人工智能语言模型在烧伤护理健康素养提升中的应用：文本分析与简化研究

本研究针对烧伤患者教育材料阅读难度普遍高于6-8年级推荐标准的问题，评估了ChatGPT 4o、Microsoft Copilot等AI语言模型(LLMs)的文本简化效能。结果显示Microsoft Copilot、Gemini和Meta AI能有效将文本降至目标阅读水平，为改善患者健康素养(health literacy)提供了创新解决方案，但需临床医生监督确保准确性。

　　

烧伤作为全球重大公共卫生问题，其治疗过程高度依赖患者的自我管理能力。然而美国卫生部数据显示，36%成年人健康素养(health literacy)仅达基础水平，而80%烧伤教育材料阅读难度远超美国医学会推荐的6-8年级标准。这种认知鸿沟在低收入、少数族裔等脆弱人群中尤为显著，直接导致治疗依从性下降和不良预后。

为破解这一难题，研究人员开展了一项开创性研究，探索人工智能语言学习模型(LLMs)在医疗文本简化中的应用潜力。研究团队从知名学术机构公开资料中选取15段烧伤护理文本，涵盖预防、急救、术后护理等关键场景。采用传统可读性计算器与四大AI模型(ChatGPT 4o、Microsoft Copilot、Gemini、Meta AI)并行分析，首次系统评估了LLMs在医疗文本适配中的双重功能——既作为分析工具又作为简化引擎。

技术方法上，研究采用对照实验设计：先通过在线可读性计算器建立基线，再由各AI模型独立评分；第二阶段要求模型将原文简化至目标阅读水平。样本选自约翰霍普金斯大学等机构公开材料，确保临床权威性。

在"Language Learning Models as readability calculators"部分，基线分析显示原文中位阅读等级达11.44年级(IQR=2.39)，显著超标。四大模型中，ChatGPT 4o评分(10.09)最接近传统工具，而Gemini给出最低分10.00(p<0.001)，证明LLMs具备可靠的分析能力。

"Discussion"揭示更深远价值：当 tasked with 文本简化时，Microsoft Copilot、Gemini和Meta AI均成功将文本降至7-8年级水平，其中Microsoft Copilot表现最优。这种技术突破特别有利于西班牙裔等英语非母语患者群体——该人群烧伤发生率是非西班牙裔的1.8倍，但健康素养得分平均低15%。

结论部分强调，虽然LLMs能高效完成"technical simplification"，但"clinical adaptation"仍需医生把关。例如在描述"伤口感染体征"时，AI可能遗漏蜂窝织炎(cellulitis)的典型表现。该研究为《Burns》杂志提供了首个AI辅助健康素养提升的实证框架，为实现"健康中国2030"目标提供了可推广的技术路径。