醫學界長期面臨一項挑戰，即從病患的口述中準確提取藥物副作用資訊，因為病患的非正式口語表達與標準醫學術語之間存在巨大差異。近期一項研究指出，一種名為 GraphRAG-ADR 的新型人工智慧（AI）框架，結合了大型語言模型與「知識圖譜」（Knowledge Graph，一種能將資訊實體及其關係以網狀結構呈現的資料庫），能有效縮小這項差距，大幅提升藥物安全監測的效率與精準度。

GraphRAG-ADR 框架整合了多種醫學資料，例如國際醫學術語詞典 MedDRA 的標準詞彙、藥物副作用關係資料庫 SIDER，以及包含病患實際表達的 CADEC 資料集。這種知識圖譜能同時表示正式醫學概念和現實世界中病患描述副作用的口語表達，建立起兩者之間的連結。

該框架的核心在於其「AI 抽取技術」（AI extraction technology），透過混合式檢索機制，利用語義相似性和圖譜結構來選擇與優先排序相關的醫學概念。這些經過結構化的概念隨後被提供給大型語言模型，作為背景資訊，進而改善病患口語描述與標準化藥物副作用概念之間的對齊，使得從非正式文本中識別副作用變得更為精確。

根據《Bioengineer.org》報導，這項研究成果已於 2026 年 8 月 17 日發表在學術期刊 BioData Mining 上。GraphRAG-ADR 在嚴格評分標準下達到了 73.02% 的 F1 分數，在寬鬆標準下則達到 83.11%。研究團隊認為，將結構化的生物醫學知識與大型語言模型結合，能顯著提升「藥物副作用提取」（從文本中識別並分類藥物不良反應資訊的過程）的準確性和穩定性。不過，此項技術仍需在不同的病患群體和敘述來源中進行更廣泛的驗證，以確認其普遍適用性。

參考來源