欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用规则库加本地大模型做处方合理性审核:药物相互作用与剂量预警

上邦 AI 工程团队2026-10-05阅读 约 7 分钟
处方审核是医疗质量与安全的关键环节。本文给出可本地化部署的辅助审核方案:以药品相互作用、剂量范围、禁忌症等规则库为硬约束,叠加本地大模型做自然语言处方结构化与疑点解读,对潜在相互作用与超量用药给出预警,数据不出医院内网,定位为医师的第二双眼睛而非替代判断。

一、为什么是规则 + 模型双层

处方的核心风险(如两药合用产生相互作用、剂量超出安全范围、孕妇禁忌)是可枚举、可量化的,用规则库做硬约束最稳妥、最可解释;而处方往往是自由文本或半结构化录入,大模型擅长把盐酸 xx 片 5mg 每日两次这类描述解析成结构化字段,再交给规则库判定。两层配合,比纯规则更省力,比纯模型更可信。

二、可复现代码

先用本地大模型把处方文本结构化(Ollama 加载医疗向模型,需先安装 ollama):
import ollama, json

def parse_prescription(text):
    sys = ('你是处方结构化助手。只输出 JSON,字段:drugs(数组,每项含 name、' +
           'dose、freq、route)、patient(含 age、weight_kg、gender、allergy)。' +
           '不要输出任何解释。')
    r = ollama.chat(model='qwen2.5:7b',
                    messages=[{'role':'system','content':sys},
                              {'role':'user','content':text}])
    return json.loads(r['message']['content'])
再用规则库做相互作用与剂量核对(示意,真实库应来自药品说明书与权威相互作用数据库):
DANGER_PAIRS = {('warfarin','aspirin'): '出血风险增加,需监测 INR'}

def check(p):
    names = [d['name'].lower() for d in p['drugs']]
    warnings = []
    for a, b in DANGER_PAIRS:
        if a in names and b in names:
            warnings.append(DANGER_PAIRS[(a, b)])
    for d in p['drugs']:
        if 'max_dose' in d and float(d['dose']) > d['max_dose']:
            warnings.append(d['name'] + ' 单次剂量超出上限')
    return warnings

三、落地要点

规则来源要权威。相互作用与禁忌应以药品说明书、药典及权威药物相互作用数据库为准,并标注版本与更新日期。
模型只做解析,判定交给规则。避免让大模型直接判定是否安全,把可解释的责任落在规则库上。
预警分级。把提示分为提示核对、建议复核、禁用级,匹配不同的处置流程与人工确认强度。

四、合规提醒

提醒:处方审核辅助系统属于医疗器械软件,须严格按监管路径管理,本文方案仅作技术演示,不得直接用于临床诊断;涉及患者诊疗的AI功能须符合国家药监局医疗器械软件相关注册与算法变更管理要求,所有预警必须保留医师最终决策权。

参考来源

医疗机构处方审核规范(国卫办医发〔2018〕14号) - 国家卫生健康委员会;国家药监局关于医疗器械软件注册技术审查指导原则 - 国家药品监督管理局;Ollama 官方文档 - ollama.com。
相关标签:处方审核合理用药医疗AI本地大模型药物相互作用

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案