基于生成式人工智能大语言模型的文献来源药品不良反应报告自动生成平台研究与应用.pdfVIP

基于生成式人工智能大语言模型的文献来源药品不良反应报告自动生成平台研究与应用.pdf

中国药物警戒第22卷第9期2025年9月September,2025,Vol.22,No.9

DOI:10.19803/j.1672-8629中图分类号：R951; R994.11 文献标志码：A 文章编号：1672-8629（2025）09-1040-05

基于生成式人工智能大语言模型的文献来源药品不良反应报告自动

生成平台研究与应用

111*212

刘芹，章嘉一，吴烜，SOANESNigel（阿斯利康投资（中国）有限公司，上海201203；ASTRAZENECAUKLIMITED,

CambridgeCB20AA,UnitedKingdom）

摘要：目的利用生成式人工智能技术，探索文献来源药品不良反应报告的自动化生成方法，以提升报告处理效率与准

确性。方法基于行业内成熟的基础大语言模型及表格解析、OCR识别等前沿技术，从由中国知网、万方数据中下载的

约700篇中文文献中提取药品不良反应报告基本要素，标注数据训练集（6925条）进行不良反应报告生成场景训练，

形成能理解学术文献并自动生成不良反应报告的定制化模型。平台通过多轮算法迭代优化模型性能，结合人工复核，

采用人工智能3个算法性能指标数值（召回率、精确度、值）和报告处理前后耗时对比来评估研究结果。结果经过

4轮算法迭代，定制化模型的召回率、准确率和值分别达到97.1%、90.1%和93.5%，均满足设定标准。平均报告处

理时长由传统人工80min缩短至45min，效率提升77.8%。结论生成式人工智能为文献来源药品不良反应报告的

智能识别与高效生成，对药物警戒自动化、智能化转型提供了新工具参考。本平台仍面临无法处理复杂排版及异常数

据等局限，需持续优化数据集与算法，并严格遵循伦理与监管要求，确保数据合规。

关键词：药品不良反应；个例安全性报告；生成式人工智能；大语言模型；机器学习

AnAutomaticGenerationPlatformforAdverseDrugReactionReportsfromLiteratureSources

BasedontheGenerativeArtificialIntelligenceLargeLanguageModel

111*21

LIUQin,ZHANGJiayi,WUXuan,SOANESNigel(AstraZenecaInvestment(China)Ltd.,Shanghai201203,China;

2ASTRAZENECAUKLIMITED,CambridgeCB20AA,UnitedKingdom)

Abstract:ObjectiveToleveragegenerativeartificialintelligencetoexplorehowtoautomatethegenerationofadverse

drugreaction(ADR)reportsfrommedicalliteratureinordertoenhancetheefficiencyandaccuracyofthereport

processingworkflow.MethodsBasedonthematurebasiclargelanguagemodelinthisindustry,tableparsing,OCR