Nature：面向疾病管理的对话式AI，多次就诊模拟中媲美基层医生

近期，Google DeepMind和Google Research的科学家在《Nature》期刊上发表了一篇研究，标题为“迈向疾病管理的对话式人工智能”。该研究将原本用于临床诊断交流的AMIE平台拓展至疾病管理领域，打造了一个针对多轮就诊、长期病情演变、疗效监控和用药决策的对话式AI系统。结果显示，在一项随机、双盲的虚拟OSCE试验中，AMIE在处理100个多轮就诊案例时，与21位基层医生相比，展现了同等的疾病管理推理水平，并在治疗与检查建议的精准度、临床规范一致性方面获得了更优评分。

背景

近段时间，大语言模型在医学问答、鉴别诊断和临床沟通方面取得了显著进步。过往研究已表明，LLM系统不仅能根据整理好的病史提供较准确的鉴别诊断，还能通过自然、富有同理心的对话主动获取病史，赢得患者信赖。然而，真实医疗远不止“诊断”。医师还需决定后续检查、拟定可接受的治疗方案、兼顾患者意愿和医疗体系限制，并根据病情发展和治疗反馈持续调整策略。这种能力被称为管理推理。相较诊断推理，管理推理更为复杂且难以衡量。即便是同一患者，不同医生也可能因临床环境、患者偏好、资源条件和指南解读差异而做出不同决策。因此，管理推理通常没有唯一正确答案，但它直接关系到慢病跟踪、用药调整、检查安排、转诊时机和患者安全。

本研究正是针对这一空缺展开。作者旨在评估对话AI能否从单次诊断迈向更贴近现实临床的疾病管理：在患者多轮就诊、症状和检测结果动态变化的情形下，持续收集信息、更新判断、引用指南，并制定可执行的管理方案。

AMIE平台：从诊断对话迈向长期疾病管理

AMIE是Google先前推出的医学对话研究系统。此次研究在原有诊断功能上，构建了面向疾病管理的新式LLM智能体平台。平台由两大核心模块构成：Dialogue Agent和Management Reasoning Agent，即Mx Agent。Dialogue Agent负责与患者进行快速、自然、共情的同步文本对话，类似于临床问诊中的前台交流者。Mx Agent则承担更慢、更深入的管理推理职责，持续分析患者病历、检索并阅读权威临床指南，并生成结构化管理方案。这种设计类似临床中的“快思考”与“慢思考”：一个模块专注流畅交流，另一个模块专注充分推理、查阅依据和规划治疗。

图1 通过模拟对话环境，AMIE能在多种医疗场景中持续优化其表现。在在线推理阶段，AMIE借助Gemini的长上下文能力，对多份临床指南进行综合推理，并产出完整的疾病管理方案。AMIE的性能通过一项多轮就诊的远程OSCE（客观结构化临床考试）研究进行评估，并与初级保健医生（PCP）的表现进行对比。

为使AMIE的推理有据可依，系统利用Gemini的长上下文能力，将患者多轮就诊数据与大规模临床指南置于同一推理环境。Mx Agent会检索相关指南文件，生成多个初稿管理方案，再通过结构化推理进行整合和优化。最终输出的管理方案涵盖检查、治疗、随访和升级处置建议，并对推荐项标注引用