Nat. Med. | 大语言模型聊天机器人助力基层—专科医疗转诊：随机对照试验评估

DRUGONE

基层到专科医疗转诊过程中的信息不完整和沟通低效，是全球医疗系统普遍面临的问题。研究人员开发了 PreA（Pre-Assessment），一种面向患者的大语言模型聊天机器人，用于在专科就诊前完成病史采集、初步诊断建议和检查建议，并自动生成结构化转诊报告。

在一项多中心、务实型随机对照试验中，2,069 名患者被随机分配至三组：独立使用 PreA、在工作人员协助下使用 PreA，以及未使用 PreA。结果显示，与常规流程相比，PreA 显著缩短了专科医生问诊时间，并同时提升了医生对转诊协调性的评价和患者对沟通顺畅性的主观感受。独立使用与协助使用 PreA 的效果相当，表明该系统具备自主运行能力。

随着多病共存和人口老龄化加剧，医疗系统承受着日益增长的服务压力。基层医疗资源不足、转诊机制薄弱以及患者直接涌向大型医院，使得专科门诊面临高负荷运转。

在资源受限环境中，专科医生往往在缺乏系统病史和初筛信息的情况下接诊患者，导致诊断效率下降、医患沟通受损，并加剧职业倦怠。尽管护士分诊等过渡方案有所缓解，但仍难以规模化。

大语言模型具备重构临床工作流程的潜力，但现有应用多集中于医生辅助场景，缺乏直接面向患者、并在真实临床环境中经过随机对照试验验证的系统。为此，研究人员提出并评估了 PreA，用于优化基层到专科医疗衔接流程。

方法

PreA 是一个通过多方协同共创设计的大语言模型聊天机器人，面向患者进行结构化对话，具备低健康素养友好特性。系统在专科就诊前完成以下任务：病史采集、症状总结、初步诊断线索生成、检查建议以及结构化转诊报告生成，供专科医生在问诊前快速浏览。

研究人员在中国西部两家三级医院、24 个医学专科中开展多中心随机对照试验，将患者随机分配至三组，对比其对诊疗效率、医患体验和系统可行性的影响。

结果

研究对象与流程概况

最终共有 2,069 名患者纳入分析，三组在人口学特征、就诊科室分布等基线特征上保持平衡。

图 1｜随机对照试验的 CONSORT 流程图。

显著缩短专科医生问诊时间

与未使用 PreA 的对照组相比，独立使用 PreA 的患者对应的专科问诊时间平均缩短约 29%，显示出显著的流程效率提升。

图 2｜不同干预组的专科问诊时间比较。

提升医生感知的转诊协调性

专科医生对 PreA 生成的转诊信息给予更高评价，认为其有助于快速理解病情背景并支持临床决策。

图 3｜医生对转诊协调性与信息完整性的评价。

改善患者沟通体验且无需人工协助

患者报告与医生沟通更为顺畅，且在独立使用与协助使用 PreA 之间未观察到显著差异，表明 PreA 具备可扩展的自主运行能力。

图 4｜患者对沟通顺畅性和体验的主观评价。

讨论

本研究表明，经协同共创设计的大语言模型聊天机器人，能够在真实高负荷医疗环境中，同时提升诊疗效率和患者中心化体验。这种“双重收益”在以往的医疗 AI 应用中较为罕见。

与单纯依赖本地历史对话数据进行模型微调不同，研究结果显示，以临床需求为导向的协同设计策略更有助于避免放大既有系统性偏差，并提升模型在实际医疗流程中的价值。

研究人员认为，PreA 所展示的自主运行能力和系统级效率提升，为在资源受限医疗体系中部署患者侧大语言模型提供了现实可行路径。未来工作将需要进一步评估其长期安全性、适应不同医疗体系的泛化能力，以及在更复杂临床场景中的应用潜力。

整理 | DrugOne团队

参考资料

Tao, X., Zhou, S., Ding, K. et al. An LLM chatbot to facilitate primary-to-specialist care transitions: a randomized controlled trial. Nat Med (2026).

https://doi.org/10.1038/s41591-025-04176-7

内容为【DrugOne】公众号原创｜转载请注明来源