今天我们一起来研读下一篇AI药学论文《生成式人工智能构建患者药品说明书的方法研究》，详细探讨了如何通过生成式人工智能（GenAI）来构建适合患者的药品说明书，旨在提升患者对药品使用的理解和依从性，并促进合理用药。（关注公众号“赛文AI药学”，获取更多AI与药学内容）
1. 研究背景
-
药品说明书是指导合理用药的关键媒介，但现有说明书专业性强、信息复杂，普通患者难以理解，容易导致药物使用错误。
-
美国、欧盟、日本和澳大利亚等国家在患者说明书的设计和实践上较为成熟。例如，美国FDA批准的患者用药信息（PMI）和欧盟的患者信息活页（PILs）都强调语言易懂。
-
10%的患者因无法理解说明书导致用药错误。
-
患者希望说明书更加简洁、易读，信息关键、语言通俗。
-
中国现有药品说明书虽然进行了适老化和无障碍改革，但仅解决了“看得清”的问题，没有解决“看得懂”的问题。
-
现状问题：
-
国际实践：
-
-
生成式人工智能（GenAI）的优势：
-
能根据患者的教育背景和理解水平生成易于理解的内容。
-
高效处理大量说明书，节省人力，减少错误。
-
2. 研究目的
-
构建适合中国患者的药品说明书基本框架。
-
探索基于生成式人工智能生成患者说明书的方法，提升说明书的可读性和患者依从性。
3. 研究方法
3.1 构建患者药品说明书框架
-
比较分析中国、日本、美国、澳大利亚和欧盟五个国家（地区）的患者药品说明书。
-
提取共同提及的核心要素，设计适合中国患者的说明书框架，包括：
-
药品名称
-
适应症
-
用法用量（包括漏服处理和食物相互作用）
-
注意事项（药物/酒精相互作用、驾驶操作风险）
-
不良反应（轻微和严重反应、报告方式）
-
储存方法
-
药品规格、辅料、包装信息
-
生产厂家和联系方式
-
3.2 构建提示语并优化
-
使用提示语策略，明确生成式人工智能的生成任务。
-
上传国家批准的普瑞巴林药品说明书（商品名：乐瑞卡），用作模板优化提示语。
-
采用“思维链”（Chain-of-Thought，CoT）策略引导模型逐步生成内容。
-
指令词：明确任务角色和要求（如生产企业提供患者友好型说明书）。
-
背景描述：任务目标、说明书框架。
-
输出要求：内容篇幅限制、可读性要求。
-
输出格式：如清单格式、段落结构。
-
提示语内容：
-
案例分析：
-
3.3 患者药品说明书生成
-
使用“通义千问2.0”模型，根据优化后的提示语生成普瑞巴林的患者药品说明书。
-
评估生成说明书的准确性、可读性，并与标准说明书对比。
4. 研究结果
4.1 患者药品说明书框架
-
设计了一个简化、易读的框架，涵盖核心信息（如药品名称、适应症、用法用量、不良反应等）。
4.2 生成的普瑞巴林患者药品说明书
-
生成内容特点：
-
字数减少：从标准说明书的15,395字减少至1,052字。
-
可读性提升：文本复杂度降至中学生可理解水平。
-
-
准确性评估：
-
生成说明书的初始准确性为77.8%（9项核心内容中7项准确）。
-
经过高年资药师审核后，准确性达到了与原说明书一致的水平。
-
4.3 可读性分析
-
自动化评估显示，生成内容在句子结构、词汇复杂度等方面显著优化，更适合普通患者阅读。
5. 讨论
5.1 患者药品说明书现状与需求
-
国内患者说明书存在“看不懂”的问题，患者需要“简洁、清晰、突出关键信息”的说明书。
-
国际先进经验表明，设计基于患者健康素养的说明书能够提升患者的理解能力和依从性。
5.2 GenAI在说明书生成中的应用
-
优势：
-
个性化：根据患者背景生成通俗易懂的内容。
-
高效性：快速生成大量说明书，节省人力成本。
-
同质性：提供标准化的输出，减少人工差异。
-
-
挑战：
-
信息全面性依赖标准说明书，若原始说明书内容不足，生成内容会有缺失。
-
生成内容需人工审核，确保医学信息的准确性和合法性。
-
6. 结论
-
构建了适合中国患者的药品说明书框架，并基于生成式人工智能开发了生成方法。
-
成果：
-
明显提升了说明书的可读性和简洁性。
-
减少了内容复杂度，同时通过人工审核保障了准确性。
-
-
未来展望：
-
推动生成式人工智能技术在患者教育和合理用药中的应用。
-
探索“人机协作”模式，结合人工审核确保说明书的质量。
-
7. 文献意义
-
本研究展示了生成式人工智能在医疗场景中的创新应用，为解决患者药品说明书“看不懂”的问题提供了技术路径。
-
它同时为全球范围内的患者友好型药品说明书的标准化和高效化提供了实践依据。
针对这篇文献，赛文AI药学认为从AI技术的角度，有三点继续研究的建议：
1. 提升生成模型的医学专业性
-
建议：在模型训练中加入专门的医学和药学知识库，例如药典、临床指南、不良反应数据库，以及来自权威监管机构（如FDA、EMA）批准的说明书文本。
-
原因：现有模型对医学术语的理解和生成能力有限，生成内容的准确率（当前为77.8%）仍需提高。通过更有针对性的医学知识注入，可以增强模型在生成药品说明书时的准确性和全面性。
-
实践方式：构建医学专属的预训练语料库，或者将生成式模型与知识图谱结合，提升生成内容的逻辑性和权威性。
2. 优化提示语设计与动态生成能力
-
建议：开发智能化提示语优化工具，使提示语能够根据药品特性和患者背景动态调整（例如适应症、目标患者群体、语言难度）。
-
原因：提示语的设计对生成内容质量至关重要，但目前使用的是固定的提示语策略。通过动态提示语调整，可以更好地适配不同类型药品及患者需求，提高生成内容的针对性和可读性。
-
实践方式：基于提示语优化的“思维链”方法（Chain-of-Thought, CoT），加入更多细化的指导信息，如特定输出格式和语言风格要求。
3. 强化多模态生成能力
-
建议：扩展生成式人工智能的能力，使其支持多模态内容生成，例如将文本说明书与可视化图表、视频等结合。
-
原因：单纯的文字说明书在患者教育中可能效果有限，特别是针对健康素养较低的患者。通过多模态生成，可以更直观地向患者传递用药信息。
-
实践方式：在模型中整合图像生成（如药品使用示范图）、视频生成（如用药教程）能力，并与患者说明书文本进行同步生成与展示。
往期内容荐读：
ChatGPT 在临床药学中的有效性以及人工智能在药物治疗管理中的作用
DDI-GPT：使用知识图谱增强的大模型对药物相互作用进行可解释的预测
诺奖得主David Baker最新Science论文：药学+AI领域迎来新机遇！
AI与药学：ChatGPT与临床培训——药学博士（Pharm-D）学生的看法、担忧和实践
人工智能大模型在用药处方审核的应用潜力：一项跨 12 个临床专科的前瞻性研究
AI用于研究药物扩大适应症：大模型架起药物分子结构与适应症的桥梁
AI与药学：DrugGPT助力减少英国每年2.37亿次用药错误
欢迎关注公众号“赛文AI药学”！
赛文AI药学，致力于探索人工智能在药学场景中的创新与应用。
标签：AI,药学,生成式,患者,生成,说明书,药品 From： https://blog.csdn.net/simoncool23/article/details/145028664