Can Large Language Models Provide Safe and Evidence-Based Nutritional Recommendations for Dental Implant Patients? A Comparative Benchmarking Study

当牙医将一颗钛金属螺钉植入颌骨以固定假牙时，人体必须将这种金属视为“朋友”而非“敌人”。这种骨骼在植入物周围生长并紧密结合以将其锁定的过程，是一场精妙的生物舞蹈，它所依赖的不仅仅是手术技巧。它在很大程度上取决于患者的整体健康状况，尤其是他们的饮食。正如房屋需要坚固的砖块和砂浆才能屹立不倒一样，愈合的组织和新生的骨骼需要蛋白质、维生素和矿物质等特定营养素来在手术后进行自我重建。如果缺少这些建筑材料，植入物可能会无法整合，或者周围的牙龈组织可能会变得发炎和病态。几十年来，医生们一直知道良好的营养有助于康复，但关于究竟该吃什么、何时吃以及哪些补充剂有效的科学建议，其数量之巨已到了令人不知所措的地步。在这一复杂的领域中，一种新型的数字助手应运而生：大语言模型。这些是经过海量文本训练的强大计算机程序，能够用人类语言回答问题、总结研究并提供建议。随着这些工具在诊所中变得日益普遍，一个关键的问题随之而来：一个从未见过患者或进行过手术的计算机，能否安全且准确地告诉一个人应该如何饮食，以确保其牙科植入物的成功？

一个研究小组为了回答这个问题，对四种最流行的人工智能系统进行了严格测试。他们并没有简单地询问计算机诸如“什么对骨骼有好处？”之类的通用问题，而是创建了120个牙医可能面临的具体且真实的场景。这些场景涵盖了植入治疗的全过程，从术前检查患者饮食，到处理术后并发症，甚至应对患有其他严重疾病的患者。这些场景的设计非常巧妙，要求计算机需要权衡不同的证据，并提供一个不仅在事实层面正确，而且对真实的人类而言既安全又实用的建议。为了确保测试的公平性，研究人员使用完全相同的指令，将每一个场景都提交给了四个不同的AI模型——GPT-5、Claude、Gemini和Copilot。他们要求每个模型对同一个问题回答三次，以观察其是否每次都能给出相同的建议，随后他们收集了总计1,440个响应进行分析。

为了评判这些答案，研究人员组建了一个由五位专家组成的评审小组，其中包括在口腔愈合领域研究数十年的顶尖外科医生和营养科学家。这些专家采用了“盲测”方式，即他们不知道哪个答案是由哪台计算机生成的。他们根据基于最佳可用医学指南和科学研究的严格预设标准，对每一条AI响应进行了对比。专家们考察了几个方面：建议是否符合科学？是否安全？计算机是否编造了虚假的文献或引用？以及它是否在科学结论尚不明确时承认了这一点？结果显示，虽然所有的计算机都能谈论营养问题，但它们提供安全、准确且基于证据的建议的能力存在显著差异。其中一个模型，GPT-5，表现持续优于其他模型，其提供的建议与专家标准最为契合。它在营养建议方面最为准确，在警告方面最为安全，并且在面对当前科学知识的局限性时最为诚实。它制造的错误也最少，例如极少通过编造虚假的科研论文来支持其观点。

其他三个模型表现尚可，但在特定领域有所欠缺。排名第二的模型Claude紧随领先者之后，但仍会出现较多错误。另外两个模型，Gemini和Copilot，在安全性和准确性方面表现得更为挣扎。所有模型的一个主要失败点在于涉及商业营养补充剂的问题。在这些情况下，由于科学证据往往显得混乱或存在争议，计算机往往会变得过于自信，即使在科学证据并不支持的情况下也会给出肯定的建议。此外，它们的可靠性各不相同；有些模型在被多次询问同一个问题时会给出不同的答案，而有些则保持一致。研究发现，即使是表现最好的计算机，仍有4.4%的时间会出现“幻觉”，即编造科学参考文献，虽然这一比例较低，但依然存在。这意味着，尽管AI可以作为总结信息的有用工具，但目前还不能被信任去做出最终决定。

研究人员得出结论：这些人工智能系统是强大的助手，可以帮助牙医和患者应对复杂的植入物营养领域，但它们尚未准备好取代人类的判断。表现最好的模型展示了它们能够理解愈合骨骼的生物学需求并提供合理的通用建议，但当证据薄弱或涉及特定商业产品时，它们仍然会出错。研究表明，这些工具在牙科领域的未来在于一种协作关系：由计算机提供快速的、基于证据的摘要，而由人类专家核实细节、检查安全性并针对特定患者调整建议。在计算机能够始终避免捏造事实，并能以与人类医生相同的谨慎态度处理不确定证据之前，它们的角色必须保持为辅助性而非决策性。技术正在飞速发展，但就目前而言，确保患者植入物最安全的路径是：让计算机负责研究，让人类负责决策。