《Informatics》：Multilingual Conversational AI Chatbots for Efficient Healthcare Delivery During Case History-Taking: A Systematic Review
语言障碍阻碍医疗服务，特别是在病例采集（case history-taking）这一诊断关键环节中。尽管多语言人工智能（AI）聊天机器人提供了解决方案，但其有效性和影响方面的证据较为分散。本系统综述遵循PRISMA 2020指南，检索了2015年至2025年间发表于四个数据库（Google Scholar、Scopus、Web of Science和PubMed）的关于医疗领域多语言AI聊天机器人的研究，采用两阶段筛选流程。数据提取聚焦于应用场景、支持语言、底层技术、目标人群和临床结局。从503条记录中，49项研究符合标准，涵盖初级保健、远程医疗、肿瘤学、心理健康及其他领域。支持的语言包括英语、西班牙语、阿拉伯语、中文、印地语及其他代表性不足的语言。在采用异质性方法和评估环境的个体系统评估中，AI聊天机器人诊断准确率为72–92%。核心技术包括大语言模型（LLM）、双向编码器表示来自变换器（BERT）、生成式预训练变换器（GPT）、检索增强生成（RAG）、语音识别和知识蒸馏（distillation）。研究结果表明，这些系统改善了临床工作流程（节省30–70%时间）和患者参与度，减少了语言障碍，并促进了健康公平。然而，整体证据确定性为低至中等，反映了原型（prototype）和概念验证（proof-of-concept）研究的优势。多语言AI聊天机器人展现出提升医疗效率、减少语言障碍和推动健康公平的潜力，但在验证、工作流程整合、评估标准以及隐私和偏见等伦理问题上存在挑战。未来研究应包括真实世界研究、多样化人群、标准化结局指标和长期公平性评估。
- 1.
引言
1.1 理论基础
1.1.1 全球医疗中的语言障碍
医疗环境中的语言障碍是阻碍有效患者-提供者沟通、准确临床决策和公平医疗获取的重要因素。全球语言多样性通过移民模式、全球化和日益多元文化的社会而持续扩大，给主要为单语人群设计的医疗系统带来前所未有的挑战。病例采集——即系统性收集患者病史、症状学和背景信息——是准确诊断和制定适当治疗计划的关键基础。当语言障碍损害这一过程时，后果包括诊断错误、药物管理不当、患者满意度下降、治疗依从性降低以及健康差距加剧。解决医疗中语言障碍的传统方法包括专业医疗口译员、双语医疗提供者和电话口译服务，但这些方案存在显著局限性，如高运营成本、可用性有限（尤其对于较不常见语言）、调度限制、翻译中细微差别的潜在丢失以及保密性问题。
1.1.2 远程医疗与AI系统的增长
COVID-19大流行加速了远程医疗和数字健康工具的使用，同时强调了迫切需要可扩展、可及且负担得起的解决方案来克服语言障碍。最近，AI和自然语言处理（NLP）技术快速发展，使得能够创建复杂的对话代理，可理解和生成多种语言的人类语音。多语言对话式AI聊天机器人——通过文本或语音以多种语言与用户交互的自动化系统——为应对医疗中的语言障碍提供了有前景的解决方案。这些系统利用大语言模型（LLM）、变换器（transformer）架构、语音识别和机器翻译来改善患者-提供者沟通、自动化病例采集并支持临床文档。
1.1.3 多语言对话式AI证据的现有空白
尽管该领域的研究兴趣和发展活动不断增长，但证据基础在多样化的医疗应用、语言环境和技术方法上仍然分散。先前的综述广泛考察了医疗AI聊天机器人的使用或聚焦于特定临床领域，但缺乏专门针对病例采集和患者沟通的多语言对话式AI证据的综合合成。此外，关于这些系统与传统方法相比的有效性、对临床结局和健康公平的影响、最佳技术架构、实施策略以及真实临床环境中采用的障碍和促进因素等关键问题仍未得到解答。
1.2 目的
本系统综述旨在通过综合当前关于医疗环境中用于病例采集和患者沟通的多语言对话式AI聊天机器人的证据来填补这些空白。具体而言，研究人员旨在：（1）识别并表征跨医疗领域的多语言对话式AI聊天机器人应用格局；（2）确定支持的语言和服务目标人群；（3）检查所采用的NLP技术和架构方法；（4）评估关于有效性（包括诊断准确性、临床工作流程效率和患者结局）的证据；（5）评估对健康公平和服务不足人群的影响；（6）识别多语言医疗聊天机器人实施和扩展的障碍、促进因素及未来研究方向。
- 2.
材料与方法
2.1 方案与注册
本系统综述遵循系统综述和荟萃分析优先报告条目（PRISMA）2020指南进行。综述方案已在PROSPERO注册，注册号为CRD420261370992。
2.2 研究问题
本系统综述旨在解决四个主要研究问题：Q1. 诊断准确性：多语言对话式AI聊天机器人在病例采集中识别医疗状况的准确性如何，在可获得数据的情况下，其性能与人类临床医生相比如何？Q2. 信息收集准确性：多语言对话式AI聊天机器人跨不同语言收集和记录患者报告的病史、症状和临床信息的准确性如何？Q3. 语言理解准确性：多语言对话式AI聊天机器人理解和处理跨不同语言、方言和语码混合（code-mixed）沟通的患者输入的准确率如何？Q4. 数据完整性和工作流程效率：与传统病史采集方法相比，多语言对话式AI聊天机器人在多大程度上改善了临床工作流程效率、文档完整性和时间节省？
2.3 合格标准
研究符合纳入标准需满足：研究设计包括主要研究、系统综述等；人群涉及患者、医疗提供者或模拟临床场景；干预为对话式AI系统；多语言能力要求系统明确支持两种或以上语言或在多语言环境中评估；结局指标至少报告一项指定结局；发表期限为2015年1月至2025年12月；语言为英语。排除标准包括单语系统、非医疗应用、无双向对话接口的系统、无多语言NLP组件的系统以及缺乏充分方法学细节的会议摘要或灰色文献。尽管初始排除标准指定排除非同行评审出版物，但最终纳入了有限数量的预印本和灰色文献来源（n=8，占纳入研究的16%），因为它们代表了针对特定语言群体或服务不足人群的唯一可用证据。
2.4 信息来源
在四个数据库（PubMed、Web of Science、Scopus和Google Scholar）中进行了全面检索，共识别503条记录。Google Scholar用于捕获灰色文献、预印本和未在同行评审数据库中索引的研究。由于Google Scholar结果不可重现，主要同行评审证据基础来自Scopus、Web of Science和PubMed。PRISMA流程图与四库检索完全一致。
2.5 检索策略
检索策略结合了受控词汇术语和自由文本关键词，涵盖三个核心概念：多语言或语言多样性、对话式AI或聊天机器人、医疗或临床应用。示例PubMed检索字符串结合了这些概念。检索限制为2015年1月1日至2025年12月31日发表的英语文章。
2.6 选择过程
选择过程由两名独立评审员执行，采用两阶段筛选方法。第一阶段为标题和摘要筛选，第二阶段为全文筛选。未正式计算Kappa统计量，但所有分歧均通过共识讨论解决。
2.7 数据收集过程
研究人员开发了标准化数据提取表，由一名评审员提取数据，第二名评审员独立验证20%的提取结果。提取数据包括研究特征、系统特征、医疗应用领域、NLP技术、目标人群和设置、结局指标和研究质量指标。
2.8 数据项目
数据项目选择用于解决四个主要研究问题，并提供对当前证据基础的全面表征，包括医疗应用领域、支持语言、NLP技术、诊断准确性、信息收集准确性、语言理解准确性、临床工作流程效率、患者参与度和满意度、健康公平结局以及实施和采用。
2.9 偏倚风险评估
偏倚风险评估针对纳入的异质性研究设计进行了定制。对于比较研究（n=4），使用非随机干预研究偏倚风险（ROBINS-I）框架。对于纳入的系统综述（n=3），应用AMSTAR-2标准。对于系统开发和原型研究（n=42），进行了叙述性质量评估，重点关注系统描述的清晰度、评估方法的适当性、评估数据的代表性、局限性的透明度和潜在利益冲突。使用DECIDE-AI作为质量评估框架，这些研究的证据被评为低确定性。
2.10 效应量
鉴于研究设计和结局指标的异质性，未采用单一效应量。提取了原始研究中报告的效应量，包括诊断准确性（敏感性、特异性等）、信息收集准确性（一致性率等）、语言理解（意图识别准确性等）、工作流程效率（时间节省等）和患者参与度（可用性评分等）。
2.11 综合方法
由于研究设计、人群、干预、比较和结局指标的实质性异质性，无法进行荟萃分析。采用了叙述性综合方法，按研究问题和结局领域组织，包括描述性综合、主题综合、结局综合、比较综合和差距分析。
2.12 报告偏倚评估
未使用漏斗图等正式方法评估发表偏倚，但在解释结果时考虑了成功AI系统选择性报告和发表偏倚的可能性。
2.13 确定性评估
使用三级系统（高、中、低）叙述性评估证据确定性。提供具有验证结局的比较有效性数据的研究被评为中到高确定性；报告原型评估且外部验证有限的研究被评为低确定性。总体证据确定性被评为低至中等。
- 3.
结果
3.1 研究选择
系统检索共识别503条记录，去重后395条独特记录进行标题和摘要筛选。排除346条记录后，49项研究进行了全文评估，全部符合纳入标准。PRISMA流程图展示了研究选择过程。
3.2 研究特征
49项纳入研究代表了多样化的研究设计、医疗领域、地理设置和技术方法。研究设计包括系统开发评估研究（n=32，65%）、试点临床研究（n=10，20%）、比较评估研究（n=4，8%）和系统综述（n=3，6%）。地理分布来自28个国家，美国（n=8）、印度（n=7）、中国（n=5）和欧洲国家（n=12）代表最高。医疗设置包括初级保健诊所（n=18）、远程医疗平台（n=15）、专科诊所（n=9）、急诊科（n=3）和社区健康中心（n=4）。值得注意的是，许多系统依赖主要在英语医学文本上训练的大语言模型（LLM），存在显著的英语语言偏见。此外，使用检索增强生成（RAG）架构的系统在处理语码混合输入时存在重大失败模式，而仅有3/49项研究明确测试了语码混合输入的性能。
3.3 研究中的偏倚风险
比较研究（n=4）使用ROBINS-I框架评估，总体被评为中度至严重偏倚风险。系统综述（n=3）使用AMSTAR-2评估，总体质量中等。系统开发和原型研究（n=42）叙述性评估显示清晰度一般良好，但评估方法适当性和数据代表性较差。总体证据确定性为低至中等。
3.4 单项研究结果
3.4.1 医疗应用领域
多语言对话式AI聊天机器人应用于多样化医疗领域，最常见为初级保健和一般医疗应用（37%的研究），其次为远程医疗和远程医疗应用（31%），肿瘤学（8%）、心理健康（6%）和专科领域（18%）。
3.4.2 支持的语言
49项纳入研究共支持42种不同语言。部分研究同时支持五种以上语言。目标人群包括服务不足的语言社区（n=22）、低资源环境（n=12）、一般患者人群（n=18）和特定临床人群（n=10）。
3.4.3 自然语言处理技术
研究采用了多样化的NLP技术和架构，57%的研究使用大语言模型（LLM），包括直接使用（43%）、微调（36%）和领域适应或RAG增强（21%）。系统架构包括翻译专用系统（n=4）、结构化病史采集系统（n=18）和非结构化对话系统（n=27）。语音识别技术（31%）和知识蒸馏（6%）也被应用。
3.5 关键结局与发现
3.5.1 诊断准确性与临床性能
18项研究（37%）报告了诊断准确性，个体系统评估中准确率范围为72%至92%，中位数为81%。AmarDoctor比较评估报告诊断精确率81.08%，高于人类医生的50.27%，但评估基于临床 vignettes 而非真实患者，且该研究为预印本，证据确定性低。其他值得注意的结果包括HomeDOCtor在真实部署中分诊准确率65%，CataractBot在结构化眼科咨询中信息准确率92%，以及阿拉伯语心理健康意图识别工具准确率84%。
3.5.2 临床工作流程效率与文档
15项研究（31%）报告了时间节省，范围为30%至70%。结构化报告生成系统节省60–70%时间，环境AI抄写员节省30–45%，自动化病史采集系统节省40–55%。文档完整性和标准化有所改善，但存在丢失临床细微差别的担忧。
3.5.3 患者参与度和满意度
22项研究（45%）报告了患者参与度和满意度，总体积极。可用性评分75–90%患者认为易用，满意度80–92%，完成率70–88%，信任评分60–85%，对诊断建议的信任低于信息收集。语音交互、母语支持和共情沟通与更高满意度相关。
3.5.4 语言障碍减少与健康公平
23项研究（47%）明确解决了语言障碍减少和健康公平结局。系统针对农村和偏远社区、代表性不足语言（如孟加拉语、卡纳达语、菲律宾语/他加禄语）展示了可行性。部分研究声称聊天机器人可替代医生进行初步分诊，但证据有限，仅一项研究在真实环境中报告自主分诊准确率65%，且需要大量医生监督。局限性包括评估多样性不足、文化适宜性关注、数字鸿沟和训练数据偏见风险。
3.6 系统综述与元视角
三项纳入研究为系统综述，分别关注数字病史采集工具、神经机器翻译在临床环境中的应用以及LLM在真实临床工作流程中的应用。这些综述与本综述在有限真实世界证据、验证挑战、实施障碍等方面结论一致，本综述独特贡献在于强调多语言特征和健康公平。
3.7 报告偏倚
报告偏倚评估显示，49项研究中47项（96%）报告有利或前景结果，仅两项报告主要阴性或无效结果，表明潜在选择性发表阳性结果。行业资助的研究更可能报告有利结果且较少讨论局限性。
3.8 证据确定性
总体证据确定性为低至中等。按结局领域：诊断准确性低至中等，信息收集准确性中等，语言理解准确性低至中等，临床工作流程效率中等，患者参与度和满意度中等，健康公平结局低。降低确定性的因素包括原型研究主导（65%）、真实世界验证有限、方法学异质性、小样本量和发表偏倚风险。
- 4.
讨论
4.1 主要发现
综述综合了49项研究的证据，显示该领域自2023年以来快速增长（63%研究发表于2023–2025年）。关键发现包括：广泛语言覆盖（42种语言，但英语占主导且存在英语偏见）；多样化医疗应用；诊断性能前景但证据不确定；工作流程效率提升（节省30–70%时间）；积极的患者参与度；有限的真实世界验证；健康公平潜力伴随英语偏见、语码混合性能、数字鸿沟和文化适宜性等挑战。
4.2 诊断准确性与临床性能
诊断准确性证据前景但需谨慎解释。AmarDoctor比较研究存在方法学局限。真实世界试点研究显示性能较温和，自主诊断性能在真实环境中可能低于预期。当前系统最适合作为决策支持工具或分诊助手而非自主诊断系统。
4.3 临床工作流程效率与文档
减少文档负担是最一致证明的益处，但需关注 unintended consequences，如临床细微差别丢失、过度依赖结构化模板和对医患关系的影响。环境AI抄写员代表有前景的方法，但面临多语言准确性、隐私和医生审核挑战。
4.4 语言多样性与代表性不足语言
当前证据基础显著关注代表性不足语言和低资源语言社区，如印地语（14项研究）、阿拉伯语变体（12项）和其他南亚语言（26项），显示对语言多样性促进健康公平的日益认可。
4.5 健康公平与服务不足人群
多语言AI系统有潜力通过减少语言障碍扩大服务不足社区的医疗获取，但必须解决数字鸿沟（需智能手机、互联网）、偏见与公平（仅8/49项研究解决偏见评估）、多样化人群验证和医生替代担忧（可能导致两级医疗系统）。
4.6 自然语言处理技术
LLM主导（57%），RAG架构可基于验证医学知识减少幻觉，但对语码混合输入存在失败模式。语音识别对多语言环境仍具挑战，知识蒸馏使大模型能在资源受限环境部署。
4.7 实施挑战与障碍
实施挑战包括临床验证和监管批准缺乏、工作流程和电子健康记录（EHR）系统集成复杂、临床医生接受度（怀疑、责任担忧）、隐私安全（云系统数据主权问题）以及成本与可持续性。
4.8 与现有文献比较
本综述扩展了现有对话代理和病史采集数字工具的综述，首次综合多语言能力和健康公平影响。与最近关于人机对话信任和稳健性的文献一致，发现当前系统在不确定性量化、跨语言变体鲁棒性评估方面存在不足。
4.9 对实践的影响
当前系统最适合定位为决策支持、分诊辅助或文档辅助工具，需医生监督。医疗组织应将多语言AI作为综合语言获取策略的一部分，补充专业口译员。实施需以患者为中心，包括语音交互、文化适宜沟通、清晰能力说明和升级机制。整合应优先减少文档负担而非替代临床判断。持续监测系统性能、患者结局和公平影响至关重要。
4.10 对政策的影响
政策制定者需开发清晰的基于证据的AI医疗设备监管框架，考虑激励效率和公平的报销模型，支持标准化评估框架和互操作性标准，要求偏见评估和缓解，建立数据治理框架。
4.11 未来研究方向
未来研究迫切需要：真实世界比较有效性研究；多样化人群验证；语码混合和方言评估；长期结局研究；实施科学；偏见与公平研究；标准化评估框架；人机协作模型研究。
4.12 局限性
综述局限性包括：异质性阻止荟萃分析；证据确定性低至中等；纳入非同行评审来源（16%）可能降低可靠性；Google Scholar不可重现；未应用正式GRADE评估；未计算Kappa统计量；仅20%数据提取由第二名评审员验证；仅限英语文章引入语言偏见；强烈阳性发表偏倚；领域快速演变可能使结果过时；长期数据有限。
- 5.
结论
本系统综述综合了49项关于多语言对话式AI聊天机器人在病例采集中应用的研究。系统支持42种语言，个体评估显示诊断准确率72–92%，工作流程效率提升（节省30–70%时间），患者参与度积极（满意度75–92%）。但证据确定性低至中等，反映原型和概念验证研究主导。多语言AI有潜力推进健康公平，但面临英语偏见、语码混合失败、验证不足、整合障碍和偏见等挑战。当前系统应视为决策支持工具而非自主诊断系统，应补充而非替代专业医疗口译员。需要清晰的监管途径、报销机制和持续监测，以在健康公平和伦理框架内实现这些技术的潜力。
