npj Digital Medicine：ClinicalGPT审计84.7万份医嘱，漏警率每千份3.2次对纯规则9.4次

每千份医嘱少漏6.2次警报，但这条链路到患者结局就断了

数据视角 × 医院信息化/临床医生 ｜ 影响分析 × 医疗数据从业者 ｜ 深度研报

2026年10月8日，npj Digital Medicine在线发表一项针对病历基础模型ClinicalGPT的审计评估。研究覆盖7家医疗系统、847000条可评估的高危医嘱，测的不是模型答对多少道题，而是开单那一刻该响的警报有没有响：ClinicalGPT加硬约束之后每千份医嘱漏警3.2次，纯规则系统为9.4次。作者同时明确声明，研究未测量后续临床处置、药物不良事件与患者伤害。

对医院信息化部门与临床科室来说，这意味着一份可量化的过程改良，而不是一份用药安全结论。前者能直接写进采购评估表，后者目前没有任何数据支撑。

开场：84.7万条医嘱，看的是该响的警报有没有响

把评测对象定在漏警而不是准确率，是一项有意识的选择。用药决策支持系统的价值不在它输出了多少条建议，而在真正危险的那几条有没有被拦下。847000条高危医嘱构成的分母，让每千份这个口径变得有意义：基数足够大，千分位上的差异才不至于被随机波动吞掉。

这条赛道此前的主角是规则引擎。规则写得出明确的相互作用与剂量上限，却写不出病历里的上下文，于是医院端长期面对两个方向的抱怨：该响的没响，不该响的响个不停。ClinicalGPT的定位是在病历语料上训练的基础模型，再叠加一层硬约束，让不可协商的规则仍然由确定性逻辑兜底。

还有一个容易被忽略的口径是时间点。漏警被定义在开单那一刻，评估的是系统在医师按下确认之前给出的提示。药师复核、护士执行环节拦下来的用药问题，都不在这个指标的视野之内。

设计边界要提前说清：这是回顾性评估加单中心静默前瞻，不是随机对照试验。静默意味着模型输出没有真正进入临床流程，医师看不到它，也就没有任何一次真实的干预发生。

3.2对9.4：比纯规则少漏六成

四组数字应当放在一起读。ClinicalGPT加硬约束为每千份3.2次漏警，纯规则为9.4次，原版通用大语言模型对照为6.1次，最强对照（检索增强加大语言模型加规则）为4.8次。ClinicalGPT优于全部对照，包括那套把三种方法叠起来的组合。

降幅要分两个参照系来看。相对纯规则，每千份少漏6.2次，降幅约六成；相对最强的4.8次，只少1.6次，降幅约三分之一。对照越强，留给改进的空间越薄，这是评估类研究常见的形状，也提示不要把六成这个数单独摘出来用。

6.1与3.2之间的落差也可以单独读：同一个通用模型，经病历语料训练并叠加硬约束之后，漏警从6.1降到3.2。这说明改进来自两部分叠加，论文没有给出分项拆解，因此无法判断领域训练与硬约束各自贡献了多少。

3.2次的绝对值同样不能忽略。换算过来，大约每313份高危医嘱就有1次应当告警而系统没有告警。对单个医师而言这可能是几个月才遇上一次，但按847000条医嘱的规模推回去，它对应的是一个不小的绝对计数。

33.9的假警报：降了，但还是很高

同一个系统的假警报率为33.9，95%置信区间31.6至36.3，纯规则为38.7。改进确实发生了，幅度约4.8个百分点。但33.9意味着大约每三次警报里就有一次是空的，离可接受还有明显距离。

置信区间本身也值得留意。31.6至36.3的跨度接近4.7个百分点，而纯规则的38.7未给出区间，两者之间缺少重叠检验，这次下降在统计上的确定性因此要打一折扣。

更要紧的是漏警率没有给出置信区间。3.2、9.4、6.1、4.8四个数被并列呈现，读者却无从判断它们彼此的差异是否稳定。漏警与假警报必须同框，只讲改进会让结论失真。

放到临床现场，假警报率决定的是医师的覆盖行为。警报可信度不足时，医师会养成顺手关掉的习惯，此时无论漏警降到多低，都难以转化为实际拦截。本研究没有测量覆盖率，这恰恰是两者之间缺失的一环。

参考标准先冻结：这一步防的是什么

论文写明，参考标准向量在最终打分之前冻结。这一步防的是最常见的自评偏差：先看到系统的输出，再回头调整判定标准，最后用调整过的标准给自己打分。标准一旦冻结，评分过程就变成单向，结果才具备可复现性。

这也是审计就绪这个定位的实质。它的目标读者不是模型排行榜，而是需要追责链条的院内质审与外部监管：谁定的标准、什么时候定的、依据哪个版本、能否重跑一遍。

对医疗数据从业者来说，难点在工程而不在算法。标准向量的版本化、冻结时点的留痕、跨机构迁移时的口径对齐，决定了这套方法能否在第二个院区复现。目前缺少跨平台的外部验证，7家医疗系统之外表现如何仍是未知。

冷静观察：这是过程指标，离患者结局还隔着一层

先把没有的部分列出来。后续临床处置未测量，药物不良事件未测量，患者伤害未测量，三项都是作者自己声明的；漏警率的置信区间未披露；跨平台外部验证缺失；单中心静默前瞻部分没有触发任何真实干预，因而也没有干预之后的任何结果数据。

因此正确的表述是：ClinicalGPT在这个离线评测中改善了告警的过程指标。不能写成它减少了医疗差错，更不能写成它挽救了生命。从漏警率下降到处方真的被修改，再到不良事件减少，中间隔着医师是否看见、是否采信、是否改动医嘱、改动是否确实更优四道环节，本研究一道都没有测。

接下来该追问的是四件事。其一，漏警率与假警报率的置信区间以及逐层亚组结果需要补齐，否则3.2与4.8之间的差距无法判定是否稳定。其二，需要一个非静默的真实前瞻，把医师覆盖率与医嘱修改率接进证据链。其三，跨平台外部验证要在不同厂商的电子病历系统上重跑，检验冻结标准向量的口径能否迁移。其四，成本账同样缺席：把33.9的假警报放进真实工作流，医师额外付出的复核时间是否抵消掉漏警下降的收益，这个平衡点在研究中没有任何位置。

原文链接：npj Digital Medicine

千方医数集编辑部 出品