妇科肿瘤急诊诊疗新纪元：GPT-4o与o3-mini-high大语言模型的临床可行性比较研究

《BMC Health Services Research》：Comparative feasibility of reasoning and non-reasoning large language models for gynecologic cancer emergency care

本研究针对韩国医疗资源短缺背景下妇科肿瘤患者急诊诊疗的专业支持需求，系统评估了非推理型GPT-4o与推理型o3-mini-high大语言模型在15例真实急诊病例中的临床应用价值。结果显示两种模型完成诊断决策速度显著快于医师（平均节省300秒），GPT-4o在诊疗方案质量评分（MD 3.55）和患者教育材料生成（满意度1.9/2.0）方面均优于临床医生，证实大语言模型可作为妇科肿瘤急诊的高效辅助工具，为医疗资源优化提供新范式。

　　

在韩国2024年医疗政策改革引发住院医师大规模离职的背景下，妇科肿瘤患者的急诊诊疗面临严峻挑战。这些患者往往因疾病晚期和治疗副作用出现复杂症状，而基层医疗机构缺乏专科支持，导致诊疗效率低下和误诊风险增加。这种医疗资源分布不均的现状，促使研究人员探索人工智能技术特别是大语言模型（Large Language Model, LLM）在急诊决策支持中的应用潜力。

为系统评估LLMs的临床实用性，韩国国家癌症中心的研究团队开展了一项回顾性单中心研究。研究选取2005年至2024年间15类妇科肿瘤常见急诊案例（包括功能性肠梗阻、败血症休克、肺栓塞等），通过四步评估法对比GPT-4o（非推理模型）与o3-mini-high（推理模型）与四位医师的诊疗能力。研究采用优化提示词工程模拟临床决策流程，并建立包含相关性和时效性的18分制评分体系，使用自助法（bootstrapping）进行统计学分析。

关键技术方法包括：1）基于真实急诊病例构建15种妇科肿瘤急症评估场景；2）采用分步提示词工程模拟临床诊断决策流程；3）建立双盲评分系统评估模型输出质量；4）应用非参数自助法进行统计推断。

结果

整体性能表现

GPT-4o在1-3步总分（11.5±0.5）略高于o3-mini-high（10.6±1.5），但无统计学差异。两种模型完成所有任务时间显著短于医师组（P<0.001），其中对低年资医师的时间优势尤为明显（达360秒）。

模型与医师表现对比

GPT-4o在包含时效性的总分（MD 3.55, 95%CI 2.98-4.10）和不含时效性评分（MD 1.27, 95%CI 0.80-1.79）均显著优于医师组。o3-mini-high仅在包含时效性评分时展现优势（MD 3.05, 95%CI 1.98-3.88）。模型在药物剂量和给药间隔等具体医嘱生成方面表现精确。

分步骤性能分析

在诊断建议（步骤1）和治疗方案制定（步骤2）环节，GPT-4o较医师组得分优势最大（1.8分），时间节省最多（189.1秒）。值得注意的是，在膀胱阴道瘘合并直肠阴道瘘案例中，o3-mini-high出现过度推理现象，正确识别CT表现却基于症状优先级错误排除直肠阴道瘘诊断。

医师满意度评估

临床医生对GPT-4o生成的管理建议满意度达1.9/2.0，患者教育材料为1.8/2.0。模型生成的患者教育材料能根据患者知识水平进行针对性调整，有效解决了医患沟通中的信息不对称问题。

讨论与结论

本研究首次验证了未经过专业训练的基础大语言模型在妇科肿瘤急诊场景中的临床应用可行性。GPT-4o在模式识别任务中的优势印证了双过程理论（Dual-Process Theory）在LLMs领域的适用性——非推理模型更擅长处理结构化知识匹配，而推理模型可能在复杂逻辑任务中因过度推理降低效率。这一发现对模型选择策略具有重要指导意义：应根据具体临床场景的知识特征而非模型版本新旧进行选择。

研究结果支持LLMs在两类场景具有显著价值：一是作为低年资医师的决策支持工具缩短诊疗时间，二是在医疗资源匮乏地区提供专科级决策支持。需特别关注的是，模型在膀胱阴道瘘案例中的错误提示需要建立 physician-in-the-loop（医师在环）安全机制，结合检索增强生成（Retrieval-Augmented Generation, RAG）等技术提升输出可靠性。

该研究的局限性包括样本量有限、缺乏主治医师参与评分、未验证患者对教育材料的反馈等。未来需通过前瞻性多中心研究进一步验证其临床有效性，并建立相应的伦理规范和法律框架。本研究为人工智能在专科急诊领域的应用提供了重要实证依据，标志着妇科肿瘤急诊诊疗迈向智能化辅助的新阶段。