
-
生物通官微
陪你抓住生命科技
跳动的脉搏
Dr.Copilot多语言检索增强临床AI框架的部署评估:检索是最明确的增量贡献因素,智能体工具编排需进一步验证临床获益
《Scientific Reports》:Real-world evaluation of a multilingual agentic retrieval-augmented clinical AI framework for evidence-grounded medical decision support
【字体: 大 中 小 】 时间:2026年10月16日 来源:Scientific Reports 4.9
编辑推荐:
摘要大型语言模型有望支持临床信息任务,但幻觉、有限的证据可追溯性以及与工作流程整合不一致仍是阻碍其临床部署的关键障碍。我们评估了Dr.Copilot,这是一个多语言检索增强临床AI框架,结合了混合证据检索、专用工具和模型主导的编排调度。在为期70天的部署期间,835名注册用户
大型语言模型有望支持临床信息任务,但幻觉、有限的证据可追溯性以及与工作流程整合不一致仍是阻碍其临床部署的关键障碍。我们评估了Dr.Copilot,这是一个多语言检索增强临床AI框架,结合了混合证据检索、专用工具和模型主导的编排调度。在为期70天的部署期间,835名注册用户生成了956条对话线程;分析日志包含22,574个事件和4,226个工具使用事件。在原始64条提示词的专家基准测试中,Dr.Copilot与GPT-5.5的加权得分相当(4.607 vs. 4.561;配对差异0.046,95% CI -0.064至0.140;p = 0.103)。在一项新的独立75例固定骨干外部验证中,Dr.Copilot得分为4.557,GPT-5.5得分为4.217(差异0.340,95% CI 0.181至0.519;p = 0.00023),且临床重要错误更少(5/75 vs. 16/75;p = 0.00098)。一项30例四组GPT-5.4消融实验发现,标准RAG的均分最高(4.813),而额外预设工具和模型主导路由条件并未带来一致性的进一步提升。针对安全性、儿科、多语言、引用、时间性和弃权性分析既揭示了优势,也识别出了重要的失效模式。这些发现支持检索是本次评估中最明确的增量贡献因素,同时强调智能体工具编排需要直接验证,其本身并不能确立临床获益或患者安全性的改善。