病历里九成的临床细节研究够不着：Nature Medicine用LLM+知识图谱把非结构化EHR变成可计算病程
RespondHealth等机构9月10日发表于《Nature Medicine》，提出从非结构化EHR文本构建可计算纵向患者旅程框架：LLM抽取临床实体、医生盲法裁定验证、本体嵌入、知识图谱、agentic接口五层递进。GLP-1人群纵向分析演示了体重与HbA1c轨迹建模与时间至事件结局，为真实世界证据生产提供新范式。
数据视角 × 医疗数据从业者 ｜ 深度研报
一家做真实世界证据研究的公司，把"如何从病历自由文本里榨出可计算数据"这件事，做成了《Nature Medicine》上的一篇方法论论文。 9月10日，RespondHealth联合德雷塞尔大学、斯坦福大学、迈阿密大学、宾夕法尼亚大学、西奈山伊坎医学院等机构的研究者在线发表了这项研究，提出了一套从结构化与非结构化EHR数据中构建"可计算纵向患者旅程"（computable longitudinal patient journeys）的通用框架。对天天与病历数据打交道的从业者来说，这篇论文值得逐段精读——它几乎是把真实世界研究上游最痛的一道工序，完整拆开给你看。
大多数EHR数据，研究里根本用不上
论文开篇点破了一个行业的基本矛盾：EHR里的大部分数据以非结构化文本存在——症状叙述、不良反应、治疗理由、依从性问题、家族史，这些最有临床味道的细节都写在医生的病程记录里，而在诊断编码、手术编码这些结构化字段中要么完全缺席、要么只剩残影。反过来，绝大多数真实世界证据（RWE）研究依赖的恰恰是结构化字段。
这组矛盾在国内同样是常态。做过专病数据库或科研数据治理的人都清楚：化验值、诊断码、医嘱单整齐可查，但"患者为什么停药""医生为什么要换方案""家属隐瞒了什么病史"这些决定研究质量的关键变量，全埋在自由文本里。传统做法靠人工阅病历，一份几百份样本的队列研究，光病历 Review 就能吃掉小半年的预算；靠规则引擎和传统NLP，又处理不了缩写、错拼和上下文歧义。
四层架构：从自由文本到知识图谱
RespondHealth给出的技术路线分四步，环环相扣：
第一步，大模型抽取。 用大规模预训练语言模型从非结构化EHR文本中提取可计算的临床数据。这一步的验收方式很硬核：由医生裁定（physician adjudication）对照盲法专家参考标准，确认了高准确率，且专家医生之间的评审一致性也很高——不是"模型自己说好"，而是过了人工金标准这一关。
第二步，数据融合。 抽取出的临床实体与结构化EHR数据整合，把离散的检查值、诊断码与叙事文本里的发现拼进同一个数据模型。
第三步，本体嵌入+知识图谱。 整合后的数据嵌入医学本体（medical ontologies），再组织成知识图谱。这一步是整套框架的灵魂：变量之间的关系既可以在单个患者层面查询（这位患者的用药-反应时间线），也可以在大规模队列层面分析（十万患者的结局分布）。
第四步，agentic接口。 团队为知识图谱配了一个"对智能体友好"的程序化接口，分析者可以导航大规模KG数据，让探索性分析和假设检验变得快速、简便、低成本。论文反复强调的一点是：这是一个"人类主导"的查询环境——研究设计、分析决策和结果解释始终在研究者手里，框架只加速劳动密集型环节，不让算法越俎代庖。
演示案例：GLP-1人群的纵向轨迹
方法论论文最怕"技术很美、场景很虚"。团队选了一个当下最热的场景做演示：启动GLP-1受体激动剂治疗人群的纵向治疗反应分析。
GLP-1这一类减重/降糖药物的临床文档特别长——资格讨论、滴定决策、耐受性问题、依从性挑战、随访测量，大部分信息散落在叙述性病历里而非编码字段中。框架以高置信度识别出大量启动GLP-1 RA治疗的患者，逐人重建疾病轨迹，并对用药后体重和糖化血红蛋白（HbA1c）的纵向变化建模，揭示这些参数与治疗反应的关联。
更有价值的是第三层：研究刻画了只存在于非结构化临床记录中的结局指标，并展示了时间至事件（time-to-event）结局——把真实世界研究从"固定时间点终点"推进到连续轨迹。做过药物真实世界研究的人会立刻明白这意味着什么：过去要在方案设计阶段就定义好的终点，现在可以从病历叙事里事后、完整地还原出来。
数据从业者的三个行动信号
信号一：病历文本的资产属性要重估。 当自由文本可以被可靠地转成可计算变量，医院沉淀的历年病程记录就从"合规负担"变成"数据资产"。国内医院普遍存储着十年以上的完整病历，这些数据的再利用价值会随着这类框架的成熟被重新定价——数据治理、脱敏、标注、质控这些上游工序，正是千方这类数据供应商的主场。
信号二：知识图谱正在成为RWD的标准形态。 单纯的"结构化字段表"不足以支撑纵向研究，本体嵌入+KG+程序化接口的组合，很可能会成为下一代真实世界数据平台的设计范式。国内做医疗数据中台的团队，值得把这套架构拆解对照自己的产品路线。
信号三：监管与治理要跟上。 论文作者自己点出了边界：非结构化病历文本可能包含偏倚、记录不完整或机构差异，抽取结果需要专家校验和治理机制。这恰恰说明——大模型抽取能力越强，高质量标注、专家裁定、数据质控这类"人的工序"越是稀缺资源。框架是疾病无关的，但可信度永远来自数据工程的基本功。
结语
从"病历是写给人看的"到"病历是可计算的"，中间隔着抽取、融合、本体、图谱、接口五道工序。RespondHealth把这条流水线跑通并登上了顶刊，等于给全行业立了一个参照系：真实世界证据的竞争，正在从"谁有数据"转向"谁能把非结构化数据算明白"。对中国医疗数据行业来说，这既是方法论的白皮书，也是需求侧的一声发令枪。
千方医数集编辑部 出品
