技术摘要：临床医生中心视角下 LLM 生成的长住院期出院小结评估

问题陈述

出院小结对于安全的医疗衔接至关重要，但它们给临床医生带来了显著的认知负担，尤其是在较长住院期（7-21 天）的情况下。这些延长的住院时间会产生大量碎片化、重复且复杂的文档，使得合成一份简洁、准确的过渡性文件变得困难。虽然大型语言模型（LLM）在生成出院小结方面已展现出潜力，但先前的评估主要集中在较短的住院期，且极少考察接收方临床医生（即初级保健医生，PCP）的具体优先级或偶然发现（incidental findings）的报告。此外，现有文献缺乏证据表明 LLM 是否能够有效处理超出当前模型上下文窗口限制的电子健康档案（EHR），这是长住院期病例中常见的挑战。

研究方法

本研究进行了一项以临床医生为中心的评估，将 LLM 生成的出院小结与人工撰写的总结进行了对比，对象为 60 例住院时间在 7 至 21 天之间的内科住院病例。

数据处理与流水线：

• 队列： 从 Stony Brook 大学医院（2023 年 1 月–2024 年 12 月）的 400 例历史住院病例中，通过分层抽样确定了 60 例病例。
• 输入数据： 该流水线从 Oracle Cerner EHR 中提取了 370 种独特的记录类型（包括急诊记录、会诊记录、进度记录和影像报告）。在过滤后，每例病例的文本量平均减少了 55%。
• LLM 架构： 为了解决上下文窗口限制问题，作者开发了一个使用滑动窗口方法的可扩展流水线。临床文档被分割成 50,000 个 token 的块。研究采用了迭代优化过程，即 LLM（GPT-5.2）根据第一个片段生成初始的按时间顺序排列的列表式草案，并随着后续片段的处理不断更新该草案。
• 偶然发现： 设计了一个单独的提示词工作流，用于识别并提取放射科报告中具有临床相关性的偶然发现。
• 最终输出： 系统将按时间顺序排列的草案与偶然发现合并，形成最终的叙述性总结。

评估方案：

• 评审员： 12 名专科医生（6 名住院医师和 6 名初级保健医生/PCP）独立评估了这些总结。
• 工作流对齐： 住院医师在评估总结前会先查看所有住院记录；而 PCP 则先查看总结，随后通过核实住院记录来验证发现，以模拟真实的医疗衔接工作流。
• 指标：
  • 定量指标： 评审员在质量、可读性、真实性和完整性方面按 5 分制 Likert 量表对总结进行评分。PCP 还针对易理解性、向患者口头传达的便利性以及随访效用提供了额外评分。
  • 错误标注： 评审员标注了不准确和遗漏之处，并根据改编后的医疗保健研究与质量局（AHRQ）量表对潜在伤害程度和伤害可能性进行评分。
  • 偶然发现： 评审员评估了所报告的偶然发现的准确性和适当性。
• 定性指标： 通过开展术后半结构化汇报会议，收集关于工作流和信任度的定性反馈。

关键结果

表现与偏好：

• 偏好： 在 60 例病例中，医生评审员在 95% 的情况下更倾向于 LLM 生成的总结。
• 质量指标： LLM 生成的总结在所有指标上均显著高于人工撰写的总结：
  • 质量：4.71 vs. 3.16 ($p = 1.40 \times 10^{-17}$)
  • 可读性：4.66 vs. 3.39 ($p = 3.25 \times 10^{-15}$)
  • 真实性：4.62 vs. 3.73 ($p = 1.08 \times 10^{-13}$)
  • 完整性：4.69 vs. 3.42 ($p = 2.67 \times 10^{-15}$)
• 一致性： LLM 总结表现出更高的一致性，其 Likert 评分的平均绝对偏差小于人工撰写总结的一半（0.49 vs. 1.07）。

错误分析：

• 频率： LLM 生成的总结包含的总错误数更少（平均 0.42），而人工撰写的总结错误更多（平均 0.73；$p = 0.011$）。
• 错误类型： 错误率的降低主要是由于 LLM 总结中的遗漏较少。两组之间的不准确率没有显著差异。
• 伤害潜力： 在 LLM 生成与人工撰写的总结之间，对于错误的潜在伤害程度或伤害可能性的评估，不存在统计学上的显著差异。

特定利益相关者发现：

• PCP 视角： 在可读性和完整性方面，PCP 对 LLM 总结的评分显著高于住院医师。PCP 在两种类型的总结中都发现了比住院医师更多的遗漏，并且对错误分配了更高的伤害可能性评分，这反映了他们承担长期门诊护理责任的职责。
• 偶然发现： 在 31 个由 LLM 识别出的偶然发现中，93.5% 被评为事实正确，87.1% 被评为报告得当。

定性见解：

• 评审员指出，偏好 LLM 总结的主要原因是其降低了认知负担、提高了一致性，并能更清晰地呈现治疗逻辑和未解决的随访问题。
• 住院医师注意到，人工撰写的总结往往存在冗余和依赖于医生的变异性，而 LLM 总结则更加统一且简洁。
• PCP 强调，LLM 总结通过突出行动项和待处理结果，更好地促进了医疗衔接。

意义与主张

本文声称，通过证明 LLM 在总结更长、更复杂的住院期（这是一个由于技术和文档量挑战而此前研究较少的场景）方面的临床效用，扩展了前人的工作。

• 以利益相关者为中心的设计： 结果强调，围绕接收方临床医生（特别是 PCP）的信息优先级来设计过渡文档，可以显著提升感知质量和效用。研究表明，与 PCP 工作流相一致的提示策略（例如，侧重于行动项和随访）至关重要。
• 技术可扩展性： 研究提供了证据，表明通过迭代滑动窗口技术，LLM 可以有效地处理超出标准上下文窗口的 EHR，即使在 21 天的住院期内也能保持高质量输出。
• 安全与监督： 虽然 LLM 生成的总结显示出更少的遗漏和更高的质量，但作者强调它们并非完全无误。研究结果支持一种受监督的 LLM 辅助总结模式，即 AI 旨在减轻认知负担并提高文档质量，但临床医生的监督对于验证（特别是针对药物变更和偶然发现等高风险内容）仍然必不可少。

作者得出结论，LLM 辅助的出院总结具有减轻临床医生负担并增强医疗衔接沟通的潜力，前提是必须配合适当的临床验证工作流。