在全球多重共病负担加剧和人口老龄化的背景下，医疗系统面临着基础设施碎片化、初级医疗资源不足和分诊机制低效等多重挑战。这一问题在患者绕过初级医疗直接寻求三级医院服务的地区尤为突出。以中国医疗系统为例，2023年门诊量达42.6亿人次，而仅有公立医院提供预约系统，导致低效的就医路径使门诊服务不堪重负。专科医师在缺乏前期医疗信息的情况下接诊患者，导致诊断时间延长、情感支持不足和职业倦怠加剧；同时患者也面临漫长等待时间和碎片化护理的困境。
针对这一系统性低效问题，发表在《Nature Medicine》的研究团队开发并评估了PreA——一个基于大型语言模型(LLM)的聊天机器人，通过协同设计方法优化从初级到专科医疗的转诊流程。该研究在中国西部两家三级医疗中心的24个医学学科开展了一项实用性随机对照试验，共纳入2,069名参与者，随机分为PreA独立使用组、PreA辅助使用组和常规护理对照组。
研究结果显示，PreA独立使用组相比对照组显著缩短了医师咨询时间(减少28.7%；3.14±2.25分钟 vs 4.41±2.77分钟；P<0.001)，同时显著改善了医师感知的护理协调性(平均得分提升113.1%；3.69±0.90 vs 1.73±0.95；P<0.001)和患者报告的就医体验。特别值得注意的是，PreA独立使用组与辅助使用组的结果相当，证实了该工具在临床环境中的自主运行能力。
关键技术方法
研究采用多阶段协同设计方法开发PreA系统，整合患者端聊天机器人界面和临床医生端转诊报告生成界面。通过包含2,069名参与者的多中心随机对照试验，评估PreA在真实临床环境中的效果。采用匹配对分析比较参与医师与非参与医师的工作量差异，并通过专家盲法评估比较PreA生成报告与医师临床记录的质量一致性。
研究结果
患者流程与基线特征
试验最终纳入2,069名参与者，平均年龄47.6±14.6岁，女性占55.1%。基线特征在三组间均衡分布，无显著差异。PreA独立使用组患者与聊天机器人互动时间平均为3.51±1.50分钟，对话轮次不超过10次。
门诊工作流程优化
PreA独立使用组咨询时长显著短于对照组(3.14±2.25分钟 vs 4.41±2.77分钟)。匹配对分析显示，参与医师每班次接诊患者数量显著高于匹配的非参与医师(28.54±9.58 vs 24.76±9.42，P=0.005)，相对增加15.3%，且患者等待时间无显著差异。
患者中心性与护理协调
患者报告的所有体验维度均显著改善，包括沟通便利性、医师关注度、人际关系尊重、满意度和未来接受度。医师对PreA生成转诊报告的评价显著高于常规报告，64.9%的医师认为其对临床决策有用或非常有用。
临床决策模式分析
分类分析显示PreA辅助组与对照组的临床记录特征无系统性差异(F1分数0.57；P=0.81)，表明PreA未引入可检测的临床决策偏倚。亚组分析显示PreA的效果在不同人口学和社会经济特征群体中保持一致。
转诊报告质量评估
PreA生成报告与医师记录在病史采集、诊断和检查建议方面具有高度一致性(65.8%-70.7%)。在质量评分方面，PreA报告在完整性、适当性和临床相关性方面均显著优于医师记录。
开发策略比较研究
协同设计模型在所有临床领域的质量评分均显著高于本地对话微调模型，后者复制了现实初级医疗中的系统性低效模式，如省略指南推荐的病史元素和人口统计学资料。
研究结论与意义
该研究证明了协同设计的LLM聊天机器人在优化初级-专科医疗转诊流程中的双重效益：既提升了操作效率，又改善了以患者为中心的护理体验。与单纯依赖本地对话数据微调相比，协同设计方法能更有效地规避系统性护理缺陷，为在资源有限环境中部署健康人工智能提供了新思路。
PreA展示的操作自主性对资源有限医疗系统的可扩展性和成本效益具有重要意义。即使部分采用PreA也能增加临床班次的患者吞吐量，表明当LLM简化预咨询工作流程时可能产生乘数效应。此外，PreA报告更高质量评分表明其可作为患者特定模板，减轻临床文档负担。
该研究通过实证比较证明了协同设计相对于被动数据收集在部署LLM加强医疗系统和增强资源有限环境中以患者为中心护理方面的优势。与单纯依赖本地对话微调相比，协同设计能更有效地规避系统性偏见，为推进医疗人工智能公平部署提供了方法论支持。
未来需要在更多样化医疗系统中验证这些发现，并解决人工智能健康素养、连接限制和跨机构数据共享等系统性障碍，以实现PreA向家庭使用的过渡。尽管需要更大多中心试验和更长随访来确立持续效益、成本效益和普适性，但该研究标志着在将面向患者的LLM整合到医院工作流程中迈出了重要一步。
打赏
