基于大语言模型的数字患者系统显著提升眼科病史采集技能：一项随机对照试验

本研究针对临床教学中病例多样性不足与真实患者接触机会有限的痛点，开发了基于大语言模型(LLM)的数字患者(LLMDP)系统。研究人员通过检索增强框架将电子健康记录(EHR)转化为支持自由对话的虚拟患者，在84名医学生的随机对照试验中证实，LLMDP训练组病史采集评估(MHTA)得分较传统方法提升10.50分(p<0.001)，同时显著增强共情能力。该系统为生成式AI在医学教育中的整合提供了可扩展、低风险的实践路径，成果发表于《npj Digital Medicine》。

　　

在医学教育领域，病史采集能力的培养长期面临"巧妇难为无米之炊"的困境。传统案例教学受限于标准化患者(SP)培训成本高、病例库更新滞后等问题，而虚拟患者(VP)又因预设应答模式缺乏真实交互体验。这种教学资源短缺直接影响了医学生临床思维和共情能力的培养质量，特别是在眼科等专科领域，罕见病例的实践机会更是可遇不可求。

中山大学中山眼科中心的研究团队另辟蹊径，将生成式人工智能的最新进展转化为教学解决方案。他们开发的基于大语言模型(LLM)的数字患者(LLMDP)系统，通过深度学习59,343条眼科专科数据（包括电子健康记录、医患对话等），构建出能模拟真实患者语言风格和情绪反应的虚拟问诊环境。这项创新研究近期发表在《npj Digital Medicine》，为AI驱动的医学教育转型提供了重要实证。

研究团队采用三大核心技术：首先基于检索增强生成(RAG)框架构建眼科知识库，覆盖24种重点眼病；其次选用Baichuan-13B-Chat模型经20轮微调实现中文语境下的精准应答；最后开发自动评分系统，通过句向量匹配(SBERT)实现与人工评估高度一致(r=0.88)的OSCE标准考核。所有技术方案均通过伦理审查(NCT06229379)，确保患者隐私保护。

主要研究结果
眼科数据优化与模型选择
通过分析50项眼科任务表现，本地化部署的Baichuan-13B-Chat在中文指令理解方面媲美GPT-3.5 Turbo，经微调后BLEU/ROUGE-L指标显著提升。这种设计既满足医疗数据安全要求，又确保系统在无网络环境下稳定运行。

数字患者系统开发

系统创新性地将 slit-lamp 图像与结构化病历整合，通过语音交互界面实现多终端访问。当学生提问时，系统先匹配知识库，未命中则实时生成应答并转换为口语化输出，同时随机赋予虚拟患者不同性格特征，极大增强情境真实性。

验证实验
预试验显示，LLMDP组在标准化患者考核中得分显著高于传统教学组(78.13±8.35 vs 67.08±7.21)。自动评分系统与专家评分的Pearson相关系数达0.88，证实评估工具的可靠性。

随机对照试验
84名四年级医学生的最终试验数据显示，LLMDP组MHTA总分提升10.50分(95%CI:4.66-16.33)，在病史现况、既往史等所有子项均表现优异。问卷调查揭示，65.48%学员认为该系统有效克服了问诊心理障碍，66.67%认可其降低教学成本的优势。

这项研究的突破性在于首次证实生成式AI可以超越传统SP的教学价值。LLMDP不仅解决临床资源短缺问题，其基于真实EHR的案例生成能力，使得罕见病教学成为可能。值得注意的是，系统培养的学员在共情表达方面表现突出，这得益于虚拟患者的情感反馈机制。尽管在医学影像指导方面仍有局限（40.68%学员指出不足），但作为病史采集的专项训练工具，LLMDP已展现出变革医学教育模式的潜力。

未来研究可向三个方向拓展：整合多模态生理模型增强体检模拟功能，开展多中心验证以评估普适性，以及探索LLMDP在住院医师规范化培训中的应用价值。这项成果为医学教育数字化转型提供了可复用的技术框架，其"真实数据+生成交互"的范式，或将成为后ChatGPT时代临床能力培养的新标准。