摘要目的 构建本地化大语言模型(LLM)辅助胃癌术前药物重整模式,并进行效果评价.方法 回顾性纳入2024年1月至2026年1月江苏省肿瘤医院胃外科249例入院前存在持续用药史的胃癌患者.根据时间先后将患者划分为训练集(154例)和验证集(95例).基于指南、药品说明书等证据,构建标准化药物重整流程与结构化知识库,并在院内私有化部署DeepSeek-V3 LLM,结合检索增强生成技术,实现对用药信息的自动整合、风险筛查以及个体化建议生成.采用机器评分(BERT Score和ROUGE-1、2、L)与人工评分[七维指标(7DI)]评价LLM生成建议的质量;运用Spearman相关分析探究机器评分与人工评分的相关性;采用Cronbach's α系数检验人工评分结果的内部一致性;比较不同难易程度(简单、中等、高难度3个等级)药物重整任务的人工与LLM药物重整耗时.结果 最终构建了涵盖8大类药物、能够覆盖常见及高风险术前用药场景的结构化知识库.机器评分方 面,BERT Score 的精确率为 0.783±0.033,召回率为 0.811±0.038,F1 分数为(0.796±0.028)分;ROUGE-1、ROUGE-2 和ROUGE-L 3个层级的F1分数分别为(0.566±0.067)、(0.338±0.076)和(0.468±0.082)分.3名人工评分者的7DI评分为32.06～33.45分.机器评分的F1分数与人工评分的7DI评分均呈显著正相关(最高决定系数=0.611,P＜0.001),且人工评分内部一致性良好(Cronbach's α=0.876).在效率方面,与人工药物重整耗时比较,LLM药物重整耗时在简单组、中等组、高难度组中均减少90%以上(P＜0.001).结论 基于本地化LLM与结构化知识库构建的药物重整模式,在胃癌术前复杂用药场景中具有较高的准确性、一致性和临床可用性,能够提升药物重整效率,同时降低潜在用药风险.