急诊科大语言模型临床决策支持系统 SHAKED 的前瞻性评估

过去几年，大语言模型的临床能力已在线上评测中被反复检验：Flan-PaLM在MedQA上取得67.6%的准确率，较此前最佳水平提升逾17个百分点^[2]；ChatGPT回答标准化病例的总体准确率为71.7%^[3]。然而贴近真实场景的评估并不乐观——基于一万例急诊就诊记录的研究显示，GPT-4-turbo与GPT-3.5-turbo给出的临床建议平均比住院医师分别低8%和24%，且普遍过于保守^[5]；在模拟真实诊疗环境的数据集上，模型诊断明显差于医师、既不遵循诊断也不遵循治疗指南、难以嵌入既有工作流程^[4]。综述对本领域的概括是“令人印象深刻但参差不齐”^[1]，而研究者自己也指出，急诊科AI决策支持的前瞻性证据仍然有限^[7]。

这项2026年8月19日在线发表于Nature Medicine的研究，正是把LLM临床决策支持系统前瞻性地放进真实急诊环境：在一家三级医院急诊科开展的先导性实施研究。注册信息显示，研究在以色列海法的Rambam Health Care Campus进行，注册号NCT06902675^[8]，并按DECIDE-AI第一阶段规范报告^[9]。据报道，该系统名为SHAKED，并非给基础模型套一个对话窗口，其扩展数据描述的是一条事件驱动的处理管线^[10]。4周的观察得出一好一坏两个结论：系统实现了安全整合；但临床采纳率持续稳步下降。

从领域认识的角度看，这项工作把问题从“模型行不行”推进到了“系统用不用”。此前证据多来自考试基准、病例测试和回顾性数据^[2][3][5]，本研究则表明，即便安全落地这一技术门槛得以跨过，医生的持续使用本身成为新的瓶颈。这一瓶颈也并非AI独有：一家教学医院将电子病历中的会诊下单与寻呼整合后6个月，新流程使用率也只有25%^[6]，说明急诊环境中的采纳障碍由来已久。

当然，作为单中心、为期4周的先导研究，它尚不能回答采纳率为何逐周走低——是新鲜感消退、工作流摩擦还是信任问题，摘要未给出解释；安全整合能否转化为可测量的患者获益、下降趋势在更长时间里会否延续，也都有待后续更大规模的验证。