Performance of Large Language Models as Assistive Tools for Clinical Pharmacists in the Stomatological Hospital: A Multi-dimensional Comparative Study

在牙科医院这一专业领域，临床药师扮演着药物安全守护者的角色。他们的职责是确保为口腔疾病开具的每种药物都是正确的选择、正确的剂量，并且符合患者特定的健康史。这项工作涉及审核处方、检查危险的药物相互作用，并为患有肾脏或肝脏疾病等复杂病症的患者调整治疗方案。然而，这一角色正变得日益艰难。医学信息量日益增长，诊疗指南不断变化，且药师经常面临繁重的工作量，导致几乎没有时间进行深入研究。他们必须在管理那些可能同时服用多种针对口腔及全身性健康问题的药物的患者时，做出快速且准确的决策。

为了缓解这种压力，许多医院正转向人工智能，特别是大语言模型。这些是经过海量文本训练的计算机程序，能够理解并生成人类语言。它们旨在检索信息、分析复杂场景，并为通常需要多年专业学习才能回答的问题提供答案。医学界面临的问题是，这些数字工具究竟能真正作为人类专家的可靠助手，还是仅仅是复杂的聊天机器人，可能会提供看似自信实则错误的建议。来自中国研究人员的一项新研究旨在直接测试这一点，该研究超越了通用问题，转而观察这些模型在牙科医院这一特定、高风险环境中的表现如何。

研究人员选择了当时最先进的三种大语言模型：ChatGPT-5.5 Instant、Gemini-3.5 Flash-Lite 和 DeepSeek-V3。为了公平测试，团队创建了一套三十个现实问题，这些问题是临床药师每天都会遇到的。这些问题涵盖了六个关键领域：给药剂量、药物相互作用、禁忌人群、静脉注射（IV）袋中不可混合的药物、给药方式，以及如何为肾功能或肝功能衰竭的患者调整剂量。问题范围从简单的基本事实到需要深度医学推理的复杂场景不等。

五位资深临床药师随后对每个模型提供的答案进行了评审。他们并不知道哪个答案是由哪个模型生成的，以确保其判断是不带偏见的。他们根据回答在真实药学环境中的准确性、完整性和实用性进行了评分。结果显示出明显的性能等级差异。ChatGPT-5.5 Instant 提供了最高质量的答案，其中位数得分处于“良好”到“优秀”的范围。DeepSeek-V3 位列第二，而 Gemini-3.5 Flash-Lite 的得分在三者中最低。这些差异具有统计学意义，意味着性能差距是真实的，而非偶然。

有趣的是，问题的难度并未改变排名。无论问题简单还是复杂，ChatGPT 始终优于其他模型。研究发现，模型并没有随着问题的难度增加而表现变差；无论挑战如何，它们都保持了相对位置。这表明模型的性能是由其内在的推理能力和知识获取能力驱动的，而非仅仅是回忆简单事实的能力。然而，研究也强调了一个所有三个模型共有的显著局限性：可读性。它们生成的答案写作风格非常难以被普通人理解，通常需要大学水平的教育才能读懂。对于临床应用而言，这是一个至关重要的点，因为药师需要向患者解释这些概念，而目前的模型在不损失准确性的前提下简化语言方面做得并不理想。

另一个关键发现涉及信息来源。研究评估了模型提供的信息源质量，发现三种模型在可靠性评分上没有统计学上的显著差异。然而，作者强调，牙科及相关医学领域的广泛文献一致报告称，大语言模型经常生成虚假的参考文献，包括捏造的书名、期刊名称和作者。虽然这项特定研究评估了来源质量，但由于在更广泛领域中普遍存在的“幻觉式引用”问题，意味着目前没有任何模型可以作为无需验证的独立真相来源。它们不能取代官方药物数据库或执业药师的判断。

研究人员得出结论，这些人工智能工具在牙科医院临床药师的辅助工作中展现出了巨大的潜力。它们可以处理各种药物信息任务，并达到可用于专业支持的质量水平。然而，必须将它们视为辅助人类决策的工具，而非独立的决策者。人类药师对于核实信息、检查最新指南以及确保患者安全仍然至关重要。随着这些模型的不断进化，它们可能会变得更加强大，但目前，它们最适合作为专家手中那双确保患者安全的强力“第二双眼睛”。