复旦肿瘤268例随机试验：术前先用本地部署大模型答一轮，患者焦虑与医生负荷同时下降

事实报道 × 医院信息化/临床医生 ｜ 趋势前瞻 × AI技术供应商/创业者 ｜ 深度研报

医疗 AI 的论文里，绝大多数是回顾性数据复盘或模拟问诊，真正把大模型塞进真实临床流程、再用前瞻随机对照去量的中国研究并不多。9 月 26 日《npj Digital Medicine》在线发表的复旦大学附属肿瘤医院泌尿外科 II 期试验给出了一个稀缺样本：让患者在常规术前谈话之前，先向院内本地部署的大模型问一轮。随机对照是把「看起来有用」与「确定有用」分开的分水岭，这一步迈过去，结论才谈得上可用于采购与流程改造。

开场：术前谈话这道工序，AI能插得进去吗

术前谈话是一道典型的高压工序：患者刚拿到癌症诊断，信息缺口最大、情绪最不稳；医生则要在有限时间里把手术方式、风险与恢复路径讲完，还要接住一堆重复提问。它恰好具备几个适合插 AI 的特征——问题高度重复、答案有权威资料可依据、结局可用量表量化，而且流程上有一个天然的插入点，就在谈话之前。

研究给出的插法相当克制。患者入院后先做基线评估并提交问题，AI 组扫码提问，由本地部署的 DeepSeek-R1 生成答复，先经内容审核医生在后台实时审核或修改后放行，患者约一小时后查看，随后再接受与对照组相同的常规面对面术前沟通。选择前列腺癌根治术作为切口也很讲究：诊断已明确、术式已确定、患者疑问集中在麻醉、围手术期管理与恢复路径，是外科沟通里标准化程度最高的一类，知识库因此容易建得扎实。研究者没有让 AI 替代谈话，而是让患者带着已经答过一轮的问题走进谈话室。

268例怎么分的：病房整群随机，避免同病房互相串

这不是一份小样本探索报告：筛查 371 例，随机 276 例，8 例因未完成既定术前沟通被排除，最终分析 268 例，AI 组 138 例、对照组 130 例。设计为前瞻、随机、单盲、单中心 II 期，注册号 NCT07082049，入组时间为 2025 年 7 月至 12 月。

随机化方式值得单独说：按病房整群随机，而非按人随机。原因是病室为 3 至 4 人间，若同室患者分属两组，跨床交流会把干预传给对照组，主要终点直接被稀释。同日入院患者按病房 1 比 1 随机，是防污染最省事、也最贴合病房现实的办法。代价是整群随机会引入组内相关，统计上有效样本量要打折，这也解释了作者为何把校正均数差和可信区间一并报出。设盲方面，医生对分组设盲；患者身处干预中心，不可能盲法。两组基线 GAD-7 为 9.8 对 9.5，基本均衡，这也让终评差异更可能归因于干预而非起点不同。需要提醒的是，8 例被排除的理由是未完成既定术前沟通，而非失访或主动退出，性质上属于流程未执行的剔除，与常见的脱落偏倚不是一回事。

两个主要终点都动了：焦虑降了2.5分，医生负荷降了近三成

主要终点只有两个，一个朝患者，一个朝医生。患者端 GAD-7 终评 AI 组 3.2、对照组 5.7，校正均数差 -2.2，95%CI 为 -3.4 至 -1.1，P=0.001；对照基线 9.8 与 9.5 看，两组都在降，AI 组降得更多。置于量表语境里看：GAD-7 满分 21 分，临床上通常以 10 分作为中度焦虑的分界，两组基线 9.8 与 9.5 都压在这条线附近，而终评 3.2 与 5.7 均已落入轻度区间。换句话说，AI 组不是把焦虑清零，而是把一批贴着中度线的患者推到了更远处。医生端 NASA-TLX 总分 39.9 对 56.8，校正均数差 -10.6，95%CI 为 -14.3 至 -6.9，P<0.001，降幅接近三成。

两个方向同时阳性，在医疗 AI 里并不常见：多数干预只能证明一端获益，另一端不变甚至更差，毕竟省下的时间常常只是被转移而非消失。这里的解释更朴素——重复疑问被前置消解后，面对面沟通可以直接进入个体化决策。次要终点方向一致：I-PANAS-SF 正负性情绪、B-IPQ 疾病认知、PSQ-18 满意度，以及沟通时长从 19.9 分钟降到 11.3 分钟，均 P<0.001。但作者明确说明次要终点未做多重性校正，只能视为支持性结果；NASA-TLX 也没有基线数据，两组医生负荷是否原本就不同，无法从论文中判断。

18.8%的问题AI没答：这条比阳性结果更值得看

全组患者共提交 3507 个问题，人均 13.08 个。其中 2847 个、占 81.2% 由 AI 直接答复；660 个、占 18.8% 被判定不适合由 AI 直接回答，改由医生以标准化模板回复。这条阴性数字，比任何一条阳性结果都更能刻画这套系统的真实边界。

系统设计本身就在为这条边界做工程化处理。检索采用混合 RAG：bge-m3 稠密向量配 FAISS 索引，叠加 TF-IDF 稀疏检索，本地知识库为泌尿与肿瘤外科权威资料及患教材料，回答限 500 词以内；本地内容不足时，经仅出站安全网关做二次外部检索，只传脱敏后的查询表征。模型跑在院内 GPU 集群上，走内网 API，只检索不参与训练。更关键的是，所有答复先由内容审核医生在后台审核或修改后放行——18.8% 不是答错被抓出来，而是在放行前就被分流掉。

对医院信息化和供应商来说，18.8% 应当被读成规格而不是瑕疵。它说明这套系统能稳定吃下约八成的标准化疑问，剩下两成仍要医生接；人力成本不是归零，而是从全部回答变成回答最难的五分之一。评估这类系统时更有用的指标是路由率：多少比例的问题能安全交给模型，以及人工兜底的单位成本是多少。需要说明，论文公开的是这 660 个问题的比例与去向，并未给出主题分布，因此不宜推断它们究竟是个体化预后判断、并发症权衡还是情绪性提问。

冷静观察：单中心、普通话人群、次要终点未校正，III期才是真考场

需要摊开的限制不少。研究为单中心，术式仅限前列腺癌根治术，人群全部为普通话使用者，外推到多中心、其他癌种以及非普通话人群都还缺乏证据。患者无法盲法，而 GAD-7 与满意度都是主观量表，期望效应无从排除——知道自己被额外照顾，本身就可能让人更安心。次要终点未校正多重性、NASA-TLX 无基线，这两点已在主要终点之外划出了证据强度的边界。

还要加上工程前提：院内 GPU 集群、常驻的内容审核医生、仅出站安全网关，这三样并非多数医院的现成配置，复制时的边际成本容易被低估。论文目前是 2026 年 9 月 26 日在线的 Article in Press，尚未完成最终排版。接下来的 III 期、多中心、跨术式验证，才是这套模式能否成为常规工序的真考场。

原文链接：npj Digital Medicine（DOI: 10.1038/s41746-026-03309-7）

千方医数集编辑部 出品