综述｜大语言模型在围术期的应用进展

大语言模型在围术期的应用进展

樊迪 童建华 纪木火

南京医科大学第二附属医院麻醉科

通信作者：纪木火

Email: jimuhuo2009@sina.com

基金项目：国家自然科学基金面上项目（82372182）

【摘要】 随着人工智能（AI）技术的迅猛发展，大语言模型（LLMs）在医学领域的应用逐渐受到重视。围术期管理作为临床医学的重要环节，涵盖术前评估、术中监控及术后恢复等多个方面。围术期的有效管理对于降低手术风险和改善患者预后至关重要。尽管传统的围术期管理模式已取得一定成效，然而围术期管理中面临着数据处理效率低、个性化治疗不足、患者沟通不畅和预后评估不准确等问题。近年来，LLMs凭借其强大的自然语言处理能力和数据分析能力，逐渐被应用于术前评估、术中监测、术后护理和医患沟通等方面。本综述旨在探讨LLMs在围术期的应用进展，通过分析最新研究成果，探讨其在提高诊疗效率、改善医患互动以及优化个性化医疗中的潜在优势，同时也指出了在数据隐私、临床应用可靠性和伦理问题等方面面临的挑战。通过对相关文献的分析，评估LLMs在提升围术期管理效率和质量方面的实际应用效果，并展望未来LLMs在围术期管理中的应用前景，以更好地服务于患者。

【关键词】人工智能；大语言模型；围术期；临床决策支持；医疗应用；患者管理

围术期管理是围绕手术全过程的医疗干预体系，旨在通过多学科协作实现患者安全与康复最优化。医务人员在这一过程中面临患者个体差异、术前评估复杂性和术后并发症管理等挑战。传统的围术期管理主要依赖医师的经验和临床判断，但人工智能（artificial intelligence， AI），尤其是大语言模型（large language models， LLMs）的引入为其带来了变革。LLMs不仅为临床决策提供支持，还能在风险分层和术后预测中发挥作用，如通过手术描述和电子健康记录（electronic health record， EHR）预测麻醉风险和住院时间［1］。此外，LLMs在优化医疗文书自动化和提高合规性方面的潜力也逐渐显现［2］。LLMs作为自然语言处理（natural language processing， NLP）的重要组成部分，能够理解和生成自然语言，具备强大的信息处理和生成能力，为临床提供实时支持，识别潜在风险并提供建议，改善围术期管理。LLMs可生成与指南一致的围术期神经认知障碍管理建议，风险预测的准确性和可靠性显著提高［3］。国内以DeepSeek V3/R1为代表的LLMs也取得了显著进展，并在医学领域展现出巨大潜力。然而，LLMs应用中仍面临准确性验证和数据隐私问题［4］。本综述通过对相关文献的分析，评估LLMs在提升围术期管理效率和质量方面的实际应用效果，并展望未来LLMs在围术期管理中的应用前景。

LLMs的基本原理

基于NLP技术LLMs是NLP在深度学习时代演进出的“进化版本”，旨在让计算机理解和生成自然语言文本。其核心技术基础是深度学习，这是一种模仿人脑神经网络结构的机器学习方法，它通过构建多层的“人工神经网络”来处理信息，分析大量文本数据进行训练，生成流畅且符合逻辑的文本。就像人类通过阅读大量书籍学习语言规则一样，LLMs通过“阅读”海量的网页、书籍、文章等文本数据来学习语言的规律、语法、词汇含义和上下文关系。代表性的LLMs，如ChatGPT、BERT、DeepSeek等，这些模型的训练通常依赖海量文本数据，具备强大的语言理解和生成能力，表现出更高的准确性和灵活性，适用于文本生成、翻译、问答和情感分析等任务［5］。在临床医学领域，NLP的应用不断扩展。基于NLP技术可以自动生成临床记录、病历摘要以及进行医学文献分析，极大地提高了医疗工作效率［6-7］。此外，NLP还被用于患者与医师的互动，例如通过聊天机器人解答患者的健康问题，提升医疗服务的可及性和质量［8］。

模型训练与数据集LLMs的训练过程分为预训练和微调。预训练阶段就像让模型进行广泛的“通识教育”或“大量阅读”。模型通过无监督学习的方式，在新闻、社交媒体和学术论文等大规模文本数据集上进行训练［9］。“无监督学习”意味着训练时并不直接告诉模型每个词或句子具体的“正确答案”是什么，而是让模型自己从海量数据中发现、总结语言的统计规律、结构模式、词语搭配和世界知识。这个阶段让模型具备理解和生成流畅语言的基本能力。微调阶段就相当于在通识教育基础上进行的“专业培训”或“技能精修”。这一阶段采用监督学习的方式，“监督学习”意味着我们会给模型提供明确“标签”或“正确答案”的特定任务数据集，并指导模型如何根据输入给出符合要求的输出。对于医学应用，我们会使用结构化的临床病历、医学教科书、经过标注的医学文献以及医疗对话记录等特定数据集对预训练好的模型进行额外的训练［10］。通过微调，模型能够调整其内部参数，显著提升其在术前评估、病历摘要生成、回答患者咨询等特定医学场景下的准确性和可靠性。这种分阶段训练方法是当前大模型成功的关键，使得同一个基础模型能够高效地适应多种任务和领域需求。

语言生成与理解能力LLMs的核心能力在于语言生成与语言理解的双重特性。LLMs能够基于给定的上下文或提示，生成连贯、语法正确且具有上下文语义的新文本内容。这适用于文本创作、对话系统和自动摘要等任务。例如，ChatGPT-4能生成高质量的医学报告和患者信息材料［11］。这种生成不是简单的复制粘贴，而是基于学到的语言模式和知识进行创造性的组合与表述。此外，LLMs能深入分析和理解输入文本的含义，识别其中的关键信息、意图、情感和逻辑关系，能够有效地进行回答、信息提取等任务［8，12］。在医疗场景中，这种理解能力帮助医师快速获取患者信息、识别潜在的症状关联，甚至提供初步的诊断或治疗建议参考，这种双重能力结合使得LLMs在复杂语言任务中展现出接近人类的理解和生成能力，推动了医疗领域智能化发展。

LLMs在围术期各阶段的应用

术前评估术前评估是围术期管理中至关重要的一环，LLMs能够通过分析患者病历包括病史、既往手术史、合并症情况、体格检查、实验室结果、影像学报告以及拟行手术信息，提供自动化、智能化的术前风险评估与优化建议。

（1）临床决策支持与风险评估预测。患者风险评估的关键在于识别和量化手术风险，风险评估工具的开发是手术前评估的重要组成部分。LLMs通过NLP技术整合EHR数据，提高了风险评估的准确性和效率。Gabriel等［12］提出，LLMs可通过分析EHR优化患者风险评估，有效预测手术后并发症风险，其优势在于实时更新患者健康状况［13］。Chung等［1］研究评估ChatGPT-4 Turbo在预测围术期关键指标方面的能力，采用思维链提示策略，发现LLMs预测ASA-PS分级的F1分数提升0.4～0.8，预测住院风险的F1分数提升0.3～0.4，其准确性显著优于如改良心脏风险指数等传统风险评估工具。这表明LLMs能更有效地整合分散在病历中的复杂信息进行精准风险分层。后续Sandmann等［14］研究进一步验证了DeepSeek V3/R1在临床决策中的表现，其在125个患者病例中的诊断准确率与ChatGPT-4相当，甚至在部分罕见病诊断中表现更优。此外，研究显示其在筛选手术适应证方面表现出色，LLMs可从放射学报告中提取信息，预测患者适合全髋关节或全膝关节置换手术［15］。这些成果表明，LLMs在术前风险评估中具有广泛应用潜力，帮助医师识别高风险患者，优化临床决策支持。

（2）临床信息整合。通过整合病史、体检报告、实验室检查和影像学资料，医师能够更全面了解患者健康状况，制定个性化治疗方案［16］。LLMs在自动化病史评估中展现巨大潜力，能够提取EHR中的关键信息，自动生成病史摘要，提高信息收集效率，减少人为错误。Farrow等［15］利用NLP技术分析患者的放射学报告筛选手术适应证，LLMs预测结果与骨科专家评估的一致性（Kappa值）达到0.85，显著高于传统基于结构化数据的筛选工具（Kappa值=0.68），减少了人工审阅影像报告的时间。一项多中心研究［17］评估ChatGPT等LLMs对阑尾切除术、疝修补术等常见手术术前术后问题的回答质量，结果显示，LLMs提供的回答在信息准确性（平均得分4.2/5）和通俗易懂性（平均得分4.5/5）方面均表现良好，尤其对于术后护理问题的回答更优，为自动化、个性化的患者教育提供了工具基础。

（3）个体化治疗方案设计。个体化治疗方案设计是术前评估的目标，通过分析病历和实验室结果，为患者生成定制的医疗方案。Wang等［18］研究直接比较了不同LLMs在生成符合加速康复外科理念的围术期建议方面的能力，ChatGPT表现优于iFlytek Spark，特别是在围术期建议和医疗理由方面。此外，Abdel Malek等［19］研究评估ChatGPT-4.0生成术前麻醉计划的能力，研究邀请资深麻醉科医师对LLMs生成的计划进行盲评，结果显示在70%的案例中，生成的计划被专家评为“临床可接受”或“良好”，尤其在常规手术中表现优异，这为快速生成个性化麻醉和术后管理方案提供了可能，提升了决策效率。随着精准医学的发展，基因组学和蛋白质组学等新技术的应用，医师能够更深入理解患者疾病特征，设计更有效治疗方案［20］。未来LLMs在个性化医疗方案生成中的应用将更加广泛，为患者提供更为精准和有效的医疗服务。

术中辅助决策与管理LLMs通过自然语言处理技术，实时分析监测数据，提供精准反馈，并能整合多种数据源如心电图、血压监测和血氧饱和度等，生成综合报告，帮助医师更全面地评估患者的生理状态，做出更快的决策［19-21］。Kiarad等［22］研究探索在心脏手术中利用动脉压、中心静脉压等常规监测数据实时生成右心室压力-体积环（PV Loop）的方法，结果显示，该技术生成的PV环参数与经食道超声心动图评估的右心室功能指标存在显著相关性，为LLMs未来参与术中复杂心功能的实时解读提供了新方向。Jeong等［23］研究开发了基于深度学习的术中低血压预测模型，可在低血压事件发生前平均5.2 min发出预警，使麻醉科医师有更充裕的干预时间，从而将严重低血压事件的发生率降低了约17%。LLMs的应用提高了数据处理效率，降低了人为错误风险，能够识别潜在异常，如低血容量或心律失常，并及时发出警报，显著改善患者术后恢复质量，降低并发症发生率。

术后恢复与随访管理（1）术后监测与并发症的早期识别。首先，LLMs通过分析EHR可预测术后30 d内死亡、深静脉血栓形成、急性肾损伤等术后并发症的发生风险，其性能优于传统模型（AUROC提升38.3%），提升早期识别高风险患者的能力［24］。其次，基于EHR数据开发的AI预警模型［18］在识别手术部位感染方面展现出优势，该模型通过分析术后3 d内病程记录中关于伤口的描述文本，如“红肿”“渗液”“压痛”等关键词组合并结合体温曲线趋势，其识别手术部位感染的敏感性达到92%，显著高于仅依赖体温监测和常规医师查房（敏感性约0.70～0.75），有助于更早启动针对性抗感染治疗。再次，LLMs还可通过分析患者语言模式，识别潜在的心理健康问题如焦虑和抑郁，Deng等［25］研究结果显示，LLMs能够有效识别患者文字描述中透露的焦虑和抑郁情绪线索，如“睡不着觉”“对恢复没信心”“害怕复发”等表述，识别情绪困扰的准确率超过80%，为早期心理干预提供了重要线索。最后，LLMs还可利用生物标志物趋势预测并发症，Kartik等［26］研究表明，术后早期C反应蛋白（C-reactive protein， CRP）水平的变化对预测大型腹部手术后并发症具有高价值（AUC=0.89）。LLMs可自动化分析连续的CRP等炎性标志物趋势，结合EHR中伤口观察记录描述进行更精准的早期预警。总之，LLMs不仅提高了术后并发症的识别率，还促进了临床决策的及时性和有效性，改善了患者管理效果［27］。

（2）患者教育与术后随访。通过与患者互动，LLMs提供个性化健康教育，帮助他们理解术后康复注意事项和自我管理技巧。Rothausen等［28］研究表明，使用LLMs驱动的对话机器人提供个性化的术后自我管理教育如造口护理、糖尿病管理等，能显著提高患者的知晓准确率和自我管理能力。LLMs还通过与患者互动进行患者术后长期随访，实时反馈和情感支持，提供健康管理建议，帮助患者应对术后心理问题，提升康复体验。

不同模型在围术期场景差异

鉴于LLMs技术快速发展且模型特性差异显著，了解不同模型在围术期场景的表现差异对临床应用选择至关重要（表1）。

LLMs在围术期应用的挑战和未来展望

数据隐私与伦理问题LLMs在围术期医疗领域的应用面临着数据隐私和伦理规范的双重挑战。随着医疗数据的数字化进程加速，患者的诊疗记录、手术方案和术后护理等敏感信息在LLMs处理过程中存在泄露风险，这要求必须严格遵循《健康保险便携与责任法案》等数据保护法规，并采用差分隐私、同态加密等先进技术确保数据安全［29］。数据隐私保护、算法偏见消除和透明度提升是当前亟待解决的三大核心问题［29］，其中训练数据集的潜在偏见可能影响临床决策的公正性，而缺乏完善的知情同意机制则会损害医患信任。缺乏透明度和患者参与可能导致信任缺失，从而影响患者对医疗服务的接受度［30］。因此，建立健全的伦理框架和数据治理机制是确保LLMs在围术期应用中符合伦理标准的重要步骤。应对医疗AI在伦理和隐私方面的挑战，可以从数据治理、算法问责以及临床应用规范三个维度构建完善的治理框架，确保其安全、可靠、符合伦理的应用于围术期管理，最终造福患者和医疗系统。

模型准确性与适用性LLMs在处理医疗数据方面展现了良好的性能，但其准确性和适用性仍是关键问题。不同模型在特定任务上的表现差异显著，尤其在处理复杂医学术语和临床数据时，训练数据的质量和数量影响模型表现［31］。因此，提高模型的准确性和适用性成为研究热点。研究者们正在探索多模态学习和集成学习等新方法，以结合不同数据源，提升模型性能［32］。此外，开发透明算法和评估标准以提高模型可解释性，也是未来研究的重要方向。尤其对于决策支持类应用（如麻醉方案生成），需强调在缺乏随机对照试验验证前，LLMs应定位为辅助工具而非替代临床判断。

AI与医疗人员的协同发展AI与医疗人员的协同发展是实现围术期医疗智能化的重要方向。AI技术的引入并不意味着取代医疗人员，而是成为团队不可或缺的一部分。AI通过实时数据分析和决策支持，能帮助医疗人员更好地进行临床判断，提高患者治疗效果［33］。然而，医疗人员在使用AI时面临技能更新和适应新技术的挑战。医疗教育需加强AI培训，确保医疗人员能熟练掌握这些工具并有效应用［34］。医疗机构应鼓励跨学科合作，促进技术开发者与医疗专业人员的沟通，以确保AI系统设计满足临床需求［35］。未来，随着AI技术的发展，医疗人员的角色将更加多元化，他们需具备临床知识和技术素养，以便在AI辅助环境中发挥更大作用。通过建立协同机制，AI与医疗人员结合将提升围术期医疗的整体效率和质量，改善患者健康结果。

小 结

LLMs在围术期管理中展示了巨大潜力，提升了医疗效率及沟通。但也面临多维挑战，如医疗数据隐私保护、临床决策的可解释性、应用效果的临床验证、合理应用的监管政策等。理想状态下，LLMs应作为医疗人员的得力助手，与医疗团队紧密协作，共同提升围术期管理水平。

参考文献略。

DOI:10.12089/jca.2026.08.013