大型语言模型(LLM)平台在骨科临床即时参考中的应用价值比较研究

为解决骨科临床即时参考(OTG)中人工智能(AI)工具的可靠性问题，研究人员对比了ChatGPT-4、Bing Chat和Google Bard三大LLM平台的回答质量。结果显示：三者在答案相关性上无显著差异(p=0.110)，但Bing Chat引用的证据等级(LOE)最优(p<0.001)。该研究为AI辅助临床决策提供了实证依据，建议需针对医学领域进行定制化改进。

　　

在骨科临床的争分夺秒中，即时参考(On-the-go, OTG)如同手术刀般精准的决策支持工具至关重要。随着人工智能(AI)浪潮席卷医疗领域，大型语言模型(Large Language Model, LLM)平台正悄然改变着医生们查阅教科书和期刊的传统模式。

这项研究将250个骨科临床问题同时抛给三大AI选手：ChatGPT Version 4(GPT-4)、微软Bing Chat和谷歌Bard，让它们与人类专家的标准答案同台竞技。有趣的是，三大模型在答案相关性方面打成平手(p=0.110)，但GPT-4在数值类问题上展现出显著优势(p=0.006)。当显微镜对准证据等级(Level of Evidence, LOE)时，Bing Chat意外逆袭——其引用文献的质量仅次于人类专家(p<0.001)，形成Bing>GPT-4>Bard的排名格局。

这些数字大脑虽然尚未达到完美，但已展现出令人惊喜的临床辅助潜力。就像骨科手术需要精准的导航系统，未来LLM平台也需要经过医学领域的特殊"矫形手术"——包括专业定制和监管政策调整，才能真正成为白大褂口袋里值得信赖的智能参考书。