`Nature Medicine`：ChatGPT-4o 辅助的基层临床决策支持在肯尼亚随机试验中未显著降低 14 天治疗失败

顶级刊物论文速递 · 发布 2026-06-26T22:00:00+08:00 · 更新 2026-06-26T22:06:45+08:00

`Nature Medicine` 6 月 26 日发表的 pragmatic cluster-randomized trial，把生成式 AI 医疗辅助从离线 benchmark 推到了肯尼亚 16 家基层医疗机构的真实工作流中。103 名临床官员、9691 名患者纳入试验后，ChatGPT-4o 辅助组并未显著降低 14 天治疗失败率，但也没有识别出与干预相关的严重安全信号。这使“LLM 进入低资源临床现场后究竟改善什么”第一次获得更接近现实世界的顶刊级随机证据。

据 Nature Medicine 6 月 26 日发布的论文 Generative AI-enabled clinical decision support system in primary care: a pragmatic, cluster-randomized trial，研究团队把生成式 AI 医疗辅助从离线 benchmark 和模拟病例推向了低资源基层医疗现场的真实世界随机试验。试验在肯尼亚 16 家基层医疗机构开展，103 名临床官员被随机分配为“电子病历 + LLM 辅助”或常规电子病历两组，2025 年 4 月 22 日至 7 月 16 日共纳入 9,691 名患者。结果相当克制但很重要：LLM 辅助组 14 天内治疗失败发生率为 2.2%，对照组为 2.0%，调整后 OR 为 0.77，95% CI 为 0.55 至 1.08，P=0.13，未达到显著差异。

这篇论文值得保留，不是因为它证明了生成式 AI 在临床上“立刻有效”，而恰恰因为它给出了一份更接近真实部署处境的否定性或至少审慎性证据。过去大量关于 LLM 医疗能力的讨论来自静态试题、病历问答或高资源场景下的辅助任务，而基层门诊真正关心的是患者是否更快得到合适处置、短期不良结局是否下降、流程是否更安全。这项试验把评价指标直接落在 14 天治疗失败这一临床复合终点上，使讨论从“模型会不会答题”转向“系统部署后是否改善现实结局”。

摘要还能看到两个同样重要的信号。第一，论文并没有发现与干预相关的严重不良事件，独立审查也未识别出安全性信号，这意味着 ChatGPT-4o 作为临床决策支持层在这个场景下至少没有显著制造新的明显风险。第二，安全不等于有效。即便在看起来合理的辅助部署下，真实世界收益仍可能很有限，说明 LLM 的潜在价值也许更多取决于工作流嵌入方式、医生训练水平、病例复杂度分布、既有电子病历质量，以及模型究竟承担“提醒”“校对”还是“直接建议”这几种不同角色。

它会影响谁？对医院和基层医疗系统来说，这是一份非常有用的降温材料，提醒部署生成式 AI 不应直接从演示效果外推到临床获益；对医疗 AI 研发者来说，它提示下一轮真正要优化的，也许不是单纯再刷模型能力分数，而是干预触点、任务选择和组织流程；对监管和伦理讨论来说，这类随机试验也提供了更务实的评价模板，即先证明安全，再看能否稳定转化为患者层面的结局改善。

边界必须写透。这项研究发生在肯尼亚 16 家基层机构，干预对象是特定电子病历环境中的 ChatGPT-4o 决策支持，主要终点是 14 天治疗失败，因此不能直接外推到三级医院、专科场景、长期随访或其他模型配置。更稳妥的结论是，截至 2026 年 6 月 26 日，顶刊层面的最好新证据之一显示，生成式 AI 进入真实基层诊疗环境后可以是安全的，但要把这种安全性稳定转化为显著疗效改善，并没有行业叙事想象得那么容易。

信息来源

• Nature Medicine

可信度说明

来源为 `Nature Medicine` 原始论文页，摘要可直接核验 16 家机构、103 名临床官员、9,691 名患者、2.2% vs 2.0% 的 14 天治疗失败率、OR 0.77（95% CI 0.55–1.08）以及未见安全性信号。边界在于，这是一项特定国家与基层网络中的 pragmatic trial，外推到其他医疗体系仍需谨慎。