《Nature Medicine》：AI把医生写下的病历笔记读成研究数据，16061人的GLP-1真实世界用药轨迹首次现形
RespondHealth与德雷塞尔大学牵头、斯坦福大学等机构合作的研究2026年9月17日发表于《Nature Medicine》。团队构建的AI系统可大规模准确读取病历中的自由文本笔记，把提取的每个事实链接回原文句子。三名独立机构医生逐行核验，系统在综合指标准确性与完整性上达99.4%，超过医生间94.7%的一致率。团队用该系统追踪16061名启动GLP-1药物的患者体重与14788名患者血糖，发现基线血糖正常者12个月减重约7.7%，而血糖控制差者仅约2.7%。
病历里那一大段手写文字，第一次被AI整本整本地读懂了
数据视角 × 临床研究者 ｜ 产品能力视角 × 临床使用者 ｜ 深度研报
开场：病历里最重要的那一部分，研究从来没读过
翻开任何一份电子病历，内容其实分两层。一层是整齐的勾选字段：账单代码、检验值、处方条目，机器可读，统计方便。另一层是医生实际写下的笔记——患者怎么描述自己的不适，最近在如何应对，出现了什么副作用，为什么要调药。后者才是病历的主体，承载着临床现场最真实的细节。
但长期以来，真实世界研究能利用的只有第一层。原因很现实：笔记是非结构化文本，量大、杂乱、充满缩写与否定句，逐份人工阅读的成本高到无法承受。于是形成一个尴尬局面——病历里信息密度最高的部分，恰恰是研究从未触及的部分。
2026年9月17日发表于《Nature Medicine》的一项研究，正面挑战了这个局面。研究由RespondHealth与德雷塞尔大学共同牵头，斯坦福大学、迈阿密大学、宾夕法尼亚大学、西奈山伊坎医学院参与合作，要验证的核心问题是：AI系统能否把整本整本的临床笔记，准确地读成可供研究使用的结构化事实。
先解决信任：把否认胸痛读成胸痛的系统不能用
让AI读病历，最大的障碍不是速度，而是读错的方式太危险。临床笔记里到处是否定句式，“否认胸痛”与“胸痛”只差两个字，含义完全相反。系统若把“否认胸痛”误读为“胸痛”，制造的不是误差，而是从未发生过的病史——这样的系统没有任何临床与研究价值。
因此这项研究的验证设计近乎苛刻。独立机构的执业医生逐行对照原始笔记审查系统输出：一名医生审查了来自96家机构、86家诊所、四套不同电子病历系统的100份就诊记录；第二名医生独立复核其中的子集；遇到分歧，交由第三名不知情的医生裁决，最终形成裁定标准。
这套流程的逻辑很清楚：先不跟机器比速度，先跟人比判断。跨机构、跨诊所、跨系统的取样方式也很关键——它意味着验证不是在单一数据源的温室里完成的，而是要经受真实世界书写习惯的磨损。效率上的差距确实悬殊：五名医生评审120份病历约需70小时，系统处理每份仅需数秒。但如果准确性不过关，速度再快也没有意义。
99.4%与94.7%：一个耐人寻味的对照
结果值得细看。对照裁定标准，系统在“报告的准确性＋笔记内容的捕获率”这一综合指标上达到99.4%。而参与评审的医生彼此之间的一致率，是94.7%。
这组数字最有意思的地方在于：系统的得分，高过了评审医生彼此之间的一致率。 这并不必然意味着AI比医生更懂病历，但至少说明，在“忠实还原笔记内容”这件事上，系统的稳定性已经越过人类评审者之间的自然分歧线。对一件要被拿来回答研究问题的工具而言，这条线才是真正的及格线。换个角度看，94.7%本身也是一个提醒：即便是训练有素的医生，面对同一段笔记也未必事事意见一致，临床文本天然带有歧义。系统的价值不在于消灭这种歧义，而在于把可读的部分稳定地读出来，把分歧留给裁定流程去处理。
GLP-1答卷：减重与血糖改善为什么走向两个方向
准确性过关之后，研究者做了一次实战演示：追踪16061名在常规门诊启动GLP-1药物（含司美格鲁肽、替尔泊肽）的成年人体重变化，以及14788名患者的血糖变化。样本全部来自真实诊疗场景，而非试验环境。这一步的意义在于，它检验的不再是系统“能不能读”，而是“读完之后能回答什么级别的问题”——体重与血糖只是入口，真正被测试的是从非结构化文本到队列研究的整条链路。
答案呈现出两组方向相反的曲线。
第一组关于减重：基线血糖更健康的人，减重反而更多更快。12个月时，基线血糖正常者减重约7.7%，基线糖尿病控制不佳者约2.7%；达到5%减重的时间分别约为210天与413天，相差近一倍。分层上看，女性12个月减重约6.1%，男性约4.0%；20至39岁人群约8.1%，40岁及以上约5.1%。
第二组关于血糖改善，方向恰好相反：基线血糖控制最差的患者，改善最多最快。两条曲线合在一起提示，GLP-1在常规临床中的获益结构并不均匀——代谢状态较好者拿走更多体重收益，代谢问题最重者拿走更多血糖收益。这种结构性差异，靠传统的编码数据几乎无法分辨。
更值得研究界注意的是第三个发现：这些信息在编码数据里几乎不存在。在有基线记录的患者中，初始抑郁最重者的抑郁评分改善最大，中重度抑郁组12个月在九题筛查量表上下降约6分；患者报告的疼痛强度同样下降，初始疼痛最高者最为明显；在有记录的较小人群中，腰围一年下降约2.7英寸。抑郁、疼痛、腰围——这些维度几乎从不出现在勾选字段里，却往往是患者最在意的事。没有笔记，这些问题根本无从问起。
冷静观察：观察性数据的边界在哪
边界需要说清楚。这是一项观察性的真实世界研究，而非随机对照试验。它描述的是常规诊疗中实际发生的关联，不能单独确立因果。比如“基线血糖正常者减重更多”，可能反映药物在不同人群中的真实效应差异，也可能掺杂依从性、合并症、生活方式等未被测量的因素。把这类发现直接当作处方依据，是越界的。
同样值得注意的是方法的另一面：系统中每一个被提取的事实，均可回溯至病历中的原句。可审计性是这类工具区别于黑箱模型的关键，但它解决的是“读得准不准”的问题，而非“解读对不对”的问题。前者正在接近解决，后者仍依赖研究者的设计与克制。
一个合理的期待是：当整本病历第一次变得可读，真实世界证据的问题清单将被重新改写。而改变研究版图的，从来不是某个惊人的单项结论，而是那些过去问不出口的问题，现在终于可以问了。
原文链接：PR Newswire
千方医数集编辑部 出品
