要专业审核,是否需要私有环境或受控访问,是否需要脚本复算和版本交付。平台能力、标注服务、专家复核和数据来源授权是不同的工作包,不能因为某一项已经具备就推断其他事项自动包含。采购规格、周期和验收阈值应以项目书面确认和合同为准,不在公开文章中写成统一承诺。

八、从小规模试标走向可持续数据产品

更稳妥的业务逻辑是先定义任务,再用少量已获准样例验证字段和难例;随后冻结指南、字段字典和分歧模板,完成双人初标与专业裁决;接着用独立脚本复算质量报告,确认高风险缺陷的处置流程,最后才决定是否扩展文书类型、时间范围或数据规模。每一步都应留下版本和责任角色,失败样本不应悄悄混入已放行数量。

这种路径也能解释研发价值。对算法团队而言,带证据跨度、时间和状态的用药事件比只带药名的句子更适合训练关系抽取和纵向推理;对数据团队而言,分离一致性和正确性可以定位指南问题、培训问题和模型问题;对采购和项目管理而言,可复算脚本与高风险放行规则可以减少“交付数量相同但验收结论不同”的争议。更重要的是,研究人员能够知道数据在哪些条件下可用、在哪些条件下不应外推。

临床用药文本数据建设的终点不是把所有文本压缩成一张字段表,也不是用一个准确率替代专业判断。真正可交付的结果,应当让接收方看见定义、原文证据、标注分歧、裁决理由、质量分层、脚本环境和已知局限;当规则发生变化时,还能知道哪些样本受到影响。只有把这些环节写进数据和验收流程,医学人工智能项目才有可能从一次性语料采购,逐步走向可复核、可迭代、可独立验证的研究基础设施。

本文讨论的是医疗人工智能研发和数据交付方法,不提供患者个体的诊断、治疗或用药建议。真实数据的授权、伦理、隐私保护、访问控制和再利用范围,应由实际项目的责任机构和专业部门确认。

参考来源

  1. Extracting medication changes in clinical narratives using pre-trained language models
  2. A high precision medication event extraction system for clinical text
  3. 中华人民共和国个人信息保护法
  4. 涉及人的生命科学和医学研究伦理审查办法
  5. 卫生健康信息数据集元数据标准(代替WS/T 305—2009)
  6. 关于推进行业高质量数据集建设行动的实施方案
  7. The impact of inconsistent human annotations on AI driven clinical decision making
  8. Efficient extraction of medication information from clinical notes: an evaluation in 2 languages
  9. A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models