多智能体 LLM 结合 RAG 能否提升甲亢入院记录质量？

优化的是临床逻辑，不只是措辞

论文针对的对象很窄，但价值很高：住院医师撰写的甲亢入院记录中的现病史（HPI）。这里的 HPI 指截至入院时的回顾性叙述，涵盖起病时间、诱因、症状、入院前诊疗经过、入院原因和一般情况；本次住院拟实施的前瞻性治疗方案被明确排除在外。

这一范围之所以重要，是因为作者把研究空白定位得比格式问题更深。按他们的描述，现有病历工具只在文档层面做内容摘要，或纠正术语、语法和具体事实错误，并未系统处理临床逻辑、叙述连贯性或与指南的一致性。因此 HQ-ANR 被定位为一个质控模型：它把 HPI 重写为结构化、以指南为锚的叙述，而不只是润色句子。

检索与智能体分工如何约束重写

HQ-ANR 建立在通用模型 Qwen3-32B 之上，并增加了三部分。第一，一个结构化的 HPI 模板，由解析专家撰写的病历得到，并经临床专家确认。第二，一个双来源知识库，把全局知识（中国甲状腺毒症与甲亢相关指南，以及教科书）与本地知识（院内专家入院记录）结合起来；治疗方案被有意排除，以免改动患者已有的治疗方案。第三，一条多智能体流程：标注智能体把原始 HPI 拆成模块，症状智能体和检查智能体检索诊断驱动的证据并重写各自模块，治疗智能体规范用药记录并在缺失剂量或频次处插入占位符，最后由合成智能体合并各模块并检查跨段落一致性。

对照条件是同一基础模型加思维链提示，执行同样的优化任务。两组输出都由临床专家在盲法条件下评分。知识库与验证集在患者层面严格分离，因此没有患者同时为两边提供病历。

质量提升集中在基线最低的两项

医师病历质量量表（PDQI-9）对九个维度各按 1 至 5 分评分再求和。HQ-ANR 把总分中位数从 39.00（IQR 37.13–40.88）提高到 42.00（IQR 41.00–43.00），思维链提示则达到 41.00（IQR 39.63–42.38）；两种模型之间的差异显著（P < 0.001）。

更有信息量的是提升的分布。作者报告，总分的提高主要由“Useful”和“Thorough”两项驱动，这两项正是起始分数最低的维度，而其他维度在原始记录中已接近满分。HQ-ANR 把“Useful”的中位数从 2.5 提高到 4.00，把“Thorough”从 3.25 提高到 4.00，同时改善了“Synthesized”和“Comprehensible”。它的“Accurate”得分与原始记录相比在统计上没有变化（P = 0.783），而思维链提示显著降低了“Accurate”（P = 0.014）。

有两个维度并不支持完整系统。思维链输出在“Succinct”（P = 0.020）和“Internally Consistent”（P = 0.028）上得分更好，而 HQ-ANR 的“Internally Consistent”略低于原始记录（P = 0.071），作者将其标记为跨段落一致性检查仍有改进空间。

6.67% 的幻觉率统计的是什么

核心安全性数字是记录层面的比率：至少含一处阳性事实幻觉的记录所占百分比。HQ-ANR 在 30 份记录中为 6.67%，思维链提示为 26.67%。论文把这一指标限定为阳性事实幻觉，因此不应把它读成涵盖遗漏或文风问题的总体错误率。

思维链的失误按危害可能性和严重程度做了拆分。30 份记录中共有 10 次幻觉事件：2 次为低可能性、无危害（遗漏非关键信息），5 次为低可能性、轻度（添加非关键的甲亢阳性症状，或缺失某个时间点），1 次为中等可能性、轻度（添加非必需药物剂量或药名），2 次为高可能性、中度（添加关键药物剂量、时间线混乱）。每份记录只计一次，归入其最高危害等级。作者把思维链输出需要更长的医师修改时间归因于这一更高的幻觉率，因为错误需要更多人工核对。

检索抑制幻觉，智能体分工带来深度

消融结果把两个组成部分的贡献区分开来。去掉 RAG 后幻觉增加、事实准确性略有下降，消融模型的 PDQI-9 总分从 41.88 降到 40.32（P < 0.001），在“Accurate”“Thorough”“Useful”“Succinct”和“Synthesized”上均显著下降。把多智能体拆分换成单次生成基线后，只带来有限改善——“Useful”显著而“Thorough”不显著——且幻觉率很低；作者称这反映的是尽量少改的保守策略，而非有效利用了检索。

作者的解读是：RAG 是抑制幻觉的主要驱动因素，因为无论是否采用多智能体架构，只要存在检索，幻觉率就下降；而 PDQI-9 的质量提升需要两个组成部分同时具备。他们的解释是：强大的重写系统若没有外部事实锚定，在临床上可能不安全；一旦锚定得当，就能带来显著改善。这是论文对消融模式的自身解释，而非经过独立检验的因果结论。

每份记录的修改时间减少约两分钟

效率以同样 30 份记录上的医师修改时间来衡量。原始记录平均耗时 216.3 秒（SD 67.1）；思维链输出为 141.5 秒（SD 48.5），节省 74.7 秒（95% CI 62.8–87.7）；HQ-ANR 输出为 103.3 秒（SD 24.9），节省 112.9 秒（95% CI 93.2–132.7），效率提升 52.2%。HQ-ANR 相对思维链再节省 38.2 秒（95% CI 26.5–49.9），所有比较均 P < 0.001。

这些是研究评估流程内测得的修改时间，而非在真实临床工作流中观察到的节省。作者指出，工作流层面的收益——让高年资医师腾出精力处理复杂决策、为低年资医师提供结合上下文的写作辅助——仍需在前瞻性真实世界研究中确认。

证据止步于何处

验证使用的是来自一家医院电子病历系统的单中心回顾性数据，作者指出这可能引入选择偏倚。效应量来自 30 份记录和两名评分者，PDQI-9 总分的评分者间一致性为中等至良好（原始记录 ICC 0.650，HQ-ANR 0.613，思维链 0.674）。作者还指出，重复生成可能得到不同输出，对 6.67% 这样的罕见事件尤其如此，而他们并未量化这一变异性。

范围是一种疾病和一个病历段落。作者认为该框架本身并不专属于某种疾病——更新知识库即可扩展到其他疾病，调整模板即可适配其他文书类型——但当前验证并未确立这种迁移。涉及甲状腺癌、垂体病变、严重全身性疾病或超说明书用药的病例被排除，因此被评估的人群是限定在上述边界内的、从无并发症到有并发症的甲亢患者。

真正重要的是重写后的事实准确性

论文中最具决策相关性的对比不是总分，而是质量提升与事实稳定性之间的配对关系。思维链提示改善了覆盖度和实用性，却显著降低了“Accurate”，并产生 26.67% 的记录层面阳性幻觉率，其中包含两次高可能性、中度危害的事件，涉及关键药物剂量和时间线混乱。HQ-ANR 提升了“Useful”和“Thorough”，同时让“Accurate”在统计上保持不变，并把该比率降到 6.67%。

因此，对权衡这一方法的读者来说，关键门槛在于：一个病历系统能否在加深重写的同时不放松事实锚定——消融结果提示锚定来自检索，深度来自智能体拆分。尚未解决的代价是一致性：HQ-ANR 在“Internally Consistent”上的轻微下降，以及相对思维链更弱的“Succinct”得分，正是后续评估在把这条流程当作通用病历质控平台之前需要检查的具体维度。

本文引用的文献