综述：大型语言模型驱动智能体在护理实践中的应用：一项范围综述

本综述系统分析大型语言模型驱动智能体（LLMDA）在护理实践中的技术架构（协同、增强、交互）、应用场景（临床、家庭、社区）及成效，指出其在提升诊断准确性、优化资源配置、改善患者体验方面的潜力，同时剖析数据隐私、内容可靠性、责任归属等伦理与技术挑战，为未来临床转化提供方向。

　　

引言

随着医疗需求多元化及全球健康战略的深入推进，护理服务面临人力资源短缺与服务品质提升的双重压力。传统人工智能在护理领域多局限于单任务处理，而大型语言模型（LLM）虽在医疗决策与内容生成中初步应用，却难以独立应对复杂临床任务。智能体（Agent）技术凭借高自主性与执行力，为护理智能化转型提供新范式。2024年高德纳报告将AI智能体列为2025年十大战略技术趋势之一。大型语言模型驱动智能体（LLMDA）以LLM为“大脑”，通过语义理解、逻辑推理与任务分解能力，弥补传统智能体的不足，实现感知环境、决策分析与执行操作的闭环流程，推动护理实践从被动响应向主动干预转变。

方法学框架

本研究遵循乔安娜布里格斯研究所（JBI）范围综述方法学，采用PCC框架（人群：LLMDA；概念：技术路径、应用场景、成效；情境：护理实践），系统检索PubMed、Embase等六大数据库截至2025年9月9日的文献。经去重及标题摘要筛选后，最终纳入25篇（2023-2025年发表）涉及中国（9篇）、美国（9篇）等9个国家的研究，涵盖技术验证、框架开发及效果评估等多类研究。

技术架构分类

LLMDA的技术架构依问题目标与技术路径可分为三类：

1. 1.
   协同架构：通过多智能体角色分工与动态协作模拟医疗团队工作模式，适用于慢性病管理等复杂任务。其优势在于将复杂护理流程分解为可执行步骤，但多智能体通信存在延迟问题。
2. 2.
   增强架构：采用检索增强生成（RAG）、知识图谱融合等技术，借助外部医疗数据提升LLM输出信息的准确性与临床合规性，尤适用于临床诊断支持与护理教育场景。
3. 3.
   交互架构：整合语音识别、情感分析及5G网络技术，通过护理机器人实现人机交互与物理操作，直接满足患者康复训练等实操需求，但依赖硬件设备且维护成本较高。

应用场景与实践成效

LLMDA的应用聚焦三大场景：

• •
  临床护理（13篇研究）：通过增强架构提升诊断准确性，协同架构优化护理流程。例如，多智能体分诊系统提高急诊资源分配效率，自主推理框架降低临床决策错误率。
• •
  家庭护理（8篇研究）：智能随访系统减轻肺结节患者干预负担，具身机器人提供日常照护与心理支持，但情感交互能力仍有提升空间。
• •
  社区护理（4篇研究）：基于因果推断模型开展疾病早期风险筛查，远程医疗决策系统助力乡村地区资源覆盖，需平衡群体健康管理与个人隐私保护。

研究表明，LLMDA能够显著提升护理诊断精准度（如通过知识图谱明确预后预测依据）、优化资源配置（如自动化孟德尔随机化工具降低研究成本），并通过人机协作改善患者体验（如VR虚拟智能体增强医患沟通）。

伦理与技术挑战

核心挑战集中于三方面：

1. 1.
   数据隐私：多智能体系统整合电子健康记录与公共数据库时存在泄露风险，家庭护理场景中患者行为数据与 caregiver 情绪信息的采集需符合HIPAA等规范。
2. 2.
   内容可靠性：LLM生成护理建议时可能出现证据引用缺失或“幻觉”问题，影响临床信度。
3. 3.
   责任归属：智能体误诊情况下，算法开发者、医院管理者与护理人员的责任界定模糊，需参照WHO分层责任框架完善追责机制。
   此外，技术透明度不足与人文关怀缺失亦限制患者接受度。

发展建议与展望

建议以护士为核心协调者，参与专科护理智能体的开发与培训，制定临床应用指南及全流程评价体系。未来研究应开展针对慢性病人群的1-2年纵向观察，评估LLMDA对再入院率等预后指标的实际影响。资源受限地区需注重技术的跨文化适配，同时建立涵盖可靠性、安全性的标准化护理专属评估指标（可参考TRIPOD-LLM报告规范与COMET手册）。通过多架构融合与伦理规范共建，LLMDA有望实现从信号监测到自主干预的全生命周期护理管理。

局限性

当前研究多处于技术验证阶段，缺乏真实临床场景的长期应用数据；文献地域分布不均，非洲、南美等地区研究覆盖不足；技术架构分类未完全涵盖问题解决维度，且伦理挑战的解决方案尚待深化。