评估GPT-4o在需呼吸科会诊的复杂呼吸系统急诊病例中的急诊处置分诊:一项诊断准确性研究
该回顾性观察研究纳入2024年11月至2025年2月土耳其某三级医院急诊221例需呼吸科会诊及胸部CT的复杂呼吸系统患者,用三种逐步增加输入信息的模型测试GPT-4o预测出院、住院或ICU处置的准确性。Model 3对住院预测敏感性最高(91.9%),但特异性最低(20.8%);对出院预测特异性最高(91.9%),但敏感性最低(20.8%)。各模型间差异均未达统计学显著(均p>0.22)。作者认为GPT-4o可能作为辅助工具标记高风险出院患者,但需前瞻性验证后方可临床实施。
要点
- 在221例需呼吸科会诊和胸部CT的复杂呼吸急诊患者中,GPT-4o对住院(病房或ICU)预测敏感性最高达91.9%(Model 3),但特异性仅20.8%。
- 对出院预测,Model 1敏感性56.2%、特异性76.9%;Model 3敏感性降至20.8%、特异性升至91.9%,呈现过度分诊模式。
- 模型间数值虽有改善,但准确性和F1分数的差异均未达统计学显著(均p>0.22)。
- 实际出院但GPT-4o建议入院的患者中,14天急诊再就诊率Model 1为23.8%(5/21)、Model 2为30.0%(9/30)、Model 3为28.9%(11/38)。
- 作者认为GPT-4o可能更适合作为「二次核查」工具标记边缘出院病例,而非独立分诊引擎,且需前瞻性验证。
适用人群与场景
- 纳入连续急诊成人患者,均接受呼吸科会诊和胸部CT,代表需专科输入的复杂呼吸系统病例而非普通急诊呼吸人群。
- 纳入标准要求完整临床数据,包括SpO₂、静脉血气参数、相关实验室结果和胸部CT发现。
- 排除有缺失关键数据、接受呼吸科以外多个专科会诊、或诊断为肺栓塞的患者(因该类病例在本机构自动入院)。
- 研究人群为孤立性非栓塞性肺部疾病,如肺炎、慢性阻塞性肺疾病(COPD)急性加重、支气管扩张和间质性肺病。
研究设计与关键结果
- 研究类型为回顾性观察研究,在土耳其某三级学术医院急诊进行,纳入221例成人患者,平均年龄67.9±14.9岁,46.6%为男性。
- 最终处置:153例(69.2%)入住普通病房,20例(9.0%)入住ICU,48例(21.7%)从急诊直接出院。
- 诊断分布:肺炎40.3%、COPD 21.3%、COPD合并肺炎30.3%、间质性肺病6.8%、支气管扩张1.4%。
- 住院预测:Model 3准确性76.5%、敏感性91.9%、特异性20.8%;Model 1准确性72.4%、敏感性76.9%、特异性56.2%。
- 出院预测:Model 1敏感性56.2%、特异性76.9%;Model 3敏感性20.8%、特异性91.9%。
- F1分数:Model 3住院0.859、病房0.709;ICU相关各模型约0.39–0.41;Model 1住院0.813、病房0.590。
- 亚组分析:SpO₂<80%患者准确性92.9%(敏感性100.0%、特异性0.0%);SpO₂≥80%患者准确性56.6–63.9%。
- 14天急诊再就诊率(实际出院但模型建议入院者):Model 1 23.8%(5/21)、Model 2 30.0%(9/30)、Model 3 28.9%(11/38);估计需评估人数NNE分别为4.2、3.2、3.4。
证据类型、等级与局限
- 证据类型:回顾性观察性诊断准确性研究(概念验证)。
- 局限:单中心三级医院,可能限制外推性;队列为高临床复杂度患者(需胸部CT和呼吸科会诊),仅21.7%出院,结论主要适用于高危复杂肺部疾病患者。
- 局限:GPT-4o预测与最终处置比较,而非与急诊医师实时决策比较,限制了对临床判断一致性的评估。
- 局限:基于提示词的交互方法可能引入模型反应变异性,输入措辞的细微变化可影响LLM行为,且仅使用单一标准化提示未测试替代结构。
- 局限:概念验证设计,缺乏呼吸频率和血压数据,限制直接转化;需前瞻性研究验证。
- 局限:ICU入住低于10%(n=20),限制亚组或多变量分析;样本量或类别不平衡可能导致模型间无显著差异。
- 局限:回顾性设计无法确定再就诊者的出院是否真正不安全,再就诊时的处置(入院vs出院)在数据集中不一致可得,再就诊发现为探索性。
对床旁实践的改变
- 作者认为GPT-4o可能作为「二次核查」工具,标记边缘参数或高风险指标、可能被过早出院的患者,而非独立分诊引擎。
- 作者认为模型的低特异性(尤其出院预测)提示过度分诊倾向,若无监督部署可能降低效率并增加资源利用。
- 作者指出模型为黑箱,无法提供透明推理,且不能纳入衰弱、社会支持或临床直觉等背景因素,限制其独立部署。
- 作者认为多数LLM主要基于西方机构英语数据训练,在土耳其等多样环境中的表现可能受限,需区域特异性微调和本地验证。
提炼说明
- 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译18 节 · 点击展开
引言
大型语言模型(LLMs),如GPT-4o,已成为支持急诊医学临床决策的有前景的工具[1]。通过处理复杂的非结构化临床数据,这些模型可以辅助诊断推理、分诊分类和患者处置——这些都是急诊科(ED)工作流程的关键要素。
早期研究表明,包括GPT-4在内的LLMs在模拟急诊场景中的诊断准确性可以优于住院医师[2]。在分诊支持方面,这些模型已表现出与经验丰富的分诊人员中等程度的一致性,在高危分类中达到约76%的准确率和超过95%的特异度[3]。GPT-4在病情严重程度分级中也表现出显著的评分者间信度(Cohen's κ ≈ 0.65–0.67),与未接受正式分诊培训的初级临床医生相当[4]。
尽管取得了这些有前景的结果,但仍存在若干局限性。最近一项系统综述报告了ChatGPT分诊性能的较大变异性,部分研究显示分级准确率低至50%[5]。此外,对GPT-4的大规模评估提示存在一致的保守偏倚,表现为处置预测中高敏感度但低特异度——与急诊医师相比,经常高估收治入院的需求[1]。
GPT-4o是OpenAI最新一代LLM,具有改进的处理能力和更低的延迟,可能提高其临床适用性。然而,其在复杂专科转诊急诊病例中的真实世界性能——尤其是处置决策方面——在很大程度上尚未经过验证。
本研究旨在评估GPT-4o在预测急诊科处置结局——出院、病房收治或ICU收治——方面的诊断准确性,研究对象为经呼吸科医师评估的孤立性肺部疾病的成年患者。使用真实患者数据,我们测试了三种临床信息丰富度递增的结构化输入模型,以评估GPT-4o能否在分层决策支持框架中复现实际临床决策。
方法
研究设计与场所
本回顾性观察研究于2024年11月1日至2025年2月28日在土耳其一家大型三级学术医院的急诊科进行。目的是评估GPT-4o——一种由OpenAI开发的通用大型语言模型——在利用真实世界临床数据预测急诊科处置结局(出院、病房收治或ICU收治)方面的诊断性能。研究聚焦于急诊科会诊后由呼吸科评估的孤立性肺部疾病成年患者。
所有临床数据在分析前均已完全匿名化。提交给GPT-4o的任何提示中均未包含患者姓名、标识符、就诊时间戳或个人可识别信息。数据在安全环境中进行本地预处理,并经过人工审核以确保去标识化。
研究方案经Van教育与研究医院临床研究伦理委员会批准(批准号:GOKAEK/2025-04-09),由于数据集的回顾性和去标识化性质,豁免了知情同意要求。
参与者
纳入范围仅限于连续就诊于急诊科、接受呼吸科会诊并完成胸部CT的患者。该方法确保聚焦于需要专科意见的复杂呼吸系统病例,而非未经选择的急诊科患者。为反映真实世界临床工作流程,采用了连续抽样策略。纳入标准要求具备完整的临床数据,包括氧饱和度(SpO₂)、静脉血气参数、相关实验室结果及胸部CT所见。
在本机构,所有胸部CT扫描均由急诊医师在呼吸科会诊之前或同时开具。呼吸科医师未独立发起影像学检查。
接受常规胸部CT或CT肺动脉造影的患者均符合条件,前提是满足所有其他纳入标准。
患者如有以下情况则被排除:关键数据要素缺失、接受了呼吸科以外的多个专科会诊、或被诊断为肺栓塞(PE),因此类病例在本机构自动收治入院,会在转归预测中引入偏倚。接受CT肺动脉造影而未发现栓塞的患者,仅在满足所有其他纳入标准且仅由呼吸科管理时才被纳入。
研究人群包括孤立性非栓塞性肺部疾病患者,如肺炎、慢性阻塞性肺疾病(COPD)急性加重、支气管扩张和间质性肺病。应用这些标准后,共有221例独立患者病例纳入最终分析。
本研究聚焦于同时需要胸部CT影像和呼吸科会诊的患者,反映了经治急诊医师判断为临床复杂性较高且诊断不确定性较大的一个亚组。
数据收集与变量
临床数据从医院电子健康记录系统中回顾性提取。收集的变量包括年龄、性别、初始分诊时记录的氧饱和度(SpO₂,%)、长期家庭氧疗状态、静脉血气参数(pH、pCO₂单位mmHg、HCO₃和碱剩余单位mEq/L、乳酸单位mmol/L)、实验室标志物(白细胞计数[WBC]单位10³/µL、C反应蛋白[CRP]单位mg/L、尿素和肌酐单位mg/dL)以及胸部CT报告摘要。
对于接受长期家庭氧疗的患者,SpO₂在补充氧气状态下测量;对于其他患者,数值反映室内空气读数。胸部CT所见直接从正式放射学报告中提取,未经重新判读。
所有数据均经过结构化预处理和质量检查。对连续变量进行生理合理性审查,极端离群值被标记以供人工核实。血气或CT数据不完整的病例被排除。
最终临床转归——出院、病房入院或ICU入院——通过医院入院记录确认,并作为实时临床决策的替代指标。尽管无法获得各提供者的时间戳决策记录,但转归结果反映了呼吸科医师在急诊科会诊后记录的判断。
预测流程
每个患者病例均通过GPT-4o处理,使用代表三个逐步丰富的临床输入水平的结构化提示词:
模型1:年龄、性别、SpO₂、长期家庭氧疗状态及静脉血气参数(pH、pCO₂、HCO₃、乳酸、碱剩余)。
模型2:模型1加上实验室指标(白细胞(WBC)、C反应蛋白(CRP)、尿素、肌酐)。
模型3:模型2加上影像学报告中胸部CT表现的总结。
提示词使用固定的标准化模板构建,将患者特异性变量插入预定义的文本槽位中。所有提示词均以相同的指令开头:基于以下患者数据,请确定最合适的急诊科(ED)处置方式:离院、住院或入住重症监护室(ICU)。
每个提示词均在隔离会话中手动提交,以确保无状态交互并消除上下文记忆效应。该方法有效地使模型对其他患者数据保持盲态,并保持了预测的独立性。未应用反馈循环、后续澄清或参数调优。
为确保一致性,所有提示词均于2025年5月5日至5月10日期间提交,使用通过OpenAI公共接口获取的同一部署版本GPT-4o。未对模型输出进行事后编辑或重新解读。详细的提示词结构见补充表1。
结局与定义
主要结局是GPT-4o基于住院记录预测每位患者临床处置类别(即离院、住院或入住ICU)的诊断准确性。每个模型输出与实际的处置标签进行匹配,并相应分类为正确(真阳性或真阴性)或错误(假阳性或假阴性)。如果GPT-4o的输出与真实世界处置完全一致,则预测被认为正确。
次要结局是真实世界中离院但被GPT-4o预测为“收治”(住院或ICU)的患者的14天急诊科再就诊率。该指标作为替代指标,用于评估临床医生的假阴性离院决策(以及GPT的“真阳性”预测)是否具有潜在的临床意义。
统计分析
使用描述性统计汇总各处置类别患者的 demographics 和临床参数。正态分布的连续变量采用单因素方差分析(ANOVA),非正态分布的连续变量采用Kruskal–Wallis检验,分类变量采用卡方检验或Fisher精确检验。除p值外,还计算了标准化均数差(SMD)以量化效应量。对于每个GPT-4o输入模型(模型1–3),使用标准分类指标评估诊断性能:准确性、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和F1分数。
如果模型预测与患者的实际临床处置(即离院、住院或入住ICU)完全匹配,则认为预测正确。针对每个处置类别计算混淆矩阵组分。
为比较三种输入模型的预测性能,同时采用了描述性趋势和推断性统计。具体如下:
McNemar精确检验用于评估分类准确性的成对差异。
应用Bootstrap重采样(n = 10,000)来估计准确性差异的置信区间。
进行置换检验(n = 10,000)以评估模型间F1分数的差异。
鉴于重症监护室入住人数相对较少(n = 20),未进行亚组或多变量分析。所有统计分析均使用 Jamovi(版本 2.6.26)和 Python 3.10(scikit-learn、numpy、matplotlib)完成。所有比较性统计检验的详细结果见补充表2。
样本量论证
根据预试验及急诊医学中大型语言模型的早期诊断准确性基准,GPT-4o 预测住院的预期灵敏度估计为 80%。功效分析表明,在 95% 置信水平下,以 ± 10% 的精确度边际达到 80% 功效,至少需要 59 例病例。
然而,为确保在所有转归类别(包括较少见的 ICU 入住)中进行稳健评估并保持外部有效性,采用了连续采样策略。研究期间所有符合条件的患者均被纳入,最终分析样本为 221 例。该方法允许在三种输入模型之间进行分层比较,并保留了结局的真实世界分布。
结果
研究人群
共纳入 221 例因孤立性肺部疾病于 2024 年 11 月 1 日至 2025 年 2 月 28 日期间经急诊科会诊后由呼吸科评估的成年患者。患者筛选及排除流程见图 1。研究人群平均年龄为 67.9 ± 14.9 岁,46.6% 为男性。临床转归方面,153 例(69.2%)收入普通病房,20 例(9.0%)收入 ICU,48 例(21.7%)直接从急诊科出院。诊断分布见表 1:肺炎(40.3%)、COPD(21.3%)和 COPD + 肺炎重叠(30.3%)最常见,其次为间质性肺病(6.8%)和支气管扩张(1.4%)。
按转归分组的临床和实验室特征
表 2 按最终转归类别总结了关键人口学、临床和实验室变量。各转归组间 SpO₂、pH 和 pCO₂ 值观察到统计学显著差异,效应量大。出院患者中位氧饱和度为 90.0%,病房入院者为 80.0%,ICU 入住者为 70.0%(p < 0.001,出院 vs. ICU 的 SMD 高达 2.05)。同样,中位 pH 值分别为 7.38、7.39 和 7.28(p < 0.001,SMD 高达 0.87),中位 pCO₂ 值分别为 44.0 mmHg、45.4 mmHg 和 67.8 mmHg(p < 0.001,SMD 高达 1.47)。HCO₃、乳酸、碱剩余、CRP、WBC、尿素或肌酐水平未发现统计学显著差异(所有 p > 0.05,所有 SMD < 0.2)。
住院和出院预测的模型性能
表3和表4展示了GPT-4o在三种输入模型下的诊断性能。对于总体入院(病房或ICU),模型准确率从模型1的72.4%提高到模型3的76.5%。灵敏度也从76.9%提高到91.9%,而特异度从56.2%下降到20.8%,表明向更高灵敏度转变,代价是假阳性预测增加。
对于出院预测,模型1表现出相对均衡的指标(灵敏度56.2%,特异度76.9%),而模型3实现了更高的特异度(91.9%)但较低的灵敏度(20.8%),提示在更复杂的输入模型中存在过度分诊的模式。
各模型间F1分数比较
表5展示了各处置结局的F1分数。模型3在入院(0.859)和病房入院(0.709)方面产生了最高的F1分数,而ICU相关分数在所有模型中保持相对一致(约0.39–0.41)。模型1在入院(0.813)和病房入院(0.590)方面分数最低,而模型2提供了中间性能值。这些结果表明,随着临床输入复杂度的增加,预测平衡性有适度改善,尤其是在非危重处置类别中。
尽管模型3在大多数类别中产生了最高的性能,但任何模型组合之间均未观察到统计学显著差异(所有p > 0.22)。
模型准确率的成对比较产生的置信区间包含零,置换检验显示模型3的F1分数中位数较高,但未达到统计学显著性(所有p > 0.97)。
按年龄和血氧饱和度的亚组分析
在亚组分析中,年轻和老年患者之间的准确率相当(< 65岁:68.1–76.4%;≥65岁:75.2–77.9%)。选择65岁作为年龄截断值是因为它代表了呼吸和重症监护研究中常用的传统临床阈值。相比之下,性能因血氧饱和度而异:在SpO₂ <80%的患者中——对应于研究队列的中位氧合值——准确率较高(92.9%),这是由于最大灵敏度(100.0%)和最低特异度(0.0%)。在SpO₂ ≥80%的患者中,准确率较为适中(56.6–63.9%),各模型之间存在灵敏度-特异度权衡(灵敏度51.2%→82.9%,特异度67.5%→25.0%)(见补充表3)。
急诊科出院后再就诊
在48例从急诊科出院的患者中,GPT-4o使用模型1推荐入院21例,使用模型2推荐入院30例,使用模型3推荐入院38例。这些病例被视为假阳性入院(模型推荐入院但实际出院)。模型1的14天再就诊率为23.8%(5/21),模型2为30.0%(9/30),模型3为28.9%(11/38)。再就诊者的诊断主要为肺炎(模型1:40%;模型2:66.7%;模型3:72.7%),其次为COPD、COPD + 肺炎和间质性肺病(补充表4)。
为近似估计临床影响,我们利用假阳性入院(GPT-4o建议入院、临床医生准予离院)中的14天再就诊率,推导出一个实用的需评估人数(NNE)。如补充表4所示,估计的NNE分别为4.2(模型1)、3.2(模型2)和3.4(模型3),提示大约每增加三到四次GPT提示的入院,可捕获一名在14天内再就诊的患者。这些发现属于探索性,应谨慎解读,因为再就诊并不一定等同于不安全离院。
讨论
GPT-4o等大语言模型(LLM)作为急诊决策支持工具日益受到探索,尤其是在分诊和处置方面[6, 7]。在本研究中,我们评估了GPT-4o在预测孤立性肺部疾病患者处置结局方面的诊断准确性。随着输入复杂度增加,敏感性有所提高,尤其是在识别需要住院或ICU入院的患者方面。与此同时,特异性和离院预测的准确性有限,这与既往LLM评估中描述的保守分诊偏倚一致[5, 8]。
尽管模型2和模型3纳入了逐步更复杂的输入,但其性能与更简单的模型1无显著差异。这可能反映信息内容重叠、样本量有限以及高急重症队列中的天花板效应,强调更简单的模型可能同样实用。
GPT-4o利用其在临床和非临床文本上的训练来模拟诊断推理并优先考虑可能结局。在本研究中,这转化为对住院的高敏感性(高达91.9%),尤其是在纳入实验室和影像数据时(模型3)。然而,该模型的特异性较低(20.8%),导致倾向于入院的保守偏倚,GPT-4o建议对约70%最终离院的患者住院。这一模式反映了既往发现,即LLM倾向于高估疾病严重程度,可能由于缺乏提供者整体判断、心理社会因素或实时观察等背景数据[4, 5, 9]。虽然这种过度分诊可能增加病床使用和相关费用,但也可能作为安全网降低漏诊病情恶化的风险。这些发现强调了患者安全与资源效率之间的权衡,未来前瞻性验证必须仔细权衡。
在我们的再就诊分析中,GPT-4o会建议对近70%最初离院的患者住院,尽管不到30%需要实际再住院。约四分之一在两周内返回急诊科,提示该模型可能识别出实时决策中未被优先考虑的风险信号。虽然无法确定因果关系,但这一模式支持LLM可作为二级筛查工具——突出边缘性离院病例以进行更密切随访或安全网措施[10, 11]。在此类工具可靠整合入临床工作流程之前,需要前瞻性验证。
此前已有数项研究在急诊医学领域评估了大语言模型(LLM),其中大多数聚焦于模拟病例、分诊分类或跨通用表现的诊断准确性[2–4, 8]。我们的研究不同之处在于将GPT-4o应用于涉及正式专科会诊——具体为呼吸科——的真实世界患者数据,反映了更高的诊断复杂性和真实的处置挑战。与既往使用二分类(如收治 vs. 离院)的研究不同,我们评估了三分类处置结局(离院、病房、ICU),提供了与急诊科工作流程更契合的细粒度评估。此外,我们纳入了逐步输入设计,并将模型预测与实际患者结局(包括急诊科早期再就诊)相关联。这些方法学特征弥补了当前LLM文献中的关键空白,并为未来临床整合提供了更为务实的框架。
GPT-4o或许并非作为独立的三角分诊引擎发挥作用,而更适合作为一种“复核”工具,标记出处置决策需要额外审查的病例。在这一角色中,该模型可突出那些参数处于临界值或具有高风险指标、否则可能被过早离院的患者。这种辅助性方法与新兴文献强调增强而非替代临床医生判断的理念相一致[7, 12]。经进一步验证后,此类方法或可在真实世界急诊诊疗实践中提供补充性支持。
尽管在收治预测方面表现出良好性能,GPT-4o的临床效用仍然有限。该模型作为黑箱运行,不提供透明推理以支持在高风险急诊环境中的信任[12]。它也无法纳入情境丰富的因素——如衰弱、社会支持或临床医生直觉——这些因素在处置决策中往往具有决定性作用[9, 13]。这些局限性限制了其独立部署,并凸显了在真实世界使用中人类监督和可解释性的必要性。
另一个关键问题涉及GPT-4o输出在不同医疗系统间的可推广性。大多数LLM主要基于西方机构的英语数据训练,这可能限制其在不同环境(如土耳其)中的表现,原因在于术语、疾病模式和临床实践的差异。这些差距可能降低模型的可靠性和诊断一致性,尤其是在代表性不足的地区[12, 14]。随着LLM日益整合到决策支持工具中,区域特异性微调和本地验证对于确保准确性和相关性将十分重要。若缺乏此类适配,在受控环境中表现良好的模型在多样化真实世界情境中可能显示出降低的可靠性。
总之,当提供逐步丰富的临床输入时,GPT-4o在预测住院和ICU入住方面表现出高敏感性,支持其在急诊科对复杂肺部疾病患者进行处置决策分层的潜在效用。然而,该模型有限的特异性——尤其是在出院预测方面——凸显了其过度分诊的倾向,若无监督部署可能降低效率。通过实施结构化、多层次的输入策略并将预测与现实世界结局相关联,本研究为评估基于大语言模型(LLM)的急诊决策工具提供了一个实用框架。未来工作应聚焦于前瞻性验证、区域特异性适配以及审慎整合入临床工作流程,以确认此类系统能够在前线诊疗中安全且有意义的应用。
局限性
本研究存在若干局限性,在解读研究结果时应予以考虑。
第一,本研究在土耳其的一家三级诊疗中心开展,可能限制其向其他环境的外推性。该队列代表临床复杂性较高的患者——即同时需要胸部CT和呼吸科会诊的患者——仅21.7%从急诊科出院。因此,我们的发现主要适用于具有复杂肺部疾病的高危患者。
第二,GPT-4o的预测与最终处置进行了比较,但未与急诊医师的实时决策进行比较,限制了对与临床医生判断一致性的评估,并可能低估动态决策过程中的差异。
第三,基于提示词的交互方法引入了模型反应的潜在变异性。尽管所有提示词均遵循标准化结构并在受控条件下提交,但输入措辞的细微变化即可影响LLM的行为。这一局限性反映了基于提示词的人工智能评估在可重复性方面更广泛的挑战。如补充表1所详述,我们对所有模型应用了单一标准化提示词,未测试替代结构。该方法确保了 consistency 并反映了概念验证基线;然而,未来研究可探索提示词优化策略能否进一步提升性能。
第四,本研究设计为概念验证性评估。呼吸频率和血压数据的缺失反映了数据集局限性并限制了直接可转化性。因此,这些发现应被视为潜在价值的探索性证据,有待在具有完整数据集的前瞻性研究中进一步验证。
第五,结构化输入层级使性能比较得以实现,但统计检验显示准确率或F1分数无显著差异,可能归因于样本量或类别不平衡。ICU入住率低于10%(n = 20),限制了亚组或多变量分析。
第六,我们的主要目标是评估GPT-4o在真实临床实践中能在多大程度上复现一位经验丰富的呼吸科医师所做的处置决策。这些决策被用作参考结局,而非临床正确性的金标准。尽管GPT-4o倾向于对部分在14天内再次就诊的患者建议收治入院,但回顾性设计使我们无法确定那些离院决定是否真正不安全。在本回顾性数据集中,再次就诊时的处置(收治入院 vs. 离院)并非 consistently 可获得;因此,再次就诊的发现属于探索性,应谨慎解读。
最后,与所有回顾性分析一样,本研究受限于数据准确性和完整性方面的不足。尽管采用了严格的数据清理和验证程序,但潜在的记录偏倚或未测量的混杂因素可能影响了模型输入或结局判定。
结论
在这项针对需要专科会诊和CT成像的复杂肺部病例的诊断性评估中,GPT-4o在预测处置方面显示出高敏感性但低特异性。当提供丰富的临床输入(如实验室结果和影像摘要)时,它在识别住院和ICU收治方面表现尤为出色。这些发现表明,GPT-4o可能有助于对复杂肺部表现患者的处置决策进行分层,支持其作为急诊分诊和处置中决策支持工具的潜在用途。
然而,该模型的低特异性——尤其是对离院决策——表明其存在保守倾向,若不加以谨慎管理,可能导致过度分诊和医疗资源负担增加。通过应用结构化、分层式的输入方法并将预测与真实世界结局(包括急诊再次就诊)相关联,本研究为评估LLM在专科转诊、诊断复杂的急诊病例中的性能提供了一个务实的框架。
未来工作应侧重于跨不同场景的前瞻性验证、与结构化电子健康记录系统的整合,以及优化提示词或模型配置以改善离院安全性和临床可解释性。GPT-4o或许更适合作为辅助工具而非独立的分类系统,用于标记潜在高风险的离院患者,在高复杂度急诊诊疗背景下补充临床医师的专业判断。
补充信息
以下是电子补充材料的链接。
补充材料1
补充材料2
补充材料3
补充材料4
参考来源
- Yıldırım C, Aykut A, Günsoy E, et al. Evaluating GPT-4o for emergency disposition of complex respiratory cases with pulmonology consultation: a diagnostic accuracy study. Scand J Trauma Resusc Emerg Med. 2025. PMID: 41039558. doi:10.1186/s13049-025-01475-3
- 全文:PMC12492850(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12492850/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。