EHR-MCP：通过模型上下文协议对大型语言模型进行临床信息检索的现实世界评估

于红博

摘要: 背景：大型语言模型（LLMs）在医学领域显示出潜力，但它们在医院的部署受限于对电子健康记录（EHR）系统的访问限制。模型上下文协议（MCP）实现了LLMs与外部工具的集成。 目标：评估通过MCP连接到EHR数据库的LLM是否能够在真实医院环境中自主检索临床相关信息。 方法：我们开发了EHR-MCP，一个与医院EHR数据库集成的自定义MCP工具框架，并使用GPT-4.1通过LangGraph ReAct代理与之交互。测试了六项任务，来源于感染控制团队（ICT）的使用案例。对ICT会议上讨论的八位患者进行了回顾性分析。与由医生生成的黄金标准的一致性进行了测量。 结果：LLM始终选择并执行正确的MCP工具。除了两项任务外，所有任务均实现了接近完美的准确性。在需要时间相关计算的复杂任务中表现较差。大多数错误来自于不正确的参数或对工具结果的错误解释。尽管EHR-MCP的回应是可靠的，但长而重复的数据可能超出上下文窗口。 结论：LLMs可以通过MCP工具从EHR中检索临床数据，在真实医院环境中实现简单任务的接近完美性能，同时凸显了复杂任务中的挑战。EHR-MCP为安全、一致的数据访问提供了基础，可能成为医院AI代理的基础。未来工作应该超越检索，扩展到推理、生成和临床影响评估，为有效整合生成式AI到临床实践铺平道路。

更新时间: 2025-09-19 13:17:16

领域: cs.AI,cs.CL,cs.HC,cs.IR

下载: http://arxiv.org/abs/2509.15957v1