深度解析医学证据，lxfs.net为你支撑决策 不良药物事件（Adverse Drug Events, ADEs）是患者安全的核心监测指标，美国每年因住院 ADE 产生的医疗支出达 15.6 亿～56 亿美元，门诊场景相关支出更高达 80 亿美元。临床自由文本病历中蕴含大量 ADE 信息，但传统监测依赖结构化数据、人工上报或规则系统，存在灵敏度不足、效率低下、漏报率高等局限，无法充分挖掘病历中的安全信号。 既往自然语言处理（NLP）研究多聚焦命名实体识别，或基于 BERT 等预训练模型开展关系分类，但普遍依赖人工特征工程、仅适配窄范围上下文，在跨句子关联、多药物共存场景下泛化性不足；且现有研究多集中于住院病历，对文档更短、异质性更强的门诊场景探索极少。生成式大语言模型（LLM）具备强大的语义理解能力，但其在 ADE - 药物因果关系提取任务中的系统评估仍存在空白，低秩适配（LoRA）等参数高效微调技术也尚未应用于该领域。本研究旨在对比多款 LLM 在住院与门诊临床笔记中提取 ADE - 药物关系的性能，为真实世界药物警戒提供技术依据。 本研究为回顾性横断面研究，采用两套独立数据