基于自然语言处理的前列腺癌医患沟通质量评估系统开发与验证

本研究针对前列腺癌(PC)诊疗中患者信息留存率低与医生风险沟通不一致的临床痛点，开发了基于自然语言处理(NLP)的自动化评估系统。研究团队通过50例临床会诊转录文本训练Random Forest模型，精准识别肿瘤风险(TR)、病理结果(PR)等9项关键概念(AUC 0.84-0.99)，并在独立验证集中证实其评估沟通质量的准确率达80-100%。该技术为改善共同决策(SDM)提供了可扩展的质量监控工具，发表于《Prostate Cancer and Prostatic Diseases》。

　　

前列腺癌治疗决策如同站在十字路口——患者需要权衡手术、放疗等不同方案带来的生存获益与性功能损伤、尿失禁等副作用风险。尽管美国泌尿外科协会(AUA)指南明确要求医生在会诊中讨论肿瘤风险(TR)、生存预期(LE)等五大核心内容，现实却令人担忧：34%的会诊遗漏生存预期量化数据，93%的会诊未详细说明副作用发生概率。更棘手的是，长达45分钟的复杂医学讨论后，患者往往只记住了零星信息。这种"医生说不清、患者记不住"的双重困境，严重阻碍了共同决策(SDM)的有效实施。

为破解这一难题，Cedars-Sinai医疗中心的Timothy J. Daskivich团队开展了一项创新研究。他们设想：能否像"智能高亮笔"一样，从冗长的会诊录音中自动提取关键医学数据？能否用人工智能给医生的沟通质量"打分"？这项发表于《Prostate Cancer and Prostatic Diseases》的研究，开发了基于自然语言处理(NLP)的解决方案。

研究团队采用多学科医生(4名泌尿科、4名肿瘤科、2名放疗科)的50例初诊前列腺癌会诊录音作为训练集，通过专业转录服务获得28,927句文本。采用机器学习中的Random Forest算法，对涉及TR、病理结果(PR)、LE等9个概念的语句进行标注训练。在20例独立会诊验证中，通过提取模型预测置信度最高的前10句话，即可准确还原整场会诊的沟通质量评分。

模型开发与验证

研究对比了六种机器学习模型，Random Forest在识别TR相关语句时表现最佳(AUC 0.98)，对泌尿功能(UF)的识别稍弱(AUC 0.84)。模型捕捉的关键词具有显著临床意义，如LE讨论常出现"预期寿命""十年生存"等术语，而ED相关语句高频出现"勃起功能""恢复概率"等词汇。

质量评估验证

在外部验证中，模型筛选的TOP10语句与人工全文本评分的吻合度令人惊喜：对尿失禁(UI)和TR的识别达到100%准确，即使表现最差的UF识别也有80%准确率。线性回归显示，模型预测概率与沟通质量评分呈显著正相关，当语句NLP概率>60%时，可捕获86%包含量化风险的优质沟通内容。

这项研究创造了两个突破性应用场景：对于患者，系统可自动生成"会诊精华摘要"，强化其对关键数据的记忆；对于医疗质量监管，首次实现大规模、客观的医患沟通审计。尽管目前仍需人工复核模型输出的TOP10语句，但相比传统全文本分析已节省90%工作量。值得注意的是，该系统具有跨病种推广潜力，任何需要权衡治疗利弊的决策场景（如乳腺癌、心血管疾病）均可借鉴此技术框架。

未来研究需解决三个局限：扩大样本量以覆盖罕见副作用讨论、区分不同治疗方式的特异性风险、优化自动语音识别(ASR)前端。随着医疗人工智能的发展，这种"会话式电子病历"技术或将重塑医患沟通生态，让每次诊疗对话都能产生结构化数据，既服务个体患者教育，又助力医疗质量提升。正如研究者强调，技术的终极目标不是评判医生，而是通过反馈闭环持续优化沟通实践，让复杂的医疗决策真正成为医患协作的艺术。