摘要
大语言模型（LLMs）与物联网（IoT）的融合正在推动医疗保健生态系统向连续性、基于上下文的智能模式转型。由于这一领域的创新性，现有研究仍然较为分散，缺乏能够整合领域应用、功能型AI部署角色、网络架构和安全边界的一致性框架。遵循PRISMA 2020的指导原则，本文对61篇经过同行评审的论文和14篇预印本论文进行了系统的文献综述和定量分析。在方法论上，我们评估了一种新的混合式文章发现策略，发现基于AI的提示式文献搜索策略在评估样本中的精确度高于传统的基于关键词的布尔查询（86% vs 42%），这可能减轻筛选工作负担。我们发现基于AI的文献搜索的主要局限性在于非确定性，这也是LLM驱动的应用程序的固有属性。为了解决这个问题，我们提出了使用AI辅助的混合式文献搜索策略的方法论指南。根据选定的文献，我们建立了一个多层次的分类体系，将IoT-LLM在医疗保健领域的进展分为四个方面：应用领域、LLM的角色、IoT设备类型和架构部署模式。定量分析显示，研究主要集中在远程患者监测和个人健康管理上（合计占论文总数的59%），这主要由可穿戴传感器的数据可访问性推动（64%）。跨表格分析揭示了一个明显的能力建制-约束谱系：基于云的部署依赖于高性能的先进模型（主要是GPT系列模型）进行复杂的语义推理，而边缘计算、联邦化和基于区块链的混合系统则使用本地化模型（BERT和LLaMA系列）。患者数据隐私和降低通信开销是选择本地化模型的主要原因。重要的是，我们的评估暴露了人们对LLM特定漏洞（如提示注入和越狱攻击）的普遍忽视，并且倾向于将监管框架（例如HIPAA、GDPR）视为设计特性，而不是经过实证验证的合规性指标。最后，我们提出了一个可行的未来研究议程，优先考虑多设备系统协调、紧急护理集成、保护隐私的LLM以及大规模临床验证。
