LLM 智能体在预诊病史采集上能胜过眼科住院医师吗？

直接比较由谁采集病史

这项研究要回答的是：大语言模型（LLM）能否像平时承担这项工作的住院医师一样，完成眼科门诊中采集信息的那一部分，也就是预诊病史采集。2025 年 5 月 10 日至 6 月 10 日，广州一家三级眼科医院筛查了 175 名非急诊预约患者，其中 3 人拒绝参与，172 人被按 1:1 随机分组，86 人接受 LLM 智能体预诊，86 人由具有至少三年经验的眼科住院医师预诊。所有随机入组患者都完成了试验，未报告不良事件。

主要结局是 MedHistory 综合评分，这是一套 0–100 分的量表，由眼科医生焦点小组讨论构建，并改编自客观结构化临床考试（OSCE）的形式。它包含三个部分：病史采集（92 分），评估对话和病历中的完整性与临床推理；沟通（4 分），评估共情和表达清晰度；文书（4 分），评估术语准确性和对话与病历的一致性。70 分及以上被定义为高质量。两名具有五年以上眼科经验的盲法评估者对这些问诊评分，评估者间一致性被报告为优秀。

由于总分主要由病史采集部分决定，主要差异基本上反映的是提问和推理的全面程度，而不是医患沟通态度或病历格式。阅读下文每一项结果时，这一区分都很重要。

靠逻辑树，而非通用聊天机器人

这个智能体并不是一个被提示去扮演医生的通用聊天机器人。它采用双智能体架构，基于本地部署、并在眼科病历上微调过的 Qwen-2.5-72B 模型。主智能体负责多轮对话，由“技能”引导——这些技能是可执行的询问单元，编码了分支式临床逻辑，并组织成以症状为导向的逻辑树。例如，对于红眼，逻辑树会把提问引向视力变化、疼痛、分泌物和眼外伤。

辅助智能体同时工作，提取并总结关键临床特征作为反馈，并起草初步报告，内容包括患者情况摘要、检查建议和初步诊断。随后，文书模块把术语标准化为半结构化病历。记忆模块提供短期对话上下文和来自作者团队综合眼科数据集（Comprehensive Ophthalmic Dataset）的长期领域知识，情绪识别机制则实时调整语气和节奏。

作者把设计目标描述为把全面数据采集与过早下诊断结论分开，并明确说明该系统优先服务于高保真病史采集和文书支持，而不是自主诊断。在试验之前，一项概念验证基准测试让该智能体和四个对照模型各自处理 20 个真实门诊病例；该智能体在病史采集质量上高于全部四个对照模型。

评分更高，对话也更长

在主要结局上，智能体的 MedHistory 平均分为 80.73，住院医师为 56.94，未调整差异为 23.79 分。调整年龄、性别和预诊时长后，差异为 17.67 分（95% CI，14.07 至 21.27；P < 0.001）。这一优势来自病史采集（调整后差异 17.41 分），以及程度很小的沟通（0.36 分；P = 0.03）。文书质量在两组间没有显著差异。

条目层面的拆分说明了分数来自哪里：住院医师能很好地记录主诉，而智能体更稳定地采集到结构化细节，例如诱因和病程相关信息，这些内容在住院医师主导的预诊中较少被记录。

代价是时间。智能体的预诊时长中位数为 11.2 分钟（IQR 8.7 至 13.5），住院医师为 3.1 分钟（IQR 2.4 至 4.4），P < 0.001。作者指出，智能体采用系统、穷尽的策略，而住院医师依靠经验驱动的启发式方法进行有针对性的询问，更长的互动本身也可能有助于提高病史质量。在这项实用性试验中，这些因素同时存在于干预措施内，因此试验无法区分增益中有多少来自提问策略、多少来自额外时间。

患者认可智能体，但安抚情绪除外

两组的总体满意度相当，对话自然程度以及在追问前先回应患者关切这两项也相当。差异出现在具体条目上，而不是总体评分上。智能体在耐心（中位数 5 对 4）和感知到的共情（5 对 3）上评分更高，两者 P < 0.001；被分配到智能体组的患者更倾向于认为 AI 主导的预诊是可行的替代方案（5 对 3），也更相信自己的隐私会得到保护（5 对 4；P = 0.005）。

住院医师在减轻患者焦虑方面评分更高（4.5 对 3；P = 0.005）。作者将此解读为：建立深层的治疗信任仍然是一项独特的人类能力；他们还指出，与一些既往报告相反，隐私在参与者中并不是突出的担忧。

这些评分来自一份与患者焦点小组共同开发的 8 条目问卷，采用 5 点 Likert 量表，因此描述的是患者感知到的体验，而不是临床结局。有用的是这种分化模式：智能体的优势在耐心和感知共情，住院医师的优势在安抚情绪。

加入眼部检查后差距缩小

探索性诊断分析让比较的形态发生了变化。仅依据病史时，智能体的初步诊断准确率更高，估计 F1 差异为 0.18（95% CI，0.08 至 0.30；P = 0.001）；摘要报告 F1 为 0.85 对 0.68。当加入眼部体征的文本描述——裂隙灯检查结果、视力和眼压——后，住院医师的提升明显大于智能体（估计 F1 差异 0.24；95% CI，0.15 至 0.32；P < 0.001）。体格检查带来的增量获益对智能体而言低约 0.19 个 F1 点（95% CI，−0.31 至 −0.07；P = 0.003）。

作者称之为“阶段效应”，并推测住院医师依靠检查发现来弥补较简短的初始病史，他们认为这一模式可能反映了真实工作流程中偏好快速评估可观察体征的压力。他们还报告，在仅依据病史的阶段，更高的 MedHistory 评分与更好的诊断表现呈正相关。

两点提醒应放在这里，而不是结尾。这些诊断分析是探索性的，参照标准是初始检查方案而非最终诊断确认，因此作者本人也提醒不要据此认定临床优越性。F1 比较使用的任务和分母也与 MedHistory 评分不同，不能用前者替代后者。

检查建议趋同，费用预测分化

检查建议表现在多重校正前后均无显著组间差异。在整合体征阶段，治疗方案制定质量也相当（中位数 3 对 3；P = 0.75）。

更细粒度的比较则有利于智能体。其预测的检查相关费用和等待时间更接近专家设定的标准：住院医师与智能体之间的 Hodges–Lehmann 差异为费用 ¥30（95% CI，¥21.0 至 ¥87.0；P < 0.001），等待时间为 0.0 分钟（95% CI，0.0 至 1.1；P < 0.001）。作者将住院医师的做法描述为启发式、满足化（satisficing）的方法，总体有效，而智能体的系统化方法在这一更细粒度上显示出优势。

与诊断结果合起来看，这说明智能体的贡献在于提问和开单的一致性，而不是在综合判断环节具有更优的临床判断力。费用和等待时间数字是基于机构数据推算的预测值，不是实际发生的支出。

单一中心、单一语言、单一专科

试验在一家三级眼科医院开展，使用中文，面向非急诊预约患者，MedHistory 量表是为本研究新设计的内部工具。作者指出，其他人群和卫生系统可能需要进一步调整。选择本地部署的开源模型是出于数据隐私考虑，但这可能限制了性能，尤其是在医学术语方面；作者报告，在对随机抽取的 50 名参与者的转录文本进行事后审查时，文书优化后语音转文字错误从每 100 字符 3.7 个降至 0.5 个。

试验是开放标签的，因为干预的性质使患者和临床助理无法设盲，不过评估者和统计师对分组和假设设盲。作者指出，需要长期监测来评估新奇效应偏倚。互动也仅限于文本和语音，干预对医生认知负荷和高流量环境下工作流程效率的影响尚未评估。

眼科是一个有利的测试场景，因为其症状词汇定义明确，作者称这减少了更广泛医疗实践中常见的语义歧义。这使该结果成为该方法的一个基准，而不是它能原样迁移到结构更不明确的专科的证据。

标准化病史，把检查留给人

论文自身的结论比“智能体击败了住院医师”更窄。它支持一种混合工作流程：智能体在医生接诊前标准化临床数据采集，临床医生则把专业能力用于体格检查、复杂诊断综合和共同治疗决策。支持这种分工的证据是各项结局呈现的模式——病史质量优势明显，文书或检查建议没有优势，仅依据病史时诊断占优但一旦有眼部体征就缩小，而安抚情绪的优势仍属于住院医师。

数据提示的实际分界在于智能体的边际价值最大之处：结构化、细节密集的病史采集，它在此获得约 17 个调整后分，并能采集到住院医师常遗漏的诱因和病程细节。当任务转向解读检查发现或安抚焦虑患者时，与住院医师相比是持平或住院医师更优。

尚未解决的权衡是时间：每位患者 11.2 分钟对 3.1 分钟。这段额外时间是否可承受，以及它带来的是更好的下游诊断还是仅仅评分更高的病史，正是作者认为未来多中心研究应就临床效率和患者结局加以确定的问题。

本文引用的文献