川海智库

报告概述

本报告通过一项在印度尼西亚、肯尼亚和荷兰三国的随机对照试验，研究了通用大语言模型（LLM）是否能够提升医生的临床推理能力。报告覆盖了249名医生在标准化临床案例中的表现，分析了LLM接入对不同国家、不同专业背景医生的影响，并探讨了医生对AI辅助诊断的感知以及政策含义。报告采用临床案例法和双人评分机制，为理解LLM在医疗领域的潜力和风险提供了实证基础。

报告的核心结论

LLM接入可提升医生临床推理表现，但效果因国家而异

试验显示，接入LLM的医生在三国的标准化临床案例中得分均高于未接入组。肯尼亚提升最显著（+18%），其次是印尼（+10.7%）和荷兰（+7.2%）。然而，表现分布存在重叠，部分接入LLM的医生得分反而低于未接入者，说明接入本身并不保证提升。

LLM的高使用频率与更高表现正相关

在三国中，高频使用LLM的医生平均得分显著高于低频使用者：印尼高出16.1%，肯尼亚高出8.4%，荷兰高出7.5%。这表明，更积极、持续地使用LLM有助于发挥其辅助作用，但仍有部分低频使用者表现优于高频使用者。

LLM对非专科医生的帮助更大，可能缩小技能差距

在肯尼亚，非内科专科医生（如外科、麻醉科等）从LLM接入中获益更多，估计平均分提升20.4%，而内科专科医生提升10.7%。这提示LLM可能有助于弥补技能不足，但需注意专科医生本身基线水平较高。

LLM应作为临床决策的补充工具，而非替代品

即使接入LLM，表现最佳的医生仍优于LLM单独得分，表明专家判断不可或缺。同时，存在自动化偏差、幻觉和上下文不匹配等风险，因此LLM的整合需谨慎设计，包括结构化工作流程、独立验证和安全保障。

报告回答的关键问题

大语言模型能提高医生的临床推理能力吗？

是的。在印尼、肯尼亚和荷兰的随机对照试验中，接入GPT-4o的医生在标准化临床案例中的平均得分显著高于未接入组。但效果因国家和个人使用方式而异，且部分医生在接入后表现反而更差，提示单纯接入不足以保证提升。

AI会取代医生的工作吗？

报告显示，医生普遍认为AI不会取代其职业，多数医生认为AI能提升生产力而非取代岗位。任务暴露分析也表明，通用医学从业者的核心临床任务（如体检、手术）自动化潜力低，LLM主要作为辅助工具，增强而非替代临床判断。

LLM在低资源环境下的效果如何？

在肯尼亚（资源相对有限）的效果最大（+18%），且对非专科医生帮助尤为显著。这表明LLM有潜力缩小医疗质量差距，但需注意本地化验证、基础设施投资和机会成本。报告强调，部署前需进行成本效益分析，并关注数字主权问题。

医生对使用AI辅助诊断持什么态度？

多数医生认为LLM有助于提高诊断准确性和效率，尤其对复杂病例和鉴别诊断有帮助。但医生也担忧自动化偏见、准确性（约20%的回复不准确）以及患者信任受损。在印尼和肯尼亚，医生普遍感到AI能减轻压力，而荷兰医生则更多持中性态度。

报告中的代表性数据

肯尼亚 +18%，印尼 +10.7%，荷兰 +7.2%

LLM接入对临床案例得分的提升幅度

2025年试验期间，基于249名医生在标准化临床案例中的平均得分，与未接入组相比的绝对百分比提升。

印尼 16.1%，肯尼亚 8.4%，荷兰 7.5%

高频使用与低频使用者的得分差异

2025年试验期间，根据LLM使用频率（按各国中位数划分高/低）对比平均得分差，因样本较小需谨慎解读。

GPT-4o：印尼66.7%，肯尼亚70.2%，荷兰74.2%；最佳医生：印尼59.8%，肯尼亚64.5%，荷兰64.4%

LLM单独得分与最佳医生得分对比

2025年试验期间，LLM单独（零样本）得分超过未接入组最佳医生，但接入组中的顶尖医生仍超越LLM。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 详细的随机对照试验设计：包括参与者招募、随机化流程、干预组与控制组的设置，以及LLM接口（GPT-4o通过OpenAI API集成至Qualtrics环境）的技术细节。
  • 临床案例设计与验证：四类疾病（心血管、呼吸、肌肉骨骼、病毒感染）的标准化案例开发过程，以及本地化调整和专家验证，确保案例在不同国家的代表性。
  • 任务自动化评分方法：基于ILO的GenAI暴露指数，对医学职业（如全科医师）的每项任务进行0-1评分，并附有完整评分理由表（附录表A.1）。
  • 跨文化临床推理差异分析：讨论文化差异如何影响临床推理，以及LLM在不同文化背景下的表现差异，包括印尼、肯尼亚和荷兰的比较。
  • 医生感知调查与定性访谈：量化数据显示医生对AI替代风险的看法、生产力提升预期、压力减少感知；定性访谈揭示医生对准确性、信任、患者关系及认知退化的具体担忧。
  • 政策建议与实施框架：八项具体政策建议，涵盖整合设计、培训、自动化偏见缓解、公平接入、本地验证、监控评估、法律责任和社会对话，每项均附实证依据。
  • 研究局限与未来方向：包括试验条件与现实临床实践的差异、样本大小对子组分析的限制、LLM版本随时间演变的影响，以及需要进一步研究的领域（如成本效益分析、患者结局研究）。
  • 完整的参考文献列表：涵盖近40页的学术引用，包括WHO、OECD、ILO政策文件及最新医学AI研究，为政策制定提供可靠参考源。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告