LLM 辅助术前沟通降低前列腺癌患者焦虑

LLM 在医生之前先回答患者提问

这项研究问的是一个实际问题：如果患者在常规面对面谈话之前，先针对自己的术前问题得到个性化回答，能否降低焦虑、减轻医生负担？入组患者均为新确诊前列腺癌、计划接受根治性前列腺切除术者，来自同一中心，年龄 18–80 岁，能使用智能手机，且至少具备初中教育程度。

随机化按病房而非按患者进行，因为每间病房住三到四名患者，研究者希望减少组间交流。这一设计影响统计解读：分析时考虑了病房层面的聚类，报告的组内相关系数为 0.03。在评估的 371 名患者中，276 人被随机分组，268 人纳入分析（对照组 130 人，AI 辅助组 138 人）。

两组患者都通过同一系统提交问题。只有 AI 辅助组能看到回答，回答在提交后一小时送达，由本地部署的 DeepSeek-R1 模型基于经过整理的泌尿外科知识库生成。内容审核员在发送前检查回答。随后所有患者都与三名对分组不知情的外科医生之一进行常规一对一沟通。

焦虑与工作负荷是两个共同主要终点

试验设有两个共同主要终点：最终常规沟通后的患者焦虑，用 GAD-7 量表测量；以及医生工作负荷，用 NASA 任务负荷指数（NASA-TLX）测量。由于标准 GAD-7 询问过去两周的情况，团队改用 24 小时版本以捕捉短期变化；论文将两者统称为 GAD-7。

AI 辅助组的最终 GAD-7 得分为 3.2（SD 2.7），对照组为 5.7（SD 3.1）。线性混合效应模型校正基线 GAD-7 和医生因素，并设病房层面随机截距，估计校正后平均差为 −2.2 分（95% CI −3.4 至 −1.1；P = 0.001）。样本量正是按 2.0 分的组间差异作为临床有意义阈值来设计的。

医生工作负荷同步下降：NASA-TLX 为 39.9（SD 16.9）对 56.8（SD 19.5），校正后平均差为 −10.6（95% CI −14.3 至 −6.9；P < 0.001）。分量表下降出现在心理需求、时间需求、努力和挫败感上，而体力需求和绩效无显著差异。研究未采集基线工作负荷评分，因此工作负荷比较仅基于最终评分。

第二个焦虑量表指向同一方向

视觉模拟焦虑量表（VAS-A）被预设为即时焦虑的支持性指标，AI 辅助组为 2.0（SD 1.5），对照组为 3.8（SD 1.8）（P < 0.001）。最终评估时，AI 辅助组的焦虑严重程度分级也向更低水平偏移，而基线分布两组无差异。

这些是一致信号，而非对同一结论的独立验证。VAS-A 和严重程度分级未做多重比较校正，论文也将次要和探索性分析标为支持性或假设生成性质。GAD-7 结果仍是试验设计和统计效能所围绕的主要终点。

情绪、疾病认知、满意度与时间均有改善

次要终点均偏向 AI 辅助组。I-PANAS-SF 正性情绪为 11.3（SD 3.0）对 9.2（SD 2.7），负性情绪为 10.2（SD 3.6）对 12.3（SD 4.1）。B-IPQ 疾病认知为 27.5（SD 13.2）对 38.2（SD 14.8），PSQ-18 满意度为 57.0（SD 9.0）对 46.8（SD 9.5）。

沟通时间总体从 19.9（SD 6.1）分钟降至 11.3（SD 4.5）分钟，且三名医生各自的下降均成立。由于这些终点未做多重比较校正，应将其视为一致的模式，而非各自独立确认的效应。

3507 个问题显示信息缺口有多大

两组患者共提交 3507 个问题，平均每人 13.08 个（范围 1–39）。AI 系统直接回答 2847 个（81.2%）；其余 660 个（18.8%）被认为不适合由 AI 直接回答，由内容审核员用标准化模板作答。

最常见的问题涉及尿控恢复（221 名患者，82.46%）、手术确切开始时间（208 人，77.61%）和预计手术时长（201 人，75.00%）。作者将这一提问量解读为存在大量未满足的信息需求，并引用不确定性降低理论，认为未解决的信息缺口会放大重大手术前的预期性焦虑。这一机制是作者的解释，而非试验直接测量的内容。

AI 是在准备患者，而非替代医生

一个关键设计特征是 AI 并未取代医患谈话。每位患者仍与对分组不知情的外科医生进行常规面对面沟通。AI 步骤在前，处理常规和常见问题，使面对面讨论能聚焦于个体化决策。

作者提出，这种先后顺序可以解释为何患者心理结局和医生工作负荷同时改善：信息被提前，并部分从医生负担中移出。试验支持 AI 步骤与结局之间的关联，但未分离出 AI 交互中哪个成分产生了效应。

组内变化不等于试验的组间比较

AI 辅助组在收到 AI 回答后、医生谈话前，GAD-7、VAS-A、正负性情绪和 B-IPQ 均出现显著的组内改善。这些探索性分析描述的是一个组随时间发生的变化。

它们不能替代组间比较，因为对照组没有接受同类的中间评估。读者比较这两组数字时，应保持分母和比较结构清晰：一个是 138 名患者的个体前后变化，另一个是随机分组的组间差异。

单中心结果，且需人工审核在环

若干边界限定了这些结果的可推广范围。试验在复旦大学附属肿瘤医院一家机构进行，时间为 2025 年 7 月至 12 月，患者能使用智能手机且至少具备初中教育程度，因此结果不会自动延伸到数字可及性或识字水平更低的患者。作者也指出，系统在不同语言和文化背景下的表现仍需验证。

人工审核是受试干预的一部分：近五分之一的问题需要审核员撰写回答，因此工作负荷的节省是在审核员在环的情况下实现的，而非全自动系统。医生虽被设盲，但无法阻止其推断分组，因此不能完全排除实施偏倚。

最具决策价值的读法是比较获益落在哪里。绝对改善最大的是面向医生的指标——每名患者约少 8.6 分钟、NASA-TLX 约低 17 分——而面向患者的焦虑差异约为 2.2 个 GAD-7 分，恰好落在试验预设的临床有意义阈值上。对于正在决定是否在前列腺切除术谈话前加入 LLM 步骤的工作流程，证据在带审核系统带来的时间和工作负荷缓解上最强，在焦虑降低上充分但仅达阈值水平。

本文引用的文献