基于大语言模型的协作框架用于知识强化的癌痛评估与管理

为何更聪明的疼痛护理至关重要

癌痛不仅仅是令人不适的副作用——它可能主导一个人在最后几个月或几年里的生活，使得睡眠、活动以至简单的对话都变得困难。尽管存在强效止痛药，但要安全且有效地使用它们并不容易，尤其是每位患者的癌症类型、合并疾病和用药情况各不相同。本文介绍了OncoPainBot，一种基于大语言模型（LLM）构建的新型人工智能框架，旨在帮助医生梳理复杂的病历、遵循最新指南，并为癌症患者设计更安全、更个性化的止痛方案。

日常癌症护理中的难题

癌症相关疼痛来源多样：肿瘤压迫骨骼或神经、手术、化疗和放疗。多达70%的晚期癌症患者会经历显著的疼痛，但疼痛缓解常常不完全。医生需要在阿片类药物、非阿片类药物和辅助治疗之间权衡，同时关注危险的副作用，尤其是肝肾功能脆弱的患者。现有的疼痛评估工具高度依赖简短评分量表和自由文本记录，而这些记录在不同临床医生和不同医院之间可能存在差异。因此，治疗决策可能大相径庭，改善患者舒适度的机会可能被错过。

将医学文本转化为可付诸行动的洞见

像ChatGPT和Claude这样的LLM能够阅读并总结冗长、混乱的文档，这使它们在医学工作中颇具吸引力。但普通“聊天机器人”在癌痛管理中并不安全，因为它们可能杜撰细节、遗漏药物冲突或忽视最新指南。OncoPainBot通过将LLM与由主要癌症机构疼痛指南构建的经策划知识库相结合，并将任务分为四个协作的“代理”（每个代理对应一个真实的临床角色），来解决这些问题。一个代理从电子病历中提取有关患者疼痛的关键事实，另一个判断疼痛类型，第三个起草治疗方案，第四个进行以药物相互作用、器官功能和监测需求为重点的安全性检查。

这个四代理团队如何协作

疼痛提取代理阅读自由文本记录并将其转化为结构化信息：疼痛发生的部位、疼痛强度、哪些因素加重或缓解以及已尝试的药物。疼痛机制推理代理基于该结构化信息推断疼痛主要来自组织损伤、神经损伤还是混合型——这是选择合适药物的重要线索。随后，治疗方案制定代理通过一种称为检索增强生成（retrieval-augmented generation）的技术查询基于指南的知识库，这使模型能够引入具体且最新的段落，而不是仅依赖其内在“记忆”。该代理提出分步方案——通常以世界卫生组织的“疼痛阶梯”为锚点——包括起始剂量、调整方法以及用于突发疼痛加剧的应急剂量。最后，安全性检查代理像谨慎的药师一样，扫描剂量问题、风险组合和缺失的实验室信息，并在数据不足以支持确定性建议时发出警示。

将系统付诸考验

为选择最佳的底层语言模型，研究人员在若干医学问答测试中比较了七个领先系统。Claude 4在准确性方面表现最好，尽管速度并非最快，因此被选为OncoPainBot的“核心”。随后他们评估了将该核心与指南库连接的不同方式，发现一种“混合”检索策略——同时使用关键词匹配和更深层的语义搜索——能提供最可靠的答案。在此配置就绪后，团队在一家大型中国医院的516份真实癌痛病历上运行了OncoPainBot。系统的书面报告在语言和内容上与临床医生的记录高度一致，其止痛建议与医生的实际处方在约84%的病例中相符。值得注意的是，大多数不一致来自细微的、与患者个体相关的细节——例如未记录的阿片耐受性或复杂的器官功能衰竭——而非明显错误的用药选择。

这对患者可能意味着什么

对于癌症患者而言，OncoPainBot的前景并非由机器接管治疗，而是为其护理团队提供更尖锐、更一致的第二意见。该框架被设计为“临床医生在环”的工具：它突出可能埋没在记录中的疼痛特征，建议与指南一致的选项，并提示安全问题，同时将最终决策留给人类医生。作者强调，他们的工作仍处于早期的回顾性阶段，仅在一家中心进行了测试；仍需在多家医院开展实时试验。尽管如此，他们的结果表明，经过精心设计的人工智能——立足坚实证据并具备透明推理——有望帮助标准化癌痛护理、减少危险的剂量错误，并且最重要的是，让患者减少受苦、更多地享受生活的时间。

引用: Liu, H., Hu, Y., Li, D. et al. LLM-driven collaborative framework for knowledge-enhanced cancer pain assessment and management. npj Digit. Med. 9, 180 (2026). https://doi.org/10.1038/s41746-026-02362-6

关键词: 癌痛管理, 临床决策支持, 大语言模型, 阿片类药物治疗, 检索增强生成