基于大语言模型的智能问数系统构建及其在医院运营管理中的应用研究OA

目的:探索基于大语言模型(LLMs)的智能问数系统的构建及其在医院运营管理中的应用,提升数据获取效率和应用能力。方法:基于LLMs并融合嵌入、检索增强生成和文本转结构化查询语言(SQL)等技术构建智能问数系统,在接入医院数据中心后,通过语义向量检索,将用户自然语言问题与数据库元信息对齐,结合医院知识库检索相关上下文,实现自然语言到可执行SQL的自动转换,生成可视化结果并展示给用户。选取2024年7月至10月(传统用数模式)的165例医院数据查询与统计的需求(即用数需求)记录和2025年7月至10月(智能问数模式)的1580例用数需求记录,对比两种用数模式按不同复杂度分级的取数耗时和结果准确率等指标的差异性。结果:智能问数模式对于简单级、复杂Ⅰ级、复杂Ⅱ级和复杂Ⅲ级数据查询需求的数据获取耗时显著短于传统用数模式,差异具有统计学意义(t=29.22、30.91、34.05、37.43,P<0.05)。在数据查询准确率方面,对于简单级和复杂Ⅰ级的数据查询,智能问数模式与传统模式人工查询均有较高的准确率;智能问数模式在应对复杂Ⅱ级和复杂Ⅲ级数据查询时逐渐落后于人工查询的准确率。结论:基于LLMs的智能问数系统实现了通过问数对话获取医院运营数据的目标,用数需求的数据获取耗时较传统模式由小时级缩短至分钟级,缩短95%以上,取数效率显著提升的同时取数成本大幅降低,能够有效破解医院运营数据使用的瓶颈。