Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications

文章总结与翻译

一、文章主要内容

本文聚焦大型语言模型（LLMs）在医疗领域尤其是药物禁忌信息查询中的局限性，提出并构建了一个基于检索增强生成（RAG）的药物禁忌问答系统，以提升药物禁忌信息回答的准确性和可靠性。

1. 研究背景

LLMs虽在多个领域表现出色，但在医疗等需专业知识的领域存在不足，药物禁忌这类对准确性要求极高的场景中，仅依赖预训练LLMs易出现错误，可能引发严重后果。现有医疗问答数据集（如PubMedQA、MedQA）多关注通用医疗知识，对特殊人群（孕妇、儿童、同时服用多种药物者）的药物禁忌覆盖不足，且相关问答系统准确性较低。

2. 研究方法

• 数据集构建：从韩国公共药物利用审查（DUR）数据库提取数据，构建包含3000个问答对的数据集，涵盖儿童年龄相关禁忌、孕期禁忌、药物相互作用禁忌三类，每个类别各1000个，问答以韩语呈现，问题模拟患者或护理人员的真实查询，答案基于DUR指南明确药物是否禁忌及原因。
• RAG系统设计：以OpenAI的GPT-4o-mini为基础生成模型，text-embedding-3-small为嵌入模型，借助Langchain构建混合检索系统（融合基于语义相似性的密集嵌入检索和基于关键词的稀疏检索），并进行重排序。知识 base 采用结构化CSV文件构建，将DUR数据库中每个禁忌条目分割为语义连贯单元，转换为向量后存储在Milvus向量数据库，检索时先分别通过两种检索方式获取Top-k相关文档，去