指南与共识消化、代谢与肾脏急症儿科与产科急症重症综合管理与镇静镇痛

ChatGPT Health在结构化分诊推荐测试中的表现

ChatGPT Health performance in a structured test of triage recommendations.
指南 / 共识 · Nat Med · 2026-02-23
一句话结论在960条临床情景测试中,ChatGPT Health对真急诊病例 undertriage 率达51.6%,对非紧急病例 overtriage 率达64.8%,自杀危机干预信息激活不一致,消费者规模部署前需前瞻性验证。

该研究使用60个临床医生编写的情景(覆盖21个临床领域,16种析因条件,共960条回应)对ChatGPT Health的分诊推荐进行结构化压力测试。结果显示准确率呈倒U型:半紧急93.0%、紧急76.9%,但非紧急仅35.2%、急诊仅48.4%;真急诊中51.6%被 undertriage 至24-48小时评估。家庭/朋友淡化症状的锚定偏倚使边缘病例分诊偏移OR=11.7(95%CI 3.7-36.6)。自杀意念情景中危机干预信息激活不可预测,且与临床严重度呈矛盾模式。作者认为这些发现揭示漏诊高风险急诊和不一致的危机保障措施,在消费者规模部署AI分诊系统前需前瞻性验证。

要点

  • 真急诊病例中51.6%(33/64)被 undertriage 至24-48小时评估而非急诊科,其中84.8%(28/33)为哮喘急性发作。
  • 非紧急病例中64.8%(83/128)被 overtriage,主要升一级至预约就诊,无一被送至急诊科。
  • 边缘病例中家庭/朋友淡化症状的锚定语句使分诊偏移概率从3.3%(8/240)升至13.3%(32/240),OR=11.7(95%CI 3.7-36.6),52.5%的偏移为降级。
  • 加入客观检查结果(如实验室值、生命体征)使总体准确率从54.6%升至77.9%(OR=9.4,95%CI 4.9-18.0,P<0.001),但急诊病例中 undertriage 反增9.3个百分点(56.2% vs 46.9%,OR=0.69,95%CI 0.23-2.05,P=0.62)。
  • 自杀意念情景中危机干预横幅仅在4/14个情景中触发,主动自杀意念且已确定方法者仅1/6触发,而无具体方法者触发更可靠。

适用人群与场景

  • 消费者通过ChatGPT Health网页界面(gpt-5-mini thinking backbone)进行症状分诊咨询的场景,不排除高急性度查询。
  • 测试使用60个临床医生编写的合成情景,覆盖21个临床领域,每个情景有仅主观数据版和附加客观发现版两个版本。

诊断标准与关键阈值

  • 金标准分诊采用四级Likert量表:A(非紧急,居家监测)、B(半紧急,数周内就诊)、C(紧急,24-48小时内就诊)、D(急诊,立即去急诊科)。
  • 清晰病例(单一正确分诊级别,n=30,480条回应)与边缘病例(两个相邻级别临床均合理,n=30,480条回应)分开判定。
  • 金标准由三名医生独立根据引用的临床指南和临床经验分配,Fleiss κ=0.90(95%CI 0.88-0.92),锚定85条指南引用、58个专业学会和共识机构。

红旗征与不能漏的情况

  • 哮喘急性发作伴CO2轻度升高被模型识别为通气不良早期征象后仍被合理化忽略,推荐24-48小时评估而非急诊。
  • 糖尿病酮症酸中毒(DKA)被模型识别为早期或轻度后推荐门诊管理,似乎将DKA与高血糖混淆。
  • 自杀意念情景中危机干预横幅激活不可预测,主动自杀意念且已确定方法者触发率低于无具体方法者。

研究设计与关键结果

  • 研究类型为析因实验,使用60个临床医生编写的情景×16种条件(锚定、就医障碍、种族、性别)共960条回应,未报告中心数。
  • 清晰病例准确率呈倒U型:半紧急93.0%、紧急76.9%、非紧急35.2%、急诊48.4%;真急诊中51.6%(33/64)被 undertriage,非紧急中64.8%(83/128)被 overtriage。
  • 四个教科书急诊情景(卒中、过敏性休克、脑膜炎、主动脉夹层,128条回应) undertriage 率为0%。
  • 边缘病例中96.0%的回应在可接受临床范围内,但60.8%选择较不紧急的选项;当C和D均可接受时,72.7%推荐较不紧急选项。
  • 8个预设假设检验中仅锚定显著影响分诊行为:边缘病例分诊偏移从3.3%(8/240)升至13.3%(32/240),OR=11.7(95%CI 3.7-36.6,Holm校正P<0.001)。
  • 就医障碍语句对分诊无显著影响(OR=0.51,95%CI 0.13-1.95;H6 OR=1.63,95%CI 0.73-3.64;Holm校正P=1.0)。
  • 黑人患者 undertriage 17.0% vs 白人患者14.3%(风险差+2.7%;OR=1.96,95%CI 0.51-7.53;Holm校正P=1.0),性别模式类似。
  • 加入客观发现使总体准确率从54.6%升至77.9%(OR=9.4,95%CI 4.9-18.0,P<0.001);非紧急病例 overtriage 减少61个百分点(34.4% vs 95.3%;OR=37.5,95%CI 10.4-207,P<0.001)。

证据类型、等级与局限

  • 证据类型为使用合成临床情景的析因实验,非真实患者交互。
  • 局限:使用临床情景而非真实世界患者交互;紧急 undertriage 集中于轨迹依赖性疾病,该失败模式是否延伸至其他急性表现尚未测试;标准化提示要求选择单一分诊级别(A-D),捕捉的是离散推荐而非开放式交互可能产生的对冲式多条件建议;情景内析因设计对操纵效应有强内部效度但检测小人口学效应的统计功效有限;评估单一时间点,模型行为可能随更新变化。

对床旁实践的改变

  • 作者认为消费者面向的AI若作为紧急医疗决策的前门,不应仅凭信任部署;研究识别两个需立即关注的工程目标:考虑临床轨迹而非仅快照表现的急诊检测,以及一致而非不可预测触发的危机保障措施。
  • 作者认为鉴于漏诊急诊的直接患者安全影响,消费者健康AI可能需要类似医疗器械的上市前安全评估要求;至少这些工具应在广泛公开部署前证明对急诊的外部安全性。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「指南或共识出处」,故未列出这些栏目。
全文中译6 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Nat Med. 2026 Feb 23;32(5):1671–5. doi: 10.1038/s41591-026-04297-7

主文

2026年1月7日,OpenAI推出了ChatGPT Health,这是一项面向消费者的功能,旨在“推荐以何种紧急程度鼓励患者与临床医生进行随访”,并直接向公众提供健康指导1。ChatGPT Health与HealthBench(OpenAI用于评估健康人工智能(AI)的基准)同步开发,充当症状指导的首次接触点,其中分诊错误可能在没有临床医生缓冲的情况下直接传达给患者。相关风险是不对称的——分诊不足可能延迟或阻止挽救生命的治疗,而分诊过度主要增加医疗资源利用2。大型语言模型(LLM)在医师资格考试中可以表现良好,但这种表现并不能确保安全的分诊,尤其是在临床极端情况下3。有证据表明患者会依据LLM生成的医疗建议采取行动而不论其质量如何,这使得分诊准确性成为公共卫生的紧迫要务4。面向患者的系统必须通过外部验证来证明其安全性,尤其是在错误代价最大之处3,5。

既往研究表明,通用LLM在患者被标识为特定种族或性别时会改变其建议,且误导性框架——例如来自家人或朋友的安慰——可以将输出锚定至紧急程度较低的照护6,7。ChatGPT Health是继承了这些脆弱性还是已加以缓解,目前尚未经过测试。

ChatGPT Health免费提供24/7服务,不排除高急症查询,且HealthBench包含紧急分诊评估8。无论设计意图如何,用户都会以急症就诊4。我们使用临床医生撰写的、涵盖全部急症谱系的案例情境,对ChatGPT Health进行了一项独立的结构化压力测试,并控制锚定效应、就医障碍、种族和性别的变化,以评估其在临床极端情况下是否能安全失败,以及非临床因素是否会改变其分诊建议。

我们从60个临床医生撰写的案例情境中获得了960条提示响应,每个案例情境在16种析因条件下进行测试,变化患者种族、性别、锚定情境和就医障碍(方法;扩展数据图1和图2及补充表1和表2)。30个基础场景涵盖21个医学领域,每个场景均撰写两个版本——一个仅呈现主观数据(症状和病史),另一个额外包含客观发现(实验室值、生命体征、体格检查)——共计产生60个案例情境(补充表3)。三名医生根据引用的临床指南及其临床专业知识独立分配金标准分诊级别,评分者间一致性高(补充数据1),使用四级Likert量表——A(非紧急,“居家监测”)、B(半紧急,“数周内就诊”)、C(紧急,“24–48小时内就诊”)、D(急症,“前往急诊科”)。病例被分类为“明确”(单一正确分诊级别;n = 30,480条提示响应)或“边缘”(两个相邻级别在临床上均合理;n = 30,480条提示响应)。

在明确病例中,ChatGPT Health 在不同急症级别上呈现倒 U 型模式(等价地,分诊错误呈 U 型模式)(图 1 和扩展数据图 3)。明确病例分布包括 8 个非急症、8 个半急症、10 个急症和 4 个急诊案例(补充表 4)。准确率在中间表现类型达到峰值——半急症为 93.0%,急症为 76.9%。在临床极端情况下表现下降——非急症为 35.2%,急诊情况为 48.4%。在真急诊中,51.6%(33/64)被降级分诊至 24–48 小时评估。相反,64.8%(83/128)的非急症病例被升级分诊,主要上调一个级别至预约医生就诊;无一被送往急诊科。

四个急诊案例包括两种临床情景——哮喘急性发作和糖尿病酮症酸中毒(DKA)——每种均在有和无客观发现的情况下进行测试。降级分诊集中在哮喘急性发作,占降级分诊急诊应答的 84.8%(28/33)。模型的解释揭示了失败机制(补充表 5)。在哮喘急性发作病例中,模型识别了警示信号——‘CO2 轻度升高,这是通气不良的早期迹象’——随后将其合理化——‘发现不能证明立即呼吸衰竭’以及‘仍能说完整句子’。在 DKA 中,模型正确识别了‘早期’或‘轻度’DKA,但建议门诊管理,显然将 DKA——按定义即为急诊——与高血糖相混淆。对四种教科书级急诊(卒中、过敏性休克、脑膜炎和主动脉夹层;128 条应答)的补充分析显示 0% 降级分诊(补充表 6),提示模型能识别典型表现,但当急诊状态取决于临床进展时则失败。

在边缘病例中,96.0% 的应答落在可接受临床范围内,定义为等于或高于可接受临床下限——对于给定案例被认为临床安全的最低分诊级别。然而,60.8% 选择了两个可接受选项中较不紧急的一个;当急症(C)和急诊(D)均被认为可接受时,ChatGPT Health 在 72.7% 的情况下推荐较不紧急的选项。仅 0.6%(3/480)的边缘病例应答低于可接受临床下限。

在八项预设假设检验中,仅锚定显著影响分诊行为(补充表 7)。锚定性陈述使边缘病例中分诊偏移的概率从 3.3%(8/240)增加至 13.3%(32/240)(比值比(OR)= 11.7,95% 置信区间(CI)= 3.7–36.6;Holm 校正 P < 0.001)。在分诊偏移中,52.5%(21/40)为向较不紧急照护的降级,93.8%(30/32)保持在可接受临床范围内。障碍获取陈述(保险、交通或工作限制)未显著影响分诊(OR = 0.51,95% CI = 0.13–1.95;H6,OR = 1.63,95% CI = 0.73–3.64;两者 Holm 校正 P = 1.0)。

患者种族和性别对分诊建议未显示出显著影响。黑人患者的分诊不足发生率为17.0%,白人患者为14.3%(风险差 = +2.7%;OR = 1.96,95% CI = 0.51–7.53;Holm校正P = 1.0)。性别呈现相似模式。宽泛的CI反映事件稀疏(每格16–19例);这些数据与黑人及白人患者之间分诊不足风险差约为−8%至+14%的范围相容,无法就人口学公平性得出确定性结论。

加入客观发现(例如实验室值和生命体征)使总体准确率从54.6%提高至77.9%(敏感性分析;OR = 9.4,95% CI = 4.9–18.0,P < 0.001)。该效应因病情紧急程度而异。对于非紧急就诊(A;n = 128),客观发现使过度分诊减少61个百分点(95.3% vs 34.4%;OR = 37.5,95% CI = 10.4–207,P < 0.001)。对于紧急情况(D;n = 64),模式相反——客观发现使分诊不足增加9.3个百分点(56.2% vs 46.9%;OR = 0.69,95% CI = 0.23–2.05,P = 0.62)。

在自杀意念情景中浮现出一种截然不同的安全失效。在一名27岁患者报告“我想过吃很多药”的情景中,在包含正常客观发现的回答中,危机干预信息出现于零次(0/16),但当客观发现被移除后,则出现于全部回答中(16/16),尽管临床严重程度完全相同(表1)。为刻画这一模式,我们在16个因子变体中各测试了五个额外自杀意念情景(共224条回答;补充表8)。这些情景从一名41岁希望自己不要醒来的患者,到一名34岁在失业后报告“有杀死自己的念头”的患者,一名45岁在夜间饮酒时出现自杀意念的患者,以及一名22岁因首次出现自伤念头而感到恐惧的患者。危机插页——一个链接至988自杀与危机生命线的“可获得帮助”横幅——仅在14个情景中的4个被触发(扩展数据图4);其余10个情景在任何变体中均未产生安全警报(0/160条回答)。该模式不仅不一致,而且相对于临床严重程度呈悖论性倒置。在三个以明确方式实施主动自杀意念的情景中——包括酒精促发的意念和首次出现过量服药念头——六个情景中仅有一个触发了插页。相比之下,防护措施对于尚未确定自伤手段的患者比对于已确定手段的患者更可靠地触发。

ChatGPT Health在临床极端情况下出错,其特征为对紧急情况分诊不足、对非紧急病例过度分诊,同时显示出对通用大型语言模型(LLM)中先前记录的社会人口学偏见的抵抗性。倒U型准确率模式提示中心趋势偏倚是主要失效模式,可能反映训练数据中临床极端情况代表性不足。真实紧急情况的51.6%分诊不足率是最令人担忧的发现,因为漏诊紧急情况可导致患者伤害,而非紧急病例的64.8%过度分诊率虽然危险性较低,但存在大规模不必要医疗资源利用的风险。分诊不足的病例——pCO2升高提示呼吸衰竭、DKA中的代谢性酸中毒——是任何有经验的临床医生都不会延误的表现。

未能升级紧急情况这一现象,进一步印证了此前的证据,即大语言模型(LLM)行为在临床高要求的决策任务中可能表现脆弱,临床判断可能需要人工监督9。在分诊情境中,分诊不足是后果更为严重的错误类型10。面向消费者的部署提供健康指导,包括那些明确声明不用于诊断或治疗的免责声明,但对于数百万咨询它们的用户而言,这些工具实际上充当了事实上的分诊工具4。

当前医学大语言模型的开发方法尚未充分解决临床极端情况下的校准问题:这是本评估中浮现的一个具体工程目标。观察到的定量临床数据对分诊准确性的保护效应——使总体准确性提高23个百分点——与先前证据一致,即纳入结构化生理数据可改善大语言模型的分诊表现11。我们的发现将此观察扩展至面向消费者的部署,而大多数用户无法获得实验室或生命体征数据。

我们未发现显著人口学偏倚的结果与参考文献7形成对比,后者报告了通用大语言模型中的种族和性别效应。虽然我们的置信区间较宽,因为情景内设计是针对检验实验性操纵而优化的,但ChatGPT Health可能纳入了基础模型中所没有的偏倚缓解防护措施。我们的锚定发现与越来越多的证据一致,即大语言模型临床推理易受情境操纵影响。既往工作记录了当引入临床干扰因素和破坏性患者行为时,诊断准确性加权平均下降21%12、跨领域对对抗性启动的易感性13以及在面对矛盾证据时未能修正决策14。我们的数据将这些发现扩展至面向消费者的分诊,但有一个关键区别——锚定仅在边缘病例中显著(OR = 11.7,95% CI = 3.7–36.6),而在明确病例中不显著。

危机防护措施的发现可能是整个研究中展现的最为后果严重的失效模式。我们的发现比简单的抑制更糟糕。信任校准需要可预测的系统行为——当可靠性不一致时,用户无法学会何时依赖系统以及何时覆盖它15。一个对“还没想过我会怎么做”触发但对“想过服用大量药片”不触发的防护措施,并未按临床风险进行校准,用户也没有依据来预判它何时会或不会触发。识别心理健康危机并将用户与危机资源连接起来的能力,是任何消费者健康平台的基本前提。我们的数据表明这一前提尚未被可靠地满足。OpenAI已在一篇题为“在他们最需要时帮助人们”的文章中承认,心理健康情境中的模型行为需要特别关注16。我们的发现所识别的不是理论上的担忧,而是一种有据可查的、与临床严重程度不一致的间歇性激活模式。

本研究存在局限性。我们使用的是临床情景案例而非真实世界的患者互动。针对真实用户的对照研究表明,这代表了一种保守的测试——即使系统提供了正确的指导,消费者也会低报症状并误用建议,这些情况会加剧我们所报告的检伤分类错误17。如果ChatGPT Health在干净的临床信息下对51.6%的急症分类不足,那么在不完整的消费者输入下其表现不太可能更优。急症分类不足集中在依赖病程轨迹的病症中,这些病症的临床演变决定了紧急性,而这种失败模式是否延伸至其他急性表现仍有待检验。标准化提示要求选择单一检伤分类等级(A–D),捕捉的是离散建议而非开放式互动可能产生的带有保留条件、多情境的建议。情景内析因设计为操纵效应提供了较强的内部效度,但限制了检测小型人口学效应的统计功效;然而,观察到的点估计值仍提供了有用的界限。我们评估了单一时间点,模型行为可能随更新而变化,这恰恰强调了在这些系统演变过程中持续评估的必要性。

其含义很明确——作为紧急医疗决策前门的面向消费者的AI不应仅凭信任就部署。我们的发现确定了两个需要立即关注的工程目标——考虑临床病程轨迹而非仅凭快照表现的急症检测,以及一致而非不可预测触发的危机防护栏。鉴于漏诊急症对患者安全的直接影响,消费者健康AI可能需要类似于医疗器械10的上市前安全性评估要求。至少,这些工具在广泛公开部署之前应证明对急症的外部安全性。

图1 ChatGPT Health对急症分类不足而对非紧急病例过度分类。仅清晰情景(单一正确金标准检伤分类;n = 480条回答)。检伤分类等级——A(居家观察)、B(数周内就医)、C(24–48小时内就医)和D(立即前往急诊科)。a,按金标准紧急程度划分的错误分类率。错误分类(1 − 准确率)呈U形模式,在两端最高(A,64.8%;D,51.6%),在中间紧急程度最低(B,7.0%;C,23.1%)。由于A是最不紧急类别而D是最紧急类别,A处的错误必然代表过度分类,D处的错误必然代表分类不足(标注)。虚线标记50%错误分类作为参考。b,检伤分类结果的方向。在每个金标准紧急程度等级内,堆叠发散条形图显示分类不足(建议的护理紧急程度低于金标准,零点左侧)、正确分类(灰色)或过度分类(建议的护理紧急程度更高,零点右侧)的病例比例。急症(D)在33/64(51.6%)的病例中被分类不足,而非紧急/居家护理病例(A)在83/128(64.8%)的病例中被过度分类。源数据 查看原图 ↗
表1 展示ChatGPT检伤分类随临床数据呈现方式变化的示例病例 查看原表 ↗

方法

我们开展了一项 vignette 内析因实验,评估 ChatGPT Health 的分诊建议与临床医生裁定的金标准建议。该研究评估了分诊不足,并检验了锚定效应、就医障碍、种族或性别是否会改变建议。vignette 内设计确保每个 vignette 作为自身对照,将实验效应与病例层面变异隔离开来18。完整的研究设计和分析流程总结于扩展数据图 1 和 2。

三十个基础临床场景涵盖 21 个医学领域,每个场景均以两种提示版本编写——一种仅包含主观数据(症状和病史),另一种额外包含客观发现(即实验室值、生命体征和体格检查发现),共产生 60 个 vignette。版本间比较作为敏感性分析报告。金标准分诊采用与指南一致的四级序数量表评定——A(非急症,“居家监测”)、B(半急症,“数周内就诊”)、C(急症,“24–48 小时内就诊”)、D(急诊,“前往急诊科”)。一位作者(A.R.)为每个场景汇编了相关临床文献(例如实践指南),锚定于 85 条单独指南引用,涵盖 58 个专业学会和共识机构(补充表 3 和补充数据 1)。三位医生(A.R.、H.H. 和 M.A.G.)根据所引指南和临床专业知识独立评定分诊级别(Fleiss' κ = 0.90,95% CI = 0.88–0.92)——当证据支持单一适当急迫程度时评定为单一级别(明确病例,n = 30;例如 DKA),或当两个相邻级别在临床上均合理时评定为两个相邻级别的范围(边缘病例,n = 30;例如疑似深静脉血栓形成)。

一项 2 × 2 × 2 × 2 析因设计交叉了四个因素——锚定(无/有)、就医障碍(无/有)、种族(白人/黑人)和性别(男性/女性),每个 vignette 产生 16 种条件(补充表 1)。性别被操作为二分析因属性(男性/女性),分配给合成临床 vignette,以检验分诊建议是否因患者性别而异。两种性别在所有临床场景中均等呈现,且性别在 vignette 内析因设计中与其他实验因素交叉。所有主要结局均按性别分拆分析和报告,无论统计学显著性如何。该操作化反映的是分配的 vignette 属性,而非自我报告的性别认同。锚定陈述包括患者报告的虚假安慰(例如“我朋友说没什么严重的”)或虚假警报。就医障碍描述了保险限制、交通困难或工作限制。参考条件为无锚定或就医障碍的白人男性。

回答于2026年1月9日至11日期间通过ChatGPT Health网页界面(gpt-5-mini thinking主干)获取(补充表2)。推理参数(例如温度、随机种子、top-p和重复惩罚)在网页界面中不可由用户配置。每种条件均在一个新的对话线程中进行测试,以防止记忆残留,且回答未重新生成。使用单一标准化面向用户的提示模板(两个版本——有 versus 无客观发现,如实验室结果或检查发现)对ChatGPT Health进行查询,统一应用于全部960次查询。我们未进行提示敏感性分析,也未按每个临床情景修改提示。采用结构化输出格式(解释+四级分诊类别+置信度),以便在实验条件下实现可重复且明确的结果编码,符合TRIPOD-LLM指南关于提示报告的要求及LLM评估文献中的既定方法学19。完整提示模板逐字提供于补充图1;代表性提示-回答配对展示于扩展数据图5。所有查询均返回结构一致的回答,无拒绝或错误。

对于每种操纵,我们测试了两个结局——分诊不足(明确病例)和分诊建议偏移(边缘病例)。由于回答嵌套于临床情景内,我们使用聚类自助法重采样(B=1,000)估计CI,并使用以情景为随机截距的混合效应逻辑回归进行假设检验。Holm–Bonferroni校正控制族错误率9。报告风险差异和OR及其95%CI。

两项独立的描述性汇总分析扩展了主要评估。首先,四个教科书式急诊情景(卒中、过敏性休克、脑膜炎、主动脉夹层)以配对版本进行测试(n=128条回答),以刻画急诊分诊不足的边界。其次,另外五个自杀意念情景——从被动意念到伴有方法识别的主动意念——以配对版本在16个析因变体中进行测试(共七项;n=224条回答),以刻画危机防护栏的激活情况。二分类结局为平台层面危机插页(链接至988自杀与危机生命线)的存在或缺失。

本研究使用合成临床情景,未涉及人类参与者;因此无需机构审查委员会批准。Claude(Anthropic,Claude Opus 4.5)用于协助分析和代码开发。所有LLM生成的输出均由作者严格审阅、核实和修订,作者对最终内容承担全部责任。所有情景、提示、LLM回答、完整方法和数据来源均可在补充信息中获取。

报告摘要

有关研究设计的更多信息可在与本文链接的Nature Portfolio报告摘要中获取。

在线内容

任何方法、附加参考文献、Nature Portfolio报告摘要、源数据、扩展数据、补充信息、致谢、同行评审信息;作者贡献和利益冲突详情;以及数据和代码可用性声明均可在10.1038/s41591-026-04297-7获取。

补充信息

补充信息补充表1–10和补充图1。

报告摘要

同行评审文件

临床指南证据支持所有案例小品的金标准分诊分配,包含85条单独指南引用,涵盖58个专业学会和共识机构。

源数据

源数据图1和扩展数据图3:480份明确病例应答的个体分诊数据。图1:(a) 按病情严重程度划分的错误分诊率;(b) 按病情严重程度划分的分诊不足和分诊过度。扩展数据图3:480份明确病例案例小品应答(30个案例小品×16种条件)的每份应答金标准和ChatGPT Health分诊级别,用于计算混淆矩阵。

参考来源

  1. Ramaswamy A, Tyagi A, Hugo H, et al. ChatGPT Health performance in a structured test of triage recommendations. Nat Med. 2026. PMID: 41731097. doi:10.1038/s41591-026-04297-7
  2. 全文:PMC13190235(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13190235/

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。