指南与共识消化、代谢与肾脏急症重症综合管理与镇静镇痛

大语言模型经验性抗生素推荐与临床医生处方的比较:一项非干预性配对回顾性抗菌药物管理分析

Large Language Model Recommendations for Empiric Antibiotics Versus Clinician Prescribing: A Non-Interventional Paired Retrospective Antimicrobial Stewardship Analysis.
指南 / 共识 · Antibiotics (Basel) · 2026-04-02
一句话结论在493例入院配对评估中,大语言模型经验性方案违反预设抗菌药物管理护栏的比例为4.9%,低于临床医生的17.0%,但作者强调这不代表临床优效性或安全性。

该单中心回顾性配对评估纳入布加勒斯特临床急救医院内科2020–2024年493例入院,比较临床医生首个24小时经验性抗生素方案与事后通过OpenAI API生成、未向临床医生展示且不影响治疗的大语言模型推荐。主要预设终点为任何语境护栏违规(无正当理由使用碳青霉烯类、抗铜绿假单胞菌或抗MRSA药物),发生率为临床医生组17.0% vs 大语言模型组4.9%(配对RD −12.2%;匹配OR 0.216,95%CI 0.127–0.367;McNemar精确p=1.60×10⁻¹⁰)。作者结论认为大语言模型方案与预设管理基准框架的一致性更高,但明确这不是临床优效性、患者安全或因果有效性的证据,仅属规则化抗菌药物管理构建下的流程层面基准测试。

要点

  • 在493例配对入院中,任何语境护栏违规发生于临床医生方案的17.0% vs 大语言模型方案的4.9%(配对RD −12.2%;匹配OR 0.216,95%CI 0.127–0.367;McNemar精确p=1.60×10⁻¹⁰)。
  • 关键次要终点语境护栏罚分差(大语言模型−临床医生)中位数为0(IQR 0–0),398/493例为0;非0例中改善79例 vs 不良偏移16例(符号检验p=3.47×10⁻¹¹)。
  • 广谱药物类别暴露(首个24小时内至少使用一种碳青霉烯类、抗铜绿假单胞菌药物或抗MRSA药物)为临床医生组58.6% vs 大语言模型组39.6%。
  • 在158例微生物学可评估配对子集中,针对指示病原体的经验性有效覆盖匹配OR为2.24(95%CI 1.08–4.63;McNemar精确p=0.0351),作者强调该子集分析不估计因果有效性。
  • 大语言模型在5/493例入院中推荐不使用抗生素(NO_ANTIBIOTIC),这5例均未触发预设的重症或MDR风险触发模式,但作者指出这不能解释为不给予经验性治疗在临床上安全。

适用人群与场景

  • 布加勒斯特临床急救医院内科2020–2024年入院、疑似感染且首个24小时内使用全身性抗生素的成年患者;最终分析493例配对入院。
  • 队列中位年龄72岁(IQR 64–82),女性250/493(50.7%),社区起病感染459/493(93.1%),社区获得性肺炎为最常见指示综合征(311/493,63.1%)。
  • 预设72小时继续治疗子集323例;微生物学可评估配对子集158例(335/493不符合微生物学评估条件)。
  • 研究为事后离线评估,大语言模型推荐未向临床医生展示、不影响患者治疗。

诊断标准与关键阈值

  • 主要预设终点:任何语境护栏违规,即在无预设结构化重症或MDR风险规则依据下使用碳青霉烯类、抗铜绿假单胞菌广谱β-内酰胺类或抗MRSA药物。
  • 重症代理指标(SEVERE):首个24小时内ICU入住或转入、脓毒症休克记录、血管活性药物使用、机械通气或呼吸衰竭记录。
  • MDR风险代理指标(MDR_RISK):既往产ESBL/耐碳青霉烯肠杆菌/耐万古霉素肠球菌、既往90天内全身性抗生素暴露、既往90天内住院、长期护理机构居住或医疗保健相关获得环境。
  • 抗MRSA正当性:记录有既往MRSA定植。

处置流程与药物剂量

  • 研究未评估或推荐具体药物剂量方案;临床医生方案取自首个24小时经验性医嘱的 pharmacy 配药申请记录。
  • 大语言模型推荐通过OpenAI API的Responses端点生成(执行时API返回模型标识:gpt-5.2),温度=0.0,max_output_tokens=800,最多重试3次,请求设置store=false,其余参数为API默认值。
  • 作者提出的后续路径:若前瞻性影子模式表现可接受,下一步为人机协同的抗菌药物管理部署而非自主决策,模型作为第二意见提供经验性选项及明确理由和护栏警告,最终决定权仍在临床医生和/或抗菌药物管理团队。

红旗征与不能漏的情况

  • 大语言模型在5/493例中推荐不使用抗生素,这些病例未触发结构化重症或MDR风险触发逻辑,但作者强调该结果不能解释为不给予经验性治疗在临床上安全。

研究设计与关键结果

  • 研究类型:单中心回顾性事后配对评估;样本量493例配对入院;人群为内科疑似感染入院患者;干预为大语言模型事后离线经验性抗生素推荐,对照为临床医生实际处方;主要终点任何语境护栏违规发生率17.0% vs 4.9%(配对RD −12.2%;匹配OR 0.216,95%CI 0.127–0.367;McNemar精确p=1.60×10⁻¹⁰)。
  • 关键次要终点语境护栏罚分差(大语言模型−临床医生)中位数0(IQR 0–0),均值−0.219(SD 0.789);大语言模型组更低79例、更高16例、持平398例(非持平95例;Wilcoxon符号秩p=9.48×10⁻¹¹;符号检验p=3.47×10⁻¹¹)。
  • 碳青霉烯类语境违规:仅临床医生组36对 vs 仅大语言模型组6对(匹配OR 0.178,95%CI 0.077–0.410;McNemar精确p=2.83×10⁻⁶);抗铜绿假单胞菌违规:30对 vs 1对(匹配OR 0.049,95%CI 0.010–0.253;p=2.98×10⁻⁸);抗MRSA违规:32对 vs 13对(匹配OR 0.415,95%CI 0.220–0.784;p=6.61×10⁻³)。
  • 广谱药物类别暴露(首个24小时内至少一种碳青霉烯类、抗铜绿假单胞菌药物或抗MRSA药物):临床医生组58.6% vs 大语言模型组39.6%。
  • 首个24小时经验性抗生素总费用:临床医生组4689.02欧元 vs 大语言模型组2591.83欧元;每例费用差中位数−1.43欧元(IQR −9.80至0.57欧元;配对Wilcoxon p=2.80×10⁻¹³;符号检验p=6.41×10⁻⁷;N=493);72小时继续治疗子集(N=323)费用差中位数−9.68欧元(IQR −23.92至1.70欧元;配对Wilcoxon p=2.34×10⁻¹⁰)。
  • 微生物学可评估配对子集(N=158):针对指示病原体经验性有效覆盖匹配OR 2.24(95%CI 1.08–4.63;McNemar精确p=0.0351);方案一致性:57/493(11.6%)抗生素组合完全相同,137/493(27.8%)主要药物相同,148/493(30.0%)有任何抗生素重叠,345/493(70.0%)无重叠。

证据类型、等级与局限

  • 证据类型:单中心回顾性事后配对评估(非干预性影子模式),报告遵循STROBE观察性研究框架。
  • 局限:作为观察性事后分析,不能确立患者结局的临床有效性或安全性,也不支持关于若实施大语言模型推荐会发生什么的因果主张;临床医生方案反映真实实践,而大语言模型方案是离线生成的反事实对照,因此差异量化的是与预设管理护栏的流程一致性,而非对发病率或死亡率的影响。
  • 局限:大语言模型推荐在事后生成、未向临床医生展示且不影响临床管理。
  • 局限:微生物学子集分析中,培养获取和阳性为基线后过程,可能与严重程度/病程相关,因此该子集分析不估计因果有效性。
  • 局限:探索性完整病例模型(N=493)因回顾性观察设计、部分协变量水平可能稀疏及探索性意图,仅在补充材料中呈现并需谨慎解读。
  • 局限:未前瞻性记录正式的评价者间信度练习;抽象决策由资深临床医生非正式监督并通过分析流程中的规则化一致性检查补充。
  • 局限:成本数据仅反映药物采购成本,不包括给药、监测和下游后果。
  • 局限:作者结论指出需要前瞻性影子模式验证及人机协同管理试验以评估流程信号是否转化为患者获益或伤害。

对床旁实践的改变

  • 作者认为,可重复的基于护栏的基准测试可作为早期实施前步骤,在具有治理保障的前瞻性评估之前识别一致性和潜在失效模式。
  • 作者指出,本研究发现不应被解释为临床优效性、患者安全或因果有效性的证据,而是规则化抗菌药物管理构建下的流程层面基准测试。
  • 作者建议,若影子模式表现可接受,后续步骤为人机协同的抗菌药物管理部署而非自主决策,模型作为第二意见提供经验性选项及明确理由和护栏警告,最终决定权仍在临床医生和/或抗菌药物管理团队。
  • 作者认为,大语言模型16例向相反方向偏移的入院在临床上仍然重要,这正是良好的基准信号不能等同于自主性、安全性或临床优效性的原因。

指南或共识出处

  • 本研究全文发表于 Antibiotics (Basel),标题为「Large Language Model Recommendations for Empiric Antibiotics Versus Clinician Prescribing: A Non-Interventional Paired Retrospective Antimicrobial Stewardship Analysis」。
全文中译30 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Antibiotics (Basel). 2026 Apr 2;15(4):368. doi: 10.3390/antibiotics15040368

1. 引言

抗微生物药物耐药性(AMR)仍是最紧迫的全球公共卫生威胁之一:据估计,2019年细菌性AMR直接导致约127万人死亡,同年全球范围内与AMR相关的死亡约495万人[1]。展望未来,英国政府委托的研究预测,在无有效行动的最坏情景下,到2050年每年死亡人数可达1000万[2];而更新的全球预测工作估计,2050年归因于AMR的死亡约为191万(相关死亡为822万),凸显出持续存在且由人口老龄化驱动的疾病负担轨迹[3]。这一不断升级的危机是抗微生物药物管理项目的核心依据,此类项目旨在优化抗微生物药物的使用,尤其是通过限制不必要的广谱经验性暴露,同时在怀疑严重感染时保留及时、恰当的覆盖。抗微生物药物耐药性也可被理解为对抗生素选择压力的一种进化反应,即微生物通过遗传变异和水平基因转移进行适应,从而在抗微生物药物暴露下存活,因此在抗微生物药物压力下的适应性生存中面临信息挑战[4,5]。与此同时,现代住院诊疗面临一项互补但尚未解决的信息挑战:将快速扩展且异质的临床数据,如患者病史、合并症、严重程度指标、既往抗生素暴露和当地流行病学,整合到床旁及时且精准的经验性抗微生物药物决策中[6,7]。在这一框架下,大语言模型(LLM)和其他人工智能(AI)赋能的决策支持方法可被视为改善临床信息综合和决策一致性的尝试,同时也引入了已被充分认识的安全风险,例如幻觉性或无支持的推荐意见,这要求在任一临床部署之前进行严格的离线评估[8,9]。在本研究中,LLM推荐意见是在事后(离线)生成的,未向临床医生显示,且对患者诊疗没有影响。此类工具能否支持更具情境敏感性的经验性决策仍是一个开放问题,需要在考虑任何临床部署之前进行结构化的离线评估[10,11,12]。

由于经验性处方决策往往在不确定性下作出(就诊时微生物学数据不完整、患者病程多变以及当地耐药谱不断演变),管理评估受益于聚焦于一小部分“高杠杆”选择,这些选择对生态影响和下游耐药选择具有不成比例的影响。在常规急性照护实践中,三项此类决策是纳入(I)碳青霉烯类、(II)抗假单胞菌广谱β-内酰胺类以及(III)抗MRSA(耐甲氧西林金黄色葡萄球菌)药物。这些经验性类别中的许多药物属于更高管理优先级的组别(例如,世界卫生组织AWaRe“可及/慎用/备用”分类),并且一贯被抗菌药物管理项目作为目标,用于适应证审查、风险分层启动以及在缺乏结构化危险因素时早期降阶梯[13,14,15]。尤其是碳青霉烯类,是旨在减少碳青霉烯耐药选择压力的碳青霉烯节约策略的核心[16]。抗MRSA治疗是住院患者中另一种常见的经验性附加用药,但多种管理方法(包括快速诊断支持的路径)强调在MRSA风险低时停药,以尽量减少不必要的暴露和不良反应,尽管鼻拭子阳性可能反映定植而非活动性感染,其阴性预测值支持在低风险患者中降阶梯[17]。最后,抗假单胞菌治疗被广泛认为是广谱压力的主要驱动因素;管理指南反复强调将此类覆盖保留给具有令人信服的严重程度或MDR风险信号的患者,并在早期临床和微生物学数据积累后重新审视经验性广度[13,18,19]。因此,在本研究中,我们将这些高影响管理选择作为情境性护栏加以操作化,即预先指定的“安全栏杆”,仅当存在客观、结构化的严重程度和MDR/MRSA风险指标时,才将广谱要素标记为合理。

经验性抗生素选择并非仅由综合征驱动,还取决于当地耐药生态;因此,机构特异性药敏谱及其面向综合征的扩展被常规用于操作化“此地此时可能有效者”[20]。特别是,加权发病率综合征组合药敏谱(WISCA)通过整合综合征特异性病原体发病率与药敏数据来扩展传统药敏谱,以估计候选经验性方案(包括联合方案)的预期覆盖范围,并已被提出作为经验性治疗的务实决策辅助工具[21,22,23]。

尽管对LLMs用于临床决策支持的兴趣日益增长,但早期临床AI的评估框架强调在任何真实世界部署之前进行透明报告、安全性评估和非干预性研究设计[24,25]。这在抗菌药物管理中尤为突出,因为输出可能在临床上看似合理,但在特定情境下不安全或无正当依据,且经验性广谱升级决策在不确定性下具有高影响和异质性[8,9,12]。

LLM 输出可能对提示上下文敏感,并可能表现出非确定性以及自信陈述但缺乏支持的内容(“幻觉”),这在高风险处方决策中引发了可重复性和安全性担忧 [8,9,26]。针对基于 LLM 的临床研究的报告指南进一步强调,需要可重复的流程、明确界定评估设置,并明确区分模型开发与结局评估 [24,25]。

因此,我们开展了一项单中心、回顾性离线配对评估,在入院后 24 小时内比较临床医生处方的经验性抗生素方案与事后 LLM 推荐方案,使用预先指定的结构化背景管理终点。本地实验室来源的流行病学作为静态信息对等组成部分纳入, acknowledging 临床医生通过日常实践获得隐性的机构生态学知识,而通用型 LLM 则不具备。

我们的目标不是检验患者结局中的临床有效性或安全性,而是评估 LLM 生成的经验性推荐是否比临床医生启动的方案在相同入院中与预先指定的管理基准框架表现出更高一致性。由于未来任何 LLM 指导的经验性处方临床部署都需要更强得多的证据,我们将本研究定位为早期实施前基准评估步骤:一个非干预性影子模式阶段,旨在评估管理一致性、揭示潜在失败模式,并为是否有理由开展前瞻性、安全性治理的评估提供信息。

因此,主要(预先指定)结局是任何背景护栏违规(配对二分类),关键次要(预先指定)结局是背景护栏惩罚的配对差异(LLM − Clin)。所有其他分析均被视为次要、补充性或探索性,并在明确考虑多重性和选择偏倚的情况下进行解释,不对以患者为中心的临床获益作出推断。

2. 结果

2.1. 队列流程

在布加勒斯特临床急诊医院(2020–2024)的 14,879 例内科入院中,使用疑似感染入院诊断过滤器识别出 6734 例。为确保人工病历抽象的可行性,同时保持平衡的时间覆盖,我们预先指定每年 100 例合格入院的目标样本(总 N = 500)作为务实的设计选择。共有 841 例候选入院接受了人工病历审查;在此过程中,预先指定的排除标准在记录层面被操作化(例如,非感染性入院、24 小时内无全身抗生素、用药记录缺失),决策计数汇总于补充表 S1。其中,500 例入院(每年 100 例)符合资格并被纳入详细数据抽象。在应用预先指定的去重规则(每例患者首次合格入院)后,移除了 7 例入院,最终分析队列为 493 例配对入院。其余 341 例筛查入院因预先指定的原因未纳入(非感染性入院 N = 45;24 小时内无全身抗生素 N = 262;用药记录缺失 N = 34)。见图 1。

基线队列特征汇总于表1。中位年龄为72岁(IQR 64–82),250/493(50.7%)为女性,中位住院时间为9天(IQR 5–15)。社区获得性感染占主导(459/493,93.1%),社区获得性肺炎是最常见的索引综合征(311/493,63.1%)。总体而言,表1显示配对队列以老年人为主、以社区获得性感染为主、以肺炎为主,具有显著的早期严重程度负担和相对有限的结构化MDR风险暴露。终点映射质量控制未在分析队列中识别出未映射的抗菌药物。

最终配对分析队列包括493例入院,贡献了前24小时内匹配的临床医师和LLM经验性方案。预定义的72小时继续治疗子集包括323例入院,微生物学可评估的配对子集包括158例入院(表2)。

2.2. 主要终点

在配对队列(N = 493)中,主要预设终点:任何情境性护栏违规,在临床医师方案中发生率为17.0%,而LLM推荐方案为4.9%(定义、抗生素映射和权重见补充表S3)。不一致配对有利于LLM组(Clin = 1/LLM = 0:76 vs. Clin = 0/LLM = 1:16;2 × 2:n00 = 393,n01 = 16,n10 = 76,n11 = 8),对应于匹配OR 0.216(95% CI 0.127–0.367)和精确McNemar p = 1.60 × 10−10(表2,面板A,图2)。这些分析为事后/离线进行;LLM推荐对临床医师不可见,未影响诊疗。

2.3. 关键次要终点

对于关键次要预设终点,配对Δ情境性护栏惩罚(LLM − Clin)的中位数为0(IQR 0–0),均值−0.219(SD 0.789)。LLM组惩罚较低者79例入院,较高者16例,持平者398例(非持平:95)。配对分布与零的差异Wilcoxon符号秩检验p = 9.48 × 10−11,符号检验p = 3.47 × 10−11(表2,面板B,图3)。

2.4. 次要终点(多重性注意事项)

这些次要分析预设为支持性而非确证性:它们有助于三角验证主要管理信号在相关过程指标上是否方向一致,但由于检查了多个终点,不应将其解释为与主要和关键次要结局具有相同的推断权重。

2.4.1. 情境性护栏组成部分

在次要组成部分分析中(配对;多重性注意事项),不一致模式总体有利于LLM组较少的情境性违规。碳青霉烯类情境性违规有36对仅临床医师 vs. 6对仅LLM不一致配对(匹配OR 0.178,95% CI 0.077–0.410;精确McNemar p = 2.83 × 10−6)。抗假单胞菌情境性违规有30对仅临床医师 vs. 1对仅LLM不一致配对(匹配OR 0.049,95% CI 0.010–0.253;精确McNemar p = 2.98 × 10−8)。抗MRSA情境性违规有32对仅临床医师 vs. 13对仅LLM不一致配对(匹配OR 0.415,95% CI 0.220–0.784;精确McNemar p = 6.61 × 10−3)(表2,面板C;图4)。

与这些组分层面的发现一致,总体广谱类别暴露(定义为最初24小时内使用至少一种碳青霉烯类、抗假单胞菌药物或抗MRSA药物)在LLM组中较低。在配对队列(N = 493)中,临床医生方案中任何广谱类别暴露的发生率为58.6%,而LLM方案为39.6%,支持以下解释:在此预设的基于规则的基准框架下,LLM建议在早期经验性管理中较不可能触发广谱抗菌药物管理警戒规则(表2,Panel C)。

2.4.2. 费用(次要)

在队列汇总层面,LLM组最初24小时的总经验性抗生素费用较低。将各入院层面的经验性抗生素费用相加,临床医生方案为4689.02 EUR,而LLM方案为2591.83 EUR(EUR,使用研究的固定价格映射和汇率假设)。这些总计作为描述性队列层面背景呈现,应与下文报告的配对分布分析一同解读。更多详情见补充数据文件S2(data_file_s2_costing)。

在入院层面,24小时经验性抗生素费用差值(LLM − 临床医生)的中位数为−1.43 EUR(IQR −9.80 EUR至0.57 EUR)(配对Wilcoxon p = 2.80 × 10−13;N = 493;符号检验 p = 6.41 × 10−7;N = 493)。在预设的72小时继续治疗子集(N = 323)中,72小时费用差值的中位数为−9.68 EUR(IQR −23.92 EUR至1.70 EUR)(配对Wilcoxon p = 2.34 × 10−10)。这些是在研究费用假设下对推荐经验性方案与处方经验性方案进行的流程层面经济学比较,不意味着对临床结局的影响(图5)。

2.4.3. 微生物学可评估子集

在微生物学可评估的配对子集中(N = 158,335/493不符合微生物学评估条件),针对索引病原体的活性覆盖在两臂间存在差异(2 × 2:n00 = 38,n01 = 23,n10 = 10,n11 = 87),匹配OR为2.24(95% CI 1.08–4.63),精确McNemar p = 0.0351。培养获取和阳性属于基線后过程,可能与严重程度/病程轨迹相关;因此,该子集分析不估计因果有效性。由于可评估性取决于培养可获得性和可解释的药敏结果,这些发现应解释为子集层面的流程基准比较,而非队列范围内的有效性(图6)。

2.4.4. 一致性(补充框架)

临床医生与LLM之间的方案一致性有限:57/493(11.6%)作为抗生素组合完全相同,137/493(27.8%)共享相同的主要药物,148/493(30.0%)有任何抗生素重叠,345/493(70.0%)无重叠(见补充表S13)。

2.4.5. 补充质量控制说明(NO_ANTIBIOTIC)

LLM在5/493例入院中推荐了NO_ANTIBIOTIC。均未激活情境性警戒框架中使用的结构化SEVERE或MDR_RISK触发模式。病例层面详情见补充表S4。根据研究定义,所有5例入院均接受了临床医生的经验性抗生素治疗,而LLM建议暂缓抗菌治疗。

2.4.6. 探索性建模(仅补充)

采用探索性完整病例模型(N = 493),使用带有稳健(HC3)标准误的逻辑回归评估非零Δ情境护栏惩罚(LLM − 临床医师 ≠ 0;事件数 = 95)的预测因素。鉴于回顾性观察设计、部分协变量水平可能存在稀疏性以及探索性意图,这些分析仅在补充材料中呈现并谨慎解读(表S5a;模型层面完整病例质量控制见表S6a)。

3. 讨论

3.1. 主要发现

在这项针对493例次住院的单中心回顾性离线/事后配对评估中,LLM生成的经验性方案在最初24小时内产生的情境护栏违规少于临床医师方案(4.9% vs. 17.0%,配对RD −12.2%;匹配OR 0.216;精确McNemar p = 1.60 × 10−10)。该降低在各护栏组分(抗假单胞菌、碳青霉烯类、抗MRSA)方向上一致,并与广谱类药物使用减少(58.6% vs. 39.6%)及24小时经验性抗生素费用的小幅降低同时出现(中位Δ −1.43 EUR,IQR −9.80 EUR至0.57 EUR;bootstrap 95% CI −4.09 EUR至−0.07 EUR),而总体早期暴露量相似(中位Δ DDD/24 h为0,存在大量并列值)。这些模式在方向上与核心抗菌药物管理目标一致,但仍属流程层面的信号,不应被解读为患者结局更优的直接证据[27,28,29]。

从管理角度来看,数据所引发的信号在临床上是合理的:不必要的广谱暴露是可避免危害(尤其是艰难梭菌风险)和耐药菌选择压力的公认驱动因素,而管理干预已在医院环境中与CDI及耐药菌感染/定植的减少相关联[27,29]。广谱“强度”指标也已显示与医院相关CDI风险存在剂量-反应关系,进一步强化了在患者危险因素不要求升级时优先选择谱系感知经验性用药的生物学依据[30]。

3.2. 以抗菌药物管理术语解读

核心解读要点在于,本研究评估的是与预先设定的管理基准框架的一致性,而非LLM推荐相对于临床医师诊疗的临床优效性。在本研究中,主要终点操作化了情境适宜性约束(“本地管理护栏”),即在缺乏记录的高危特征时,经验性方案是否越过预先设定的升级阈值(抗假单胞菌、碳青霉烯类、抗MRSA),从而捕获的是处方质量的近端标志物而非下游结局。因此,LLM组观察到的优势最好被解读为与基准本身的一致性更高,而非临床诊疗更优的证明。这一区分至关重要,因为流程层面的管理一致性虽与管理目标相关,但不能与以患者为中心的有效性或安全性互换。与此框架一致,LLM组显示更少的情境护栏违规(4.9% vs. 17.0%)、更少的不一致升级以及更低的广谱类药物使用(58.6% vs. 39.6%),同时24小时费用小幅降低(中位Δ −1.43 EUR),而总体早期暴露量(DDD/24 h)仍以0为中心——提示主要效应在于谱系选择而非“更少抗生素”本身[15]。

对这一比较进行细致区分至关重要:临床医生组反映的是在诊断不确定性、信息不断演变和当地组织约束下的真实世界经验性处方实践,在这种情况下,临床医生可能会理性地“过度覆盖”,以避免严重细菌感染中不恰当经验性治疗已充分描述的危害。针对严重感染(如肺炎/血流感染/脓毒症)的荟萃分析反复发现,不恰当的初始经验性抗生素与更高的死亡率相关,这为在病原体和药敏数据不可用时采取规避风险的升级治疗提供了合理的临床依据[31,32]。相反,抗菌药物管理框架(包括WHO的AWaRe系统)明确强调尽量减少不必要的Watch/Reserve暴露,以降低耐药选择压力,这为在无明显指征时阻止广谱升级的护栏提供了原则性基础[15]。综上所述,这些终点和发现与研究核心的抗菌药物管理权衡相一致:最大化早期适当覆盖的概率,同时尽量减少可避免的广谱暴露,但它们作为可审计的处方过程基准而非结局试验来体现这一点。

3.3. 为什么LLM在护栏方面可能表现更好?

一个合理的解释是框架依赖性。LLM是针对规则定义的抗菌药物管理构念进行评估的,当高风险特征未在结构化背景中明确呈现时,LLM输出可能优先重现类指南的默认选项。在这些条件下,以标准化入院摘要为提示的模型可能优先选择较窄的经验性方案,除非遇到明确的升级触发因素,从而提高与预设护栏的一致性。这一解释也与抗菌药物临床决策支持系统的既往研究一致,其中最可重复的效应通常观察于过程层面的终点,如处方适当性或减少不必要的广谱暴露,而非硬性临床结局[20,33,34]。

本研究中观察到的模式与该解释一致。对于主要预设终点,观察到的差异主要由不对称的不一致对驱动,“临床医生=1/LLM=0”单元格中的入院数显著多于相反方向(76 vs. 16)。关键次要终点也呈现类似模式,LLM组中较低的背景护栏惩罚比更高惩罚更为常见(非平局对中为79 vs. 16,总体平局为398)。这种不对称性支持以下解释:在此使用的结构化入院背景下,LLM更常默认倾向于较少升级的经验性方案。然而,向相反方向变化的16例入院在临床上仍然重要:这正是为什么有利的基准信号不能等同于自主性、安全性或临床优越性。

另一项需谨慎之处涉及少数入院病例,在这些病例中,LLM在初始经验性决策点建议不进行抗生素治疗。在本数据集中,识别出5例此类NO_ANTIBIOTIC病例,总结于补充表S4。尽管这些病例未满足基准测试框架中使用的结构化早期严重程度或MDR风险触发逻辑,但这不应被解释为停止经验性治疗在临床上安全的证据。相反,这些入院病例说明了本研究设计的一个关键边界:在基于规则的管理基准内获得有利结果,并不能解决早期表现不明确时避免不必要暴露与防止治疗不足之间的床旁权衡。

相比之下,临床医生组反映的是在时间压力、信息不完整和机构约束下的真实世界经验性处方实践,在这种情况下,对治疗不足的感知不利后果可能合理地占据主导地位。在脓毒症相关担忧和升级规范突出的环境中,更广泛的经验性用药可能反映的是不确定性下的预防性措施,而非不良实践[35]。更广泛地说,先前关于抗生素决策的研究描述了不确定性、预期后悔和行动偏倚如何使处方倾向于“以防万一”的治疗,这与为什么更多临床医生方案在常规护理中可能越过广谱 guardrails 在方向上是一致的[36,37]。因此,本研究结果缩小了该主张的范围而非消除其价值:本研究提供了影子模式下管理对齐的可审计基准,而非证明LLM引导的护理若实施后在临床上会更好。

3.4. 微生物学可评估子集:其含义与不含义

在微生物学可评估的配对子集中(N = 158,493例中有335例不符合微生物学评估条件),两组对索引病原体的经验性活性覆盖存在差异(2 × 2:n00 = 38,n01 = 23,n10 = 10,n11 = 87),对应于匹配OR 2.24(95% CI 1.08–4.63),精确McNemar p = 0.0351。这些数据表明,在可获得病原体和可解释药敏结果的入院病例中,LLM生成的方案在经验性窗口内比临床医生方案更常满足体外活性标准。

然而,微生物学“可评估性”并非队列的基线属性;它取决于培养采集、病原体回收和可解释药敏,这些过程发生在护理过程中,并受临床严重程度、诊断策略、既往抗生素暴露和工作流程因素的影响。对此类基线后筛选条件进行推断可诱导选择(碰撞分层)偏倚,这意味着可评估子集内的关联可能不反映队列整体性能,不应被解释为优越有效性的因果证据[38,39]。在此背景下,最可辩护的解释是,微生物学子集提供了子集层面的过程基准测试(即在微生物学可用时进行可审计的“覆盖检查”),最好被视为假设生成性证据,而非所有入院病例经验性有效性的确定性估计。

为提高透明度,我们将微生物学可评估性视为一个选择过程。因此,我们(i)比较了微生物学可评估与不可评估入院之间的基线特征和严重程度替代指标(表S2),以及(ii)将微生物学子集的研究结果解释为处方流程一致性的支持性证据,而非全队列有效性。未来的前瞻性影子模式(离线、非干预性)验证可预先定义基于培养的终点指标,并考虑处理可评估性机制的方法(例如逆概率加权),同时优先关注以患者为中心的结局。

3.5. 经济与暴露终点(成本和DDD)

尽管每例入院24小时经验性抗生素费用差异的中位数不大(LLM组−临床组 −1.43欧元),但队列层面的总计显示了谱选择对预算的潜在影响。在所有493例入院中,24小时抗感染药物采购成本在临床医生组为4689.02欧元,而LLM组为2591.83欧元(绝对差异2097.19欧元,−44.7%),相当于每例入院平均减少4.25欧元。在预设的72小时继续治疗子集(N = 323)中,总计分别为8676.20欧元和4636.98欧元(差异4039.22欧元,−46.6%),相当于该子集中每例入院12.50欧元;按全队列折算,相当于每例入院8.19欧元(N = 493)。这些数字仅反映药品采购成本(不包括给药、监测和下游后果),但其方向与更广泛的卫生经济学文献一致,表明抗菌药物管理干预可减少抗生素支出,并可能避免与广谱暴露相关的昂贵并发症(包括医院相关性艰难梭菌感染)[29,40,41]。

相比之下,DDD/24小时的差异较小(中位Δ为0,大量并列),提示管理信号主要由谱选择驱动,而非总体抗生素使用强度的降低(表S12)。这一解释与WHO的AWaRe框架一致,该框架鼓励将减少不必要的Watch/Reserve暴露作为管理目标,同时在临床需要时维持充分的早期治疗。

3.6. 与既往研究的比较

近期关于人工智能辅助抗生素决策的文献涵盖两个部分独立的传统:(i)嵌入管理项目的基于规则或机器学习驱动的临床决策支持系统(CDSS),以及(ii)生成式LLM评估,后者通常测试叙述性建议与指南或专家评分的一致性。对于CDSS,证据最充分的效果往往体现在流程结局上(改善指南一致性或减少不必要的广谱处方),而一致的患者结局获益证据则参差不齐且高度依赖情境[34]。与此同时,以LLM为中心的研究迅速扩展,但在设计和终点方面仍存在异质性,反复出现的关注点包括标准化、评估偏倚以及“听起来合理”的建议与床旁可用性之间的差距[42]。既往研究将聊天机器人定位为管理的有潜力的辅助工具,同时强调治理、验证和人工监督的必要性,这些关注点正是本研究的影子模式、离线性质所直接解决的[10,11,12]。

大多数关于感染相关决策的LLM实证研究依赖于情景案例或指南问题形式,报告准确性、完整性或安全性评分,而非经过审计的、入院级别的配对比较。例如,LLM已在全科医疗场景中被评估抗生素建议,以及在肺炎相关问题中被评估指南依从性,结论通常表述为“有前景但在无监督下不可靠”[43]。在情景案例之外,一个关键进展是在真实临床记录上进行评估:Williams等人在急诊科文档上测试了LLM对多项临床任务的建议,包括抗生素处方状态,既突出了其能力,也强调了对仔细评估设计的需求[44]。在与抗菌药物管理相邻的工作流程中,近期研究还探索了更为受限的任务(例如,大规模抗菌药物分类,或锚定快速诊断输出的结构化治疗建议),在这些任务中LLM表现可能较强,但仍依赖于本地框架和保障措施[45]。总体而言,这一系列工作支持一种谨慎的解读:LLM可能复现类指南的默认方案,并能协助标准化输出,但它们需要领域约束、质量控制和针对临床有意义过程的评估。

在此背景下,本研究的贡献在于从“情景案例中答案是否正确?”转向“在预设的抗菌药物管理视角下,LLM建议与临床医生针对同一入院所给方案如何比较?”与先前侧重于情景案例准确性或非配对比较的LLM评估相比,本工作增加了一个配对入院级离线模式基准,具有本地定义的护栏和可审计的可复现性工件。配对设计(N = 493次入院)减少了病例组合带来的混杂,而终点定义:情境性护栏违规与惩罚,明确了充分经验性覆盖与避免不必要升级之间的抗菌药物管理权衡。这也直接回应了LLM医疗文献中一个反复出现的批评:“准确性”指标不能与操作安全性互换,评估必须与预期的临床过程和情境相绑定[42]。

两个额外特征进一步区分了本研究实施的方法。第一,研究将决策嵌入本地约束(处方集、本地流行病学先验/护栏),这在通用LLM演示中常常缺失,而这是抗菌药物管理适宜性的主要决定因素。第二,分析异常地具备审计准备度:锁定队列、预设终点、QC检查和可复现工件使审稿人能够质询稳健性而非推断稳健性。这种组合:配对影子模式评估、本地有意义的护栏和可复现性工程,使本研究比许多早期LLM情景案例论文更接近高 tier 场所所期望的方法学标准,同时仍恰当地将证据定位为过程基准而非结局验证[34]。

3.7. 优势

若干方法学优势支持了本工作的可解释性和可重复性。首先,配对的入院层面设计(同一入院中临床医生与LLM方案对比;N = 493)减少了病例组合带来的混杂,并使治疗对比对2020–2024年抽样框架内实践或患者构成的长期变化较不敏感。其次,研究使用了预先设定的、可操作的护栏终点,这些终点反映了核心抗菌药物管理优先事项:在缺乏记录在案的高风险特征时避免不必要的升级至抗假单胞菌、碳青霉烯类和抗MRSA治疗,从而将管理原则转化为可审计的入院层面指标,并使评价与预期的临床流程相一致,而非仅与脱离情境的“准确性”相一致[24,25,42]。第三,分析流程以可审计性为构建目标:锁定队列、结构化输入/输出、可重复脚本、文件哈希/清单以及明确的质控检查(包括最终数据集中完整的终点映射质控)降低了未披露的分析灵活性的风险,并便于独立验证,这在早期临床人工智能评价和LLM报告中尤为重要[24,25]。最后,结论得到互补终点的支持,这些终点从不同角度三角验证同一管理信号:二分类违规率、存在许多并列的序数/惩罚差值、广谱类别使用复合指标及组分、24小时获得成本差值(以及预先设定的72小时继续治疗子集)和DDD/24 h,提供了关于谱选择行为的汇聚性证据,而非依赖单一指标,这与既往以流程为重点的抗菌药物决策支持评价相一致[34]。

3.8. 局限性

第一个解释性局限是框架依赖性。主要终点和关键次要终点是在预先设定的基于规则的管理构念内定义的,当升级触发因素在结构化背景中不明确时,LLM输出可能优先再现类似指南的默认选项。在此类条件下,模型可能部分因为所评价的标准本质上更接近编码化的管理逻辑、而非真实世界床旁决策的全部不确定性,而显得“表现更好”。因此,我们将LLM组观察到的优势解释为与基准框架更高的一致性,而非临床优效性、患者安全性或因果有效性的独立证据。这一局限并未否定本研究的价值,但收窄了主张:本工作最好被理解为可审计的实施前基准测试,而非基于结局的临床更优照护检验。

除这一框架依赖性外,本研究还有其他局限性,在解释研究结果时应予以考虑。作为一项观察性事后分析,它不能确立患者结局方面的临床有效性或安全性,也不支持关于若实施LLM建议将会发生何种情况的因果主张。临床医生方案反映真实实践,而LLM方案是离线生成的反事实对照;因此差异量化的是与预先设定管理护栏的流程一致性,而非对发病率或死亡率的治疗效果[46]。

普遍性受背景和研究规模限制。这是一项来自罗马尼亚一家三级急诊医院的单中心研究,意味着绝对率(例如违规频率、成本差异)可能在很大程度上取决于当地处方集限制、单位价格、处方文化、抗菌药物管理规范和耐药生态学(一种局部推导的流行病学先验)。此外,分析队列来源于感染疑似采样框架,因此不代表所有内科入院患者。样本量由预先规定的病历审查能力和按年份分层抽样计划确定;配对效应估计的精确度已适当地反映在报告的置信区间中。因此,外部有效性不确定;在得出关于更广泛适用性的结论之前,需要进行多中心重复研究和前瞻性影子模式评估。尽管如此,该评估框架:使用透明护栏的配对入院级别基准比较,是可移植的,即使护栏定义和成本输入需要当地重新指定。

回顾性电子健康记录(EHR)数据引入测量误差和记录偏倚。手动摘录由单一研究者完成;虽然经过监督和质量控制检查,残余摘录误差和记录偏倚可能持续存在,并可能影响综合征标签、严重程度替代指标和护栏触发。综合征标签、严重程度替代指标和“风险修饰因素”标志易受错误分类和不完整记录的影响,这可能影响护栏判定。对于定义护栏触发的结构化变量(例如严重脓毒症标准、合并症),电子健康记录中缺乏记录被务实地视为不存在该情况,反映了不确定性下的标准临床处方约束。特别是,仅在高风险特征被记录时才触发升级的护栏可能造成不对称:临床医生可能已根据结构化记录中未捕获的床旁线索或演变中的临床轨迹采取行动,而大语言模型(LLM)必然限于记录的变量,无法复制体格检查、实时重新评估或对治疗的动态反应。这一局限性具有双向性:记录缺口可使临床医生的选择看起来与护栏“不一致”,同时也限制LLM在存在未记录风险时安全升级。

此外,由于某些严重程度/支持标志可能在24小时窗口内初始抗生素启动后被记录,在确切决策时间点的信息对等性无法完全保证。这种潜在的“前视”偏倚可能使估计偏向有利于LLM,并强化了结果量化的是24小时管理框架内基于规则的 concordance,而非因果临床有效性。

多重性和终点层级需要明确界定。尽管主要终点和关键次要终点是预先设定的,但额外的次要终点(各组分、复合终点、成本、DDD、亚组)如果被过度解读,会增加假阳性结果的风险。因此,我们明确说明哪些终点是预先设定的(主要终点+关键次要终点),哪些是支持性/探索性的,并且对于预先设定的配对差值族,我们报告Holm校正的p值并谨慎解读[47]。在实际操作层面,次要终点旨在展示相关管理流程指标在方向上的的一致性,而非作为一组独立的验证性声明。

亚组分析尤其容易受到选择效应的影响。微生物学可评估亚组(N=158;335/493不符合微生物学评估条件)由基线后流程、培养采集、病原体分离和可解读的药敏结果所定义,这些因素与疾病严重程度、诊断检查和既往抗生素使用相关。以可评估性为条件可引入对撞/选择偏倚,因此该亚组内的覆盖率差异应被解读为亚组层面的流程基准和假设生成,而非全队列的有效性[39,48]。

经济学估计是部分性的且依赖于具体环境。成本分析反映的是24小时内(以及预先设定的72小时持续治疗亚组)的药物采购成本(基于本地单价假设),未涵盖给药成本、监测、不良事件、下游并发症或机会成本。任何向机构预算的外推都应以明确假设的情景分析形式呈现,而非作为实际观察到的节省。

最后,由于LLM输出依赖于模型/版本和提示上下文,其性能可能因系统、时间和治理约束而异;任何临床转化都需要在获批方案下进行前瞻性验证、人工监督和安全性监测。

3.9. 意义与下一步

置于转化证据路径中,本研究相当于早期0期实施前基准测试,而非临床有效性检验。其价值在于表明,LLM生成的經驗性方案可以在影子模式下依据明确的管理约束进行审计,而不影响患者照护,从而为是否需要更严格的前瞻性评估提供依据。本研究并非旨在直接改变临床实践;而是为决定是否有理由进行更接近临床的评估提供结构化证据基础。

这些发现支持在治理保障下进行进一步的前瞻性验证,采用以结局为导向的终点和管理监督。一个务实的下一步是前瞻性影子模式试点,其中LLM建议实时生成但对临床医生隐藏,从而能够在不影响照护的情况下对模型稳定性、数据流完整性和安全性信号进行稳健监测。该阶段还可以预先定义并验证操作性终点(例如,护栏一致性、谱类使用、微生物学可用时至适当治疗的时间),并确认在常规工作流程下可靠采集关键协变量的可行性(严重程度替代指标、感染源控制、过敏史、肾功能剂量限制)(图7)。

如果影子模式性能仍可接受,下一步将是人在环中的管理部署,而非自主决策:模型作为第二意见,提出一个或多个经验性方案,并附明确理由和护栏感知警告(例如“无X/Y/Z时不推荐抗MRSA治疗”;“除非存在ESBL风险特征,否则保留碳青霉烯类”),而最终决定权仍归临床医生和/或管理团队。该设计符合已确立的抗菌药物管理原则,并有助于通过结构化约束、审计日志记录以及在建议偏离政策时升级至感染病科或管理审查的路径,来减轻LLM的已知风险(幻觉、过度自信、上下文遗漏)。

本研究仅评估了最初24小时的经验性决策点,未评估降阶梯时机或在早期临床和微生物学数据可用后的抗生素调整;因此,前瞻性评估应将至降阶梯时间作为预先指定的流程终点纳入。

关键的是,前瞻性评估应预先注册,并具有明确的终点层次和分析计划,以尽量减少分析灵活性并支持可信推断。在可行的情况下,阶梯楔形或整群随机设计可比较仅临床医生照护与CDS支持照护,同时追踪流程终点(适当性、广谱使用、降阶梯时机)和以患者为中心的结局(临床恶化、ICU转入、住院时间、不良药物事件、CDI、死亡率),以及捕捉下游成本而非仅药物采购成本的经济终点。最后,治理应包括明确的模型版本控制、针对当地流行病学的定期重新校准和数据保护措施,以确保任何向临床实践的转化保持安全、合规和临床可接受。

4. 材料与方法

4.1. 研究设计、 setting和时间范围

我们在布加勒斯特临床急救医院(Spitalul Clinic de Urgență București;通常称为“Floreasca”)内科部开展了一项单中心、回顾性、事后配对评估,评估2020-2024年间入院最初24小时内处方的经验性抗生素方案。大型语言模型的建议在照护提供后离线生成,临床医生不可见,且不影响临床管理(非干预性评估)。报告遵循观察性研究的STROBE框架[46]。

分析单位为入院(crt_id:去标识化的研究入院标识符),每次入院配对方案:(i) 临床医生处方的经验性方案和(ii) 事后LLM推荐的方案,均在最初24小时内定义。入院内配对设计减少了来自入院层面时不变特征的混杂,因为每次入院作为其自身对照。

4.2. 参与者:源人群、抽样和流程

4.2.1. 源人群抽样框架

源人群包括2020年至2024年间布加勒斯特临床急诊医院内科收治的14,879例入院患者。使用基于入院诊断的疑似感染筛选器,识别出6734例候选入院患者进行潜在合格性筛查。疑似感染筛查框架基于自由文本入院诊断构建。大语言模型(LLM)辅助分类仅作为文书辅助工具,用于将诊断字符串预分入广泛的综合征类别(如尿路感染(UTI)、下呼吸道感染(LRTI)/肺炎、腹腔内感染(IAI)、皮肤软组织感染(SSTI)、脓毒症综合征、COVID、其他感染、非感染性)。重要的是,该自动预分类未用于确定合格性。所有经病历审查的候选入院患者均由研究者对入院文件进行人工核实,感染性与非感染性的最终分类(以及所有纳入/排除决定)均在病历审查过程中人工完成;因此,没有任何入院患者仅基于自动标签进入分析队列。筛查框架阶段任何残留的错分仅影响哪些病例被优先进行病历审查,而不影响最终人工核实分析队列内的配对终点计算。

4.2.2. 随机抽样与人工筛查(按年份分层)

在每个日历年分层内,候选入院患者使用电子表格随机数生成器(Google Sheets RAND())进行随机排序,然后按该随机顺序进行人工筛查。目标样本量500例入院(每年100例)系根据人工病历审查能力务实地选择,同时在2020-2024年间保持均衡的年份分层抽样。队列构建未使用正式的先验功效计算;因此统计精度通过报告配对效应估计值周围的置信区间来体现。随机排序在详细病历摘录前作为锁定快照保留(导出并归档),以保持筛查序列的可审计性。共有841例候选入院患者接受了人工病历审查。其中,500例被纳入(每年100例)进行详细数据摘录。应用预设的去重规则(在抽样框架内每位患者仅纳入一次入院,定义为首次合格入院)后,最终分析队列包括493对配对入院。

4.2.3. 合格性评估及未纳入原因

在病历审查筛查过程中,未纳入使用预设的基于病历的原因进行分类:非感染性入院;24小时内无全身抗生素使用;以及用药记录缺失(在STROBE流程图和补充表S1中报告)。另外,在纳入500例合格入院(每年100例)后,预设的去重步骤(在抽样框架内每位患者仅纳入一次入院,定义为首次合格入院)剔除了7例入院,产生最终分析队列493对配对入院。

去标识化筛查日志(screen_id、年份、随机排序值、纳入决定及分类的未纳入原因)作为补充数据文本S1提供。

4.2.4. 偏倚与代表性

为减少选择偏倚并确保时间覆盖,筛选按年份分层随机顺序进行,并设有固定年度配额(每年100例入院)。本研究为回顾性、单中心研究,分析队列代表符合纳入标准且在24小时内需要经验性抗生素治疗的疑似感染入院患者;因此,研究结果旨在作为流程层面的基准参考,可能不适用于病例构成或耐药生态不同的其他机构。

4.3. 数据来源与手动电子健康记录提取

数据来源与测量

临床变量从医院电子健康记录(Hipocrate,罗马尼亚)及相关实验室系统提取至结构化分析数据集(data.xlsx),尽可能使用预先指定的数据字典及结构化字段。提取内容(在可获得的情况下)包括人口学特征、合并症、24小时内严重程度替代指标、医疗暴露/多重耐药(MDR)风险变量、既往微生物学标志以及最初24小时内启动的抗生素药物。

未前瞻性记录正式的评分者间信度评估;然而,提取决策由资深临床医师非正式监督,并在分析流程中辅以基于规则的一致性检查。为减轻单一提取者偏倚,我们使用了预先指定的数据字典,在提取前锁定变量定义,并实施自动化质量控制(QC)标志(范围检查、完整性检查及抗生素编码映射审计),这些标志在终点计算前经过审核。质量控制(QC)程序包括:(1)对所有参与主要和次要终点的变量进行完整性检查;(2)对数值字段(如剂量、疗程)进行范围和合理性检查;(3)使用锁定参考字典自动检测未映射或已弃用的抗生素编码;(4)生成QC标志,为管理相关分析的预定义排除标准提供依据。

所有关键结构化变量(基线协变量及终点计算所需的所有字段)的缺失情况汇总于补充表S6(每个变量的缺失数n及缺失百分比%)。探索性回归分析的模型层面缺失情况及完整病例QC见补充表S6a。主要和关键次要终点在无插补的情况下计算;分析按各终点模块所需变量的完整病例进行,分母按分析分别报告。

4.4. 本地流行病学模块(实验室导出数据→结构化提示上下文)

由于经验性抗生素选择受机构特异性耐药生态的影响,我们从医院微生物学及药敏导出数据(实验室信息系统)构建了本地流行病学背景模块。该模块总结了与经验性治疗相关的本地病原体/耐药模式,在概念上与抗菌谱的综合征导向扩展相一致,包括加权发生率综合征组合抗菌谱(WISCA),后者整合综合征特异性病原体发生率与药敏数据,以估算候选方案(包括联合方案)的预期覆盖范围[49]。

为支持信息对等,流行病学模块以静态结构化上下文块的形式注入LLM提示中,这反映了一个务实理念:临床医生通过正式的抗菌谱、抗菌药物管理反馈回路和日常实践获得机构特有的生态学知识,而通用型LLM则不具备这一能力。具体而言,该模块由医院实验室导出数据预先计算而成,并以病房-年度结构化JSON/文本块的形式提供给模型,汇总了本地病原体频率以及与经验性治疗选择相关的方案层面敏感性/覆盖估计。其目的是为LLM提供编码化的本地生态学背景,而非经验性处方时无法获得的患者特异性微生物学数据。该策略减少了一种形式的信息不对称,但仍是一种近似:临床医生还可能依赖结构化模块中未捕获的隐性知识、床旁线索和非正式的机构记忆,而模型仅接收编码化摘要。因此,流行病学模块应被解读为用于基准测试的务实本地生态学替代指标,而非对临床医生可获得的全部信息的实时或完全对称的呈现。

由于本地流行病学模块来源于年度病房级实验室导出数据,某一日历年早期入院的患者可能暴露于反映该年度后期鉴定出的分离株的背景数据。该模块仅作为静态支持性上下文用于近似机构生态学认知,未用于定义终点指标,也未针对研究指标进行调优。

考虑到在某些机构环境中,本地耐药生态学可以合理地支持比指南衍生默认方案更广泛的经验性治疗策略,因此在方法学上必须整合本地流行病学模块,以确保LLM不会在人为生态学盲化的条件下接受评估。

4.5. LLM推荐生成(OpenAI API)及可重复性/可审计性

时间零点定义为入院时间。临床医生方案定义为入院后最初24小时内启动的全身性抗生素集合(即0–24小时经验性管理窗口)。临床医生经验性方案来源于初始经验性医嘱集的药房发药申请记录。为确保与单时间点LLM推荐的可比性,我们核实了多药方案中所含药物为同时启动(即在 curated 队列中0–24小时窗口内未发生序贯追加)。为对应这一定义,LLM提示由同一0–24小时窗口内记录的去标识化结构化变量(如入院实验室检查及预设的严重程度/支持标志)构建,并要求模型在影子模式、非干预性设计下推荐该窗口的经验性方案。由于两个臂均定义于相同的0–24小时间隔内,本评估将早期经验性管理作为以抗菌药物管理为导向的过程指标进行基准测试,而非严格的入院时刻(第0分钟)床旁决策。

在此临床框架基础上,通过 OpenAI API(官方 python 包版本 2.17.0)[50] 使用 Responses 端点(执行时 API 返回的模型标识符:gpt-5.2)生成 LLM 建议。我们使用固定提示模板,填入上述结构化患者背景和本地流行病学模块。建议为事后生成,未影响诊疗。请求执行时间为 2026-02-07T13:23:14Z 至 2026-02-07T13:39:43Z。我们使用 temperature = 0.0 和 max_output_tokens = 800,对瞬时故障最多重试三次。为保护隐私,我们在 API 请求中设置 store = false。所有其他生成参数均保留为 API 默认值(例如 top_p = 1.0;presence_penalty = 0;frequency_penalty = 0)。

输出被限制为结构化格式(依据严格的 JSON schema 验证),并映射至预定义抗生素字典,以实现确定性的下游评分与审计。模型调用均记录审计日志(请求/响应元数据、时间戳、尝试计数器及响应标识符),并使用加密哈希(SHA-256)及版本化清单进行完整性保护,从而能够重建所报告的汇总结果。公开审计包提供仅含占位符的提示模板、输出约束、允许的方案代码列表、JSON schema、映射表、哈希清单及派生汇总输出,足以复现所有报告的统计数据;每次入院的原始提示和完整模型响应因隐私和机构治理限制仍不公开。完整提示模板和结构化输出规范见补充材料(补充文件 S1)。评估/报告实践参考了早期临床人工智能指南和 LLM 特定报告考量 [24,25]。

4.6. 结局(情境化管理护栏)

4.6.1. 方案定义(24 小时)

对于每次入院,临床医生经验性方案定义为入院后最初 24 小时内(0–24 小时经验性管理窗口)作为初始经验性医嘱集同时启动的全身抗菌药物集合,并经药房发药请求时间戳核实。LLM 方案定义为 LLM 针对同一 24 小时经验性决策点推荐的抗菌药物,并通过同一抗生素字典/映射进行规范化。

4.6.2. 主要(预设)终点

主要终点为任何情境化护栏违规(配对二分类),定义为根据预设结构化情境规则,24 小时经验性方案中存在 ≥1 个无正当理由的广谱要素。

情境性护栏的依据、来源及预期作用。情境性护栏被预先定义为抗菌药物管理核心原则的研究操作性转化,而非经外部验证的适宜性评分。这些护栏由研究团队为基准比较目的而定义,并非旨在代表医院处方方案或正式的机构管理政策。其目的是通过聚焦于少数具有不成比例管理相关性的广谱升级决策——碳青霉烯类使用、抗铜绿假单胞菌用药及抗MRSA用药——来减少回顾性经验性处方中判断情境充分性时的随意性。选择这些类别是因为它们代表了管理指南中反复强调的高杠杆经验性选择,涉及风险分层启动、适应证审查和早期降阶梯,并且它们在入院后24小时内涵盖了相当比例的可避免谱扩展[13,16,17,18]。具体而言,这三个升级领域的选择参考了国际管理指南(IDSA/SHEA实施指南[27]、ATS/IDSA肺炎指南[18]、IDSA复杂性尿路感染指南[19])、WHO AWaRe分类原则[15]以及已发表的碳青霉烯类节约框架[16]。因此,这些护栏旨在作为情境性广谱升级的可审计入院级基准比较构念,而非作为整体处方适宜性的通用衡量指标。

护栏的操作逻辑以文献为依据,并转化为回顾性数据集中可用的预设二元论证替代指标。在实际操作层面,该框架询问这些广谱类别的使用是否有结构化早期严重程度信号、MDR风险/病史标志物或入院级抽象所捕获的类别特异性微生物学风险替代指标的支持。选择此方法是为了在相同结构化情境下标准化跨入院和跨研究组之间的基准比较。所构建的框架旨在用于内部可审计性和配对比较,而非作为经正式外部验证的管理评分;因此,其结果应被解释为在预定义规则化构念内的基准比较,而非对最佳诊疗的确定性裁定。

情境性护栏违规与罚分。对于每次入院和每个组(临床医生 vs. LLM),我们评估了三个预设的情境性护栏组成部分:碳青霉烯类使用、抗铜绿假单胞菌用药及抗MRSA用药。某一组成部分违规定义为在缺乏预设论证替代指标(二元规则)的情况下使用该抗生素类别,产生组成部分指标I_k。情境性护栏罚分计算为各组成部分违规的加权和:其中k ∈ {carb, APS, MRSA},若组成部分k违规(即该类别在无预设论证替代指标的情况下被使用)则I_k = 1,否则为0。预设权重为w_carb = 2、w_APS = 1、w_MRSA = 1;等价地,罚分 = 2·I_carb + 1·I_APS + 1·I_MRSA。配对差值定义为Δ罚分 = 罚分(LLM)—罚分(临床医生)(负值有利于LLM组)。完整的组成部分定义(触发逻辑、数据字段、映射及权重)见补充表S3。

该加权方案被预先设定为一种实用主义的未证实抗菌谱扩展层级,而非经过验证的效用度量表。未证实的碳青霉烯类使用被赋予更大权重,因为碳青霉烯类在抗菌药物管理和碳青霉烯类节约策略中占据特别高的杠杆地位,而未证实的抗假单胞菌和抗MRSA附加用药则被视为严重程度相当的单步广谱升级[16]。因此,加权惩罚旨在保留超出简单二元违规指标的语境广度分级,而非在等距量表上量化临床危害或生态损害。

guardrails中使用的正当性代理指标。为了以可重复的方式将语境正当性操作化,我们预先设定了一组有限的二元代理域,这些代理域在结构化回顾性数据集中可获取。严重程度代理指标(SEVERE)使用最初24小时内的早期临床指标定义(ICU入住/转入、感染性休克记录、血管升压药使用、机械通气或呼吸衰竭记录)。多重耐药风险代理指标(MDR_RISK)使用预先设定的病史/环境变量定义(既往ESBL/CRE/VRE、过去90天内全身性抗生素暴露、过去90天内住院、长期护理机构居住或医疗保健相关获得环境)。抗MRSA正当性由记录的既往MRSA定植定义。这些代理指标并非旨在穷尽床旁临床判断,而是创建一个结构化且可审计的规则集,适用于在相同记录的入院背景下对临床医师和LLM方案进行比较。确切的布尔逻辑、字段名称、抗菌药物管理理由和指南级锚定来源总结于补充表S3中。

4.6.3. 次要/补充终点(多重性注意事项)

原文篇幅较长或含参考文献等附属内容,只翻译了正文部分,其余请阅读原文。

参考来源

  1. Antonie NI, Ionescu VA, Gheorghe G, et al. Large Language Model Recommendations for Empiric Antibiotics Versus Clinician Prescribing: A Non-Interventional Paired Retrospective Antimicrobial Stewardship Analysis. Antibiotics (Basel). 2026. PMID: 42041331. doi:10.3390/antibiotics15040368
  2. 全文:PMC13113701(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13113701/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。