电子病历是电子医疗系统的重要组成部分，在提高医疗服务质量和效率方面发挥着重要作用。电子病历文本的质量质控已成为医疗机构信息管理的关键工作。但是大多数医院依靠人工抽样(通常为3％-5％)来监控电子病历文件的质量，这种方法效率低下、费力、缺乏全面的覆盖，而且结果严重受审稿人在质量控制法规方面的专业知识的影响。随着人工智能与大语言模型技术的飞速发展，自然语言处理算法特别是大语言模型在这一领域得到了广泛的应用。然而，直接使用商业或者开源大模型做病历质控，对于需要多步推理和专业医疗知识的质控规则识别效果不佳。通过大模型微调策略与大模型prompt工程的优化方法，在需要复杂的医疗知识推理质控规则效果有大幅度提升。本次演讲从大模型病历质控的问题出发，揭秘了惠每大模型针对这些识别问题是如何解决的，以及背后的技术内幕，以及实践的效果展示。

演讲提纲：

1. 病历质控背景介绍
   • 病历质控的重要性
   • 病历质控识别问题
2. 惠每质控大模型优化策略
   • 业界中大模型的优化策略介绍
   • 大模型微调策略：医疗知识注入sft+dpo
   • prompt工程优化：自动化找出最优few-shot的示例
3. 优化策略效果展示
   • 优化效果与优化示例展示
4. 总结与展望

听众收益：

1. 了解医疗病历质控背景和遇到挑战
2. 了解最新的大模型微调策略和prompt工程
3. 了解医疗领域大模型优化策略