npj Digital Medicine随机对照试验：眼科预问诊LLM智能体病历采集质量较住院医师高17.7分，交互时长11.2对3.1分钟

问诊质量高出17.7分的代价，是每次多花八分钟

事实报道 × 医院信息化/临床医生 ｜ 趋势前瞻 × 监管与合规专家 ｜ 深度研报

2026年10月5日，npj Digital Medicine在线发表了一项在中国广州一家三级眼科医院开展的随机对照试验。研究在2025年5月10日至6月10日期间纳入非急诊预约患者，175名受试者中172名被1:1随机分配，一组面对预问诊大语言模型智能体，另一组面对眼科住院医师。主要结局指标MedHistory评分（0至100分）的校正均差为17.7分，95%CI 14.1至21.3，P<0.001，智能体组更优。

这不是又一份 retrospective 的回顾性比对，而是把AI智能体和真人住院医师放在同一时间窗、同一家医院、同一类患者面前做的前瞻性随机对照。它的价值不小，边界也很清楚，两者都写在论文里。

开场：172名患者，被随机分给了AI和住院医师

试验设计为单中心随机对照，1:1随机，对象是非急诊预约患者，时间窗为2025年5月10日至6月10日，地点为中国广州一家三级眼科医院。175名受试患者中有172名完成随机，中位年龄56岁，女性占55%。

智能体一侧的架构被描述为双智能体架构，配合技能工程化的症状导向逻辑树。这个说法值得拆开看：双智能体意味着采集与质控被分成了两个角色，症状导向逻辑树则是把问诊路径从自由对话约束成一棵可枚举的树。对预问诊这种高重复、强流程的场景，工程化约束往往比模型本身更能决定输出稳定性。

研究已在ClinicalTrials.gov注册，摘要给出的注册号前缀为ClinicalT，完整编号未获取。

17.7分从哪来：主要结局怎么测的

主要结局是MedHistory评分，一个0至100分的病史采集质量评分。校正均差17.7分，95%CI为14.1至21.3，P<0.001，方向为智能体组优于住院医师组。

结局	智能体组	住院医师组	统计
MedHistory评分校正均差	—	—	17.7分，95%CI 14.1至21.3，P<0.001
耐心评分	5	4	P<0.001
共情评分	5	3	P<0.001
交互时长中位数	11.2分钟	3.1分钟	P<0.001
仅凭病史的诊断F1（探索性）	0.85	0.68	P<0.001

17.7分是校正后的组间差值，不是两组绝对分的直接对比，评分由谁执行、是否盲法、评分者间一致性如何，公开摘要中未见详细说明，这些都会影响对效应量的解读。次要结局中的患者体验指标同样偏向智能体：耐心评分5对4，共情评分5对3，两项均P<0.001。在一项以病史质量为主结局的试验里，患者主观评分同步朝同一方向移动，这个一致性本身是有信息量的——一个把问题问得更细的流程，通常也容易被感知为更有耐心。

11.2分钟对3.1分钟：质量换来的时间成本

代价写在下一行。交互时长中位数，智能体组11.2分钟，住院医师组3.1分钟，P<0.001。按中位数计算，多出来的时间超过八分钟。

对门诊流程而言，八分钟不是可以忽略的量级。一家三级医院的眼科门诊日接诊量通常不小，把预问诊整体换成智能体，意味着候诊队列、诊室周转与人力排班都要重新计算。需要说明的是，交互时长衡量的是患者与问诊方之间的直接交互，不等于医生的总工时。智能体把病史采集前移之后，医生在诊室内需要补全的信息可能变少，这部分潜在的节省本研究没有统计，公开信息中也未见对医生后续工作量的测量。因此，八分钟是这项试验里最实在的成本项，但未必是全流程的净成本。

时间和质量在这里是明确的一次交换，而不是可以两头兼得。医院信息化部门若想引入同类系统，需要判断的是本单位瓶颈在哪一侧：是病史采集不全，还是诊室周转不过来。

0.85对0.68与那个-0.19：体征进来之后发生了什么

探索性分析显示，仅凭病史做诊断时，智能体组的F1为0.85，住院医师组为0.68，P<0.001，智能体更优。必须强调的是，这是探索性分析，不是预设的主要或次要结局，其结论强度低于前文各项，也不应被单独引用为AI诊断能力优于住院医师的证据。

更有意思的是交互效应：把眼部体征加入之后，住院医师组的改善幅度更大，交互效应为-0.19，P=0.003，两组差距显著缩小。也就是说，AI的优势集中在纯病史阶段；一旦体格检查信息进入，住院医师追上来的速度更快。检查建议方面，各阶段差异无统计学意义。

这组结果勾出的能力边界相当清晰：智能体强在问得全、问得有耐心、不漏项，弱在无法自己获得体征，也不擅长把体征与病史整合进同一个判断。检查建议在各阶段均无统计学差异，说明它也没有开出更合理的检查组合。三项合起来看，智能体在这一试验中是一个更强的采集者，而不是一个更强的诊断者。

冷静观察：单中心单专科，混合工作流才是作者给的落点

作者自己的结论指向混合工作流——由智能体承担病史采集，让临床医生把精力放在体格检查与诊断综合上。这与数据是一致的：AI在病史阶段领先17.7分，体征进来后被追回一大截，两边各有一段相对优势。

局限同样写在明处。单中心、单专科、样本172人、随访期短，泛化性未在研究中验证。172例的样本量足以检出17.7分这样的大效应，但不足以支撑亚组结论，也无法估计罕见情形下的失效风险。眼科是一个病史结构相对规整、体格检查高度依赖设备的专科，把结果外推到主诉模糊、鉴别面更宽的内科或时间压力更大的急诊，需要非常谨慎。11.2分钟的交互时长在真实门诊里能否被患者和排班接受，也不是这项试验能回答的问题。

从监管与合规角度看，这项研究提供的是有效性信号，不是上市依据。探索性分析的F1与主次要结局应当被分开引用，注册信息中完整编号的缺失也需要在正式引用时补齐。编辑部的判断是：预问诊智能体已经越过能不能用的门槛，下一步要回答的是它放在流程的哪一段、以及那八分钟由谁来承担。

原文链接：npj Digital Medicine（Nature）

千方医数集编辑部 出品