人工智能与妇产科住院医师的跨语言临床决策对决：时间压力下的诊断准确性及整合潜力分析

本研究针对AI大语言模型(LLMs)在妇产科(OB-GYN)临床决策中的可靠性问题，系统评估了8种AI LLMs与24名住院医师在60个标准化场景下的表现。结果显示：高绩效AI（如ChatGPT-01-preview准确率达90%）显著优于住院医师整体水平(65.35%，P<0.001)，尤其在时间压力下AI仅下降9.4%而人类骤降23.6%；错误模式分析揭示AI与人类思维中度相关(r=0.666)，早期住院医师整合AI可提升29.7%准确率。该研究为AI辅助临床培训提供了关键实证依据。

　　

在医疗人工智能快速发展的背景下，大语言模型(LLMs)虽在标准化考试中表现优异，但其在真实妇产科(OB-GYN)临床场景中的可靠性仍存疑——包括语言适应性、时间压力响应以及与人类医师的协同潜力等核心问题尚未解决。尤其当面对非英语患者或急诊情境时，AI系统能否保持稳定表现？住院医师不同成长阶段又该如何有效整合AI工具？这些问题的答案将直接影响下一代智能医疗系统的设计方向。

意大利墨西拿大学的研究团队开展了一项开创性对比研究，首次系统评估了8种主流AI LLMs（包括ChatGPT系列、Claude等）与24名妇产科住院医师在60个标准化临床场景中的表现。研究创新性地设计了跨语言（英语/意大利语）和双时间模式（限时/非限时）的实验框架，并通过误差模式分析和整合潜力建模，揭示了AI在临床决策支持中的真实价值。相关成果发表于《Mayo Clinic Proceedings: Digital Health》。

研究采用多维度技术方法：1) 构建60个标准化OB-GYN临床场景（含40个非限时和20个限时题目，英语/意大利语各半）；2) 分层评估8种AI LLMs与24名住院医师（分1-5年级）的诊断准确性；3) 使用χ²
检验、ANOVA等统计方法分析语言/时间因素的影响；4) 通过Gini系数和熵值量化决策一致性；5) 采用Cohen’s d效应量评估AI整合效益。

【主要结果】

1. 整体性能对比：AI LLMs以73.75%准确率显著超越人类住院医师的65.35%（P<0.001），优势主要体现在限时条件下（AI仅下降9.4% vs 人类骤降23.6%）。

2. AI系统分层：形成三个性能梯队——顶尖组（ChatGPT-01-preview 90%、GPT4o 86.7%、Claude Sonnet 3.5 83.3%）展现超强语言稳定性（波动仅6.67%±0.00%），而低效组（如GPT 4mini 58.3%）语言波动达18.89%±13.93%。

3. 医师成长轨迹：呈现非线性提升，1-2年级准确率约44%，3年级出现"能力洼地"(37.9%)，5年级达87.1%甚至匹敌顶尖AI。

4. 错误模式关联：AI与人类错误分布呈中度相关(r=0.666)，提示部分认知框架重叠，但AI在罕见病诊断中展现独特优势。

5. 整合效益图谱：AI辅助对低年资医师提升最大（1年级+29.7%），但5年级可能出现2.1%的负面干扰，反映经验医师与AI的决策冲突。

【结论与意义】
该研究首次实证了高端AI LLMs在OB-GYN领域的双重价值：作为"稳定器"，其在跨语言环境和时间压力下展现的可靠性（顶尖模型达88.33%准确率）可弥补人类认知局限；作为"加速器"，对初级住院医师近30%的性能提升预示其在教学医院的巨大潜力。

值得注意的是，AI并非万能解药——其与高年资医师的协同困境（5年级整合效益为负）警示我们：AI整合必须遵循"能力匹配原则"，在培训不同阶段采用差异化的辅助策略。研究同时揭示了现存AI系统的关键短板：中低端模型在非英语场景中18.89%的性能波动，提示当前多数商业LLMs尚未达到真正的多语言临床适用标准。

这项研究为智能医疗时代的教育改革提供了重要路标：在住院医师早期强化AI辅助训练，在能力转型期（如3年级）建立"AI-人类"争议解决机制，在高级阶段转向选择性咨询模式。未来需重点攻关AI解释性(XAI)技术，使"黑箱"决策过程透明化，才能真正实现人机协同的精准医疗愿景。