大语言模型在急性心力衰竭临床决策支持中的表现评估：多AI模型与医生决策的比较研究

《European Heart Journal - Digital Health》：Artificial Intelligence Versus Physician Decision-Making in Acute Heart Failure: A Comparative Evaluation of Four Contemporary AI Systems

　　**摘要****背景**大语言模型（LLMs）越来越多地被公众和医疗专业人员用于临床推理。然而，它们是作为通用语言模型而非专门的临床决策支持工具开发的，其在真实世界急性心力衰竭（AHF）管理中的表现尚未得到充分评估。我们将四个当代AI模型与医生的决策进行了比较。**方法**这项单中心回顾性观察研究纳入了一项横断面AI评估，对象为2025年7月至11月在Sotiria综合医院连续就诊的患者，排除急性冠脉综合征。ChatGPT、ChatGPT Plus、DeepSeek和基于ESC指南的检索增强生成（RAG）模型独立评估了相同的标准化病例。使用Cohen's kappa、McNemar检验、Cochran's Q检验、Wilcoxon符号秩检验和多变量Logistic回归，将建议与医生在诊断、治疗、指南导向药物治疗、时机和预后方面的决策进行比较。**结果**诊断性能在系统间存在显著差异（Cochran's Q=8.477，P=0.037）。在平衡的诊断队列中，ChatGPT Plus获得了最高的心力衰竭准确率（准确率86.5%；敏感性87.0%，特异性86.0%），其次是RAG（准确率77.5%）、ChatGPT（准确率77.0%）和DeepSeek（准确率69.0%）。对于心力衰竭作为前三位鉴别诊断之一，敏感性为90.0–97.0%；ChatGPT Plus特异性为70.0%，RAG为68.0%，DeepSeek为19.0%，ChatGPT为15.0%。医生一致性在指南导向治疗方面最高，在预后和升级护理方面变异较大。RAG与医生治疗时机的匹配更为接近，但并未一致优于通用模型。**结论**当代AI模型在急性心力衰竭决策支持方面显示出潜力，但存在显著的任务特异性变异，支持将其作为医生判断的补充而非替代品使用。**图形摘要**