对话式AI迈入疾病管理新阶段：Nature刊文揭示双智能体临床推理能力

⭐ 想要第一时间收到推送，不妨给我个星标

导语：今天分享的是共同第一作者 Valentin Liévin、Anil Palepu 与共同通讯作者 Valentin Liévin、Anil Palepu、Alan Karthikesalingam、Mike Schaekermann 团队于2026年6月发表于《Nature》的文章。除诊断对话之外，人工智能能否贯穿多次就诊，统筹病程演变、疗效评估与用药调整？作者搭建了由对话模块与管理推理模块组成的两智能体机制，在100个涵盖多次随访的虚拟临床考场景中，与21位初级保健医师开展随机盲法对照实验。系统所给出的管理推理结果整体上不逊于人类医生，且在建议精准度、临床指南契合度以及高复杂度药物推敲方面表现更佳；但模拟文本任务尚无法验证真实患者获益、处方安全性及自主临床部署的可靠性。

亮点：两智能体协作疾病管理框架、随机盲法多次随访模拟评估、基于指南与药物循证信息的约束机制。

大语言模型（large language model，LLM）已具备执行诊断对话的能力，然而在跨多次就诊场景下整合疾病进程、治疗反应、用药方案及随访安排的管理型推理，仍然缺乏系统性评价。

研究核心问题：在临床指南与药物循证资料双重约束下，对话式人工智能能否在模拟纵向疾病管理任务中达到PCP水准，并将优势范围收敛于可核验的管理方案评分与药物推理基准测试之内？

本研究可依照"双智能体架构搭建—多次随访对照—双维度评分—药物基准验证"四个步骤加以理解：首先将医疗智能对话探索器拓展为对话与管理推理协同运行的系统，随后在100个包含三次随访的模拟情境中与21名初级保健医生实施随机盲法对比，接着由专科医师与标准化患者演员各自独立打分，最终借助600道药物推理基准题对系统药物推敲能力进行补充验证。

作者将医疗智能对话探索器（Articulate Medical Intelligence Explorer，AMIE）拓展为承担实时交互任务的对话智能体与管理推理智能体（management reasoning agent，Mx agent）的协作组合。Mx agent调取临床指南，对患者信息加以剖析，确立管理目标并生成带