约八成匹配专科最终诊断：对话式大模型能否补上门诊眩晕问诊的短板
信号发布时间：2026年10月8日 23:57原研究发布日期：2026年8月7日
研究在做什么
眩晕与头晕是门诊常见主诉，病因跨度大、鉴别路径长，在非专科场景中误诊率偏高，其中一个重要原因是病史采集往往不完整、不规范。尽管大语言模型在静态病例文本上的诊断成绩被反复讨论，来自真实临床流程、能够进行多轮追问的前瞻性证据仍然稀少。本研究在一项两阶段诊断准确性研究中，先用标准化病史文本横向比较多个大语言模型与资深耳鼻喉科专家，再把一个本地部署的对话式智能体嵌入真实门诊，由护士协助、通过平板与患者完成多轮症状史对话，考察其与专科最终诊断的一致性。
研究方法与机制
研究分两个阶段。第一阶段为基于病史的评估（HBE）：对227份结构化眩晕病史（其中138份来自真实患者问卷，89份为专家模拟病例），由10个大语言模型与5位资深耳鼻喉科专家独立给出诊断，比较其与参考诊断的一致性。第二阶段为前瞻性临床评估（PCE）：在中国5家中心纳入176例眩晕或头晕门诊患者，由一名护士协助，患者通过平板与一个基于DeepSeek-R1、部署在机构本地基础设施内的对话式智能体进行多轮症状史对话；智能体仅接收病史信息，不获取体格检查与辅助检查结果，同时接诊临床医生对智能体输出保持盲态，并在常规评估后记录最终临床诊断。主要结局为Top-1诊断与参考诊断的一致性，次要结局包括HBE的Top-3准确率及按疾病分类的表现。
关键发现
核心结论是：一个仅基于病史、在护士协助的门诊流程中运行的本地部署对话式大模型智能体，在前瞻性多中心研究中与专科最终诊断的一致性约为80%（176例中140例匹配，79.55%，95%置信区间72.8%-85.2%）。这一数字应理解为“护士协助下的智能体工作流”整体表现，而非智能体单独的表现。分病种看，良性阵发性位置性眩晕的一致性最高（44例中43例，97.73%，95%置信区间88.0%-99.9%），梅尼埃病次之（30例中27例，90.00%，95%置信区间73.5%-97.9%）；前庭性偏头痛（45例中32例，71.11%，95%置信区间55.7%-83.6%）与持续性姿势-知觉性头晕（28例中19例，67.86%，95%置信区间47.6%-84.1%）相对较低。
验证与证据
在基于病史的评估中，Gemini-2.5-pro与o1取得最高的Top-1准确率（各为69.6%，95%置信区间63.2%-75.5%）；没有任何大语言模型显著优于专科专家小组多数投票（63.9%，95%置信区间57.3%-70.1%；McNemar检验，所有模型P>.10）。这一比较没有检出任一所评模型显著优于专家多数投票；但未检出差异不等于证明两者统计等效。前瞻性临床评估提供了上述约80%一致性以及各病种分层数据。需要注意的是，HBE的对比结论与PCE的一致性结果来自不同研究阶段、不同任务设置，不能相互替代解读。
雷达解读
为什么与保险有关
研究提供的是护士协助的门诊环境中，以对话式模型采集病史并给出诊断建议的临床工作流证据，而非保险核保或理赔场景的效果验证。保险机构可以将其作为结构化健康问询方法的观察线索；但向核保、风险评估或其他保险流程迁移，仍须明确使用者、决策责任、适用病种、准确性和安全性评价，不能以约 80% 的门诊诊断一致性推断保险业务效果。
当前证据边界
约八成的诊断一致性反映护士协助的问诊与建议工作流，不等于模型独立诊断表现，也不能据此认定其与专科医生等效。研究样本限于中国五家中心的眩晕门诊；诊断参考标准细节、安全性结局以及跨病种、跨环境的稳健性仍需进一步核查。向保险健康问询或风险评估迁移尚缺直接验证。