病历里记下的副作用，只有四分之一进了试验报告

《JAMA 网络开放》2026 年 9 月 1 日发表了加州大学旧金山分校的一项对照研究。研究组把四项免疫治疗早期临床试验上报的副作用清单，和同一批病人门诊病历里写下的症状逐条比对，又让 GPT-5 从病历里自己抽一遍。结果是：医生从病历里认定的 200 项副作用，只有 47 项出现在试验的正式报告里，占 24%。

临床试验报告是药品说明书上那张副作用发生率表的来源，也是监管部门评估一个药安全性的材料之一。如果病人在诊室里说过的不适，有四分之三没有走进这张表，那么这张表到底在数什么？

这项研究的规模很小：只纳入了 4 项 I 期或 II 期免疫治疗试验、21 名患者、54 次门诊记录，全部来自一家中心，属于探索性的方法学研究，不是流行病学调查。它能说明两套记录之间存在系统性的错位，说不了错位有多普遍、幅度有多大。

一、两套记录差了多少

第一个方向是从试验报告往病历里找。四项试验一共上报了 91 项副作用。三位临床医生按美国国立癌症研究所的不良事件通用术语标准第 5 版（CTCAE 5.0）逐条阅读病历，多数票形成共识，这份共识只在病历里找回了其中 47 项，占 52%。GPT-5 找回 37 项，占 41%。也就是说，试验报上去的副作用，有将近一半在病历文字里找不到对应的记录。

反过来从病历往试验报告里找，医生共识在病历里一共认定了 200 项副作用，其中只有 47 项进了试验报告，就是开头那个 24%。

GPT-5 的位置在第三个方向上。它用零样本提示抽取，在 54 次门诊记录上与医生共识比对，平均 F1 值 0.76（95% 置信区间 0.70–0.82），与单个医生各自对上共识的水平相当。它捕到了医生共识那 200 项里的 137 项，占 69%。它还抽出 3 项试验报过、但三位医生都没从病历里认出来的条目，包括咳痰、流感样症状和乏力；另外抽出 46 项试验和医生都没记的，最常见的是气促、头晕和胃食管反流。

GPT-5 一共抽出 186 项。下图是原文 Figure 2，三个圆分别是试验报告的 91 项（Trial-reported）、GPT-5 抽出的 186 项（LLM-extracted）和医生共识的 200 项（RC-identified），圆里的数字是落在各个区域的条目数。三个圆共有的部分只有 34 项，而试验报告那个圆有 41 项谁也没对上。

二、为什么两套记录会对不上

看到 24% 这个数字，第一反应容易是有人漏报。但两套记录的生成方式不同，它们回答的根本不是同一个问题。

试验报告里的副作用是这样产生的：研究护士或研究医生在随访节点上，对照 CTCAE 的条目表，判断患者出现了哪些事件、几级、与试验药是否相关，然后上报。这道流程有三重筛选：先判断这个症状跟药有没有关系，再判断够不够得上需要上报的级别，最后还要落到 CTCAE 的某个标准名称上。筛完留下的是重的、典型的、有监管意义的事件。研究里试验报过而病历共识没认出的条目，正是房颤和细胞因子释放综合征这一类。

病历的自由文本是另一套逻辑。医生在诊室里写病历，目的是记下这次就诊的主诉和处理，不做归因，不套 CTCAE 的名称，也不分级。病人说这两周老是累、夜里起来好几趟，医生就写进去了。所以病历共识抓到而试验没报的，多是乏力、尿频这种在 CTCAE 里级别低、归因难的症状。

两套记录的入口规则不同，出口自然对不上。试验报告筛的是该不该上报，病历记的是这次病人说了什么。它们的交集只有 24%，是两套筛子的必然结果，不能直接读成隐瞒。

错位还有另一个方向上的原因。试验报过、医生共识却没从病历里认出的一共 44 项，其中包含房颤和细胞因子释放综合征这类要紧的事件。论文没有解释这 44 项为什么找不到，按临床试验的常规流程推测，严重不良事件走的是独立的快报通道，记录多落在住院病程、抢救记录和事件报告表里，本来就不会完整出现在一次门诊的主诉中，而这项研究只读了门诊记录。这一层属于推测，论文没有提供证据。可以确定的是，24% 这个比例里混着两种不同的情况：轻症状没被上报，和重事件不在这批文本里。

还有一层更麻烦的干扰。研究者提出一个解释：病历里大量存在复制沿用的历史文本，上一次的症状描述被整段带到这一次，读的人分不清这个症状是本次新出现的、还是从上个月一直延续下来的。副作用判定很在意时间点，一个症状是新发还是持续，决定它算不算一个事件。文本本身把时间线搅浑了，后面无论人读还是模型读，都在同一份被搅浑的材料上工作。

三、连三位医生都判不一致

这项研究里还有一个数字，是三位临床医生之间的一致性。研究用 Krippendorff α 衡量，结果是 0.56，属于中等水平。

这意味着，面对同一份病历，三位受过训练的医生对这里有没有一个副作用、是哪一条的判断，只有中等程度的吻合。研究者据此写了一句很克制的话：副作用识别的参考标准本身具有内在的不确定性，很难把医生之间、医生与试验报告之间、模型与医生之间的分歧，干净地归类成漏报、过度识别还是文本理解差异。

人们习惯把医生判读当作金标准，把 AI 的表现拿去跟它比。可这个标准自己就在 0.56 这个水平上晃动。于是 GPT-5 的 F1 值 0.76 应该怎么读？它的含义是：GPT-5 与三位医生合成的共识，吻合程度跟任一位医生和这个共识的吻合程度差不多。它不等于"AI 达到了 76% 的正确率"。参照物有多牢，结论就只能有多牢。

四、AI 能替人做哪一段

上一张图里的五道关，AI 能插手的只有第二道到第三道之间，也就是把病历文字里已经写下的症状捞出来、编成码。

模型做得了的是病历这一侧的打捞。病历里的症状是现成写着的，把它们全部找出来、统一编码，量大、重复，人做起来慢，而且不稳定。研究里 GPT-5 只用零样本提示，就把医生共识的 69% 捞了出来，还捞出 3 项医生漏掉的。这类工作交给模型，可以做得比人更全、更一致。

归因和分级则轮不到模型来做。判断气促是免疫性肺炎的早期表现，还是病人本来就有的心功能问题，需要把这次抽血、这次影像、这个病人过去半年的情况放在一起权衡。研究者的措辞是，用模型抽取来补充试验报告，同时保留传统的人工审阅来做具有临床情境的判断。按能力分工就是这个意思：模型负责病历里写了什么，人负责这意味着什么。

研究者还提到这项工作与监管方向的呼应：把 AI 用于药品审评相关流程已被列为监管优先事项之一。如果未来说明书上的副作用表要把病历这一侧的信息也纳进来，那么先解决的应该是参考标准的不确定性，而不是先追求抽取速度。

五、这项研究不能推出什么

研究者自己列了几条限制。

样本量小，队列人群构成单一，外推性受限。21 名患者、54 次门诊记录、一家中心，24% 和 69% 这两个比例的置信区间会很宽，换一批试验、换一个瘤种、换一家医院，数字都可能明显不同。

排除了实验室相关的副作用。肝酶升高、血细胞下降这些靠化验单判定的条目没有纳入，而它们在免疫治疗里占比不低。所以这项研究谈的是症状类副作用的记录错位，不覆盖检验指标类。

参考标准不完美。α 0.56 已经说明了这一点。

在此之外还有两点：研究是回顾性地在已有文本上做比对，没有前瞻性地把模型放进真实工作流跑一遍；GPT-5 用的是零样本提示，没有做提示优化，也就是说这个表现既不是模型上限，也不代表调优后的稳定水平。

那么哪个数字更值得信？就副作用的发生率而言，仍然是试验报告和汇总分析里的数字，因为它们经过了归因和分级，回答的是"这个药造成了多少事件"。病历那一侧多出来的条目，回答的是另一个问题："用这个药的人，日子里出现了多少不适"。后者不能直接换算成前者，但对准备用药的人来说同样有参考价值。

最后，这项研究不能推出"说明书上的副作用发生率被低估了四分之三"。24% 讲的是两套记录条目的重叠比例，不是发生率的比值。免疫治疗的副作用发生率约 40%，这个数字来自这项研究引用的既往文献，不受它自身规模的限制。

对看病的人有什么用

如果你正在用免疫治疗，或者在参加临床试验，把不舒服的地方说出来、让它进入病历，本身就有意义。乏力、头晕、气促、反酸这类症状，在正式上报的清单里权重低，但它们构成了病人真实的日子，也是医生判断要不要减量、要不要暂停的材料之一。说了并记下来的症状，才有机会被后面的人看见。

免疫治疗的副作用处理有明确的分级原则和时间窗，出现新发的气促、持续腹泻、皮疹扩大这类情况应当及时联系主诊团队，不要自行判断轻重。具体诊疗请遵医嘱。

参考来源

· Elia MV, Friesner ID, Kwon D, et al. JAMA Netw Open 2026;9(9):e2631840

· National Cancer Institute. Common Terminology Criteria for Adverse Events (CTCAE) Version 5.0

内容为健康医疗知识分享，不能替代面诊。正在接受免疫治疗、出现新发不适，请联系主诊团队或到正规医疗机构就诊。

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。