在线症状评估应用、大语言模型与公众自我分诊决策准确性的系统评价与比较研究

为解决数字分诊工具准确性评估缺乏统一标准的问题，德国研究团队对19项研究进行系统评价，比较症状评估应用(SAAs)、大语言模型(LLMs)和公众的自我分诊准确性。研究发现SAAs准确率差异显著(11.5-90.0%)，LLMs表现稳定(57.8-76.0%)，公众准确率中等(47.3-62.4%)。该研究为数字健康工具的选择性应用提供了循证依据，发表于《npj Digital Medicine》。

　　

在数字医疗蓬勃发展的今天，症状评估应用(Symptom-Assessment Applications, SAAs)和大语言模型(Large Language Models, LLMs)正逐渐成为公众健康管理的新工具。从英国NHS 111在线服务到德国PatientenNavi，这些数字分诊平台每年处理数百万次评估，号称能优化医疗资源配置、提升健康公平性。然而令人担忧的是，这些工具的准确性和安全性始终存在争议——某些应用可能将普通感冒误判为紧急状况，导致医疗资源浪费；又可能低估严重症状，造成延误治疗。更关键的是，现有研究往往孤立评估技术性能，却忽视了最重要的参照系：普通公众自身的分诊决策能力究竟如何？

来自德国的研究团队Marvin Kopka等人在《npj Digital Medicine》发表了一项开创性研究。他们系统筛选了1549篇文献，最终纳入19项研究进行荟萃分析，首次将SAAs、LLMs与公众的自我分诊准确性置于同一评估框架。研究采用QUADAS-2工具评估偏倚风险，通过标准化指标比较不同分诊级别（急诊/非急诊/自我护理）的决策准确性。数据来源包括真实患者案例（5项研究）和模拟病例（14项研究），覆盖23种SAAs、5种LLMs及近6000名公众样本。

研究结果部分呈现三大发现：

1. 工具性能差异显著：SAAs平均准确率跨度惊人（11.5-90.0%），其中Doctorlink表现最佳（90.0%），而K Health最低（21.5%）。相比之下，LLMs表现稳定（GPT-4达71.3%），公众准确率集中在47.3-62.4%区间。
2. 分诊级别特异性：所有评估对象在急诊识别中都表现较好（SAAs 74.5%、LLMs 66.7%、公众67.9%），但对自我护理案例的判断均不理想（SAAs 42.1%、LLMs仅10.8%、公众35.6%）。
3. 安全倾向性：SAAs普遍存在"过度分诊"倾向，即更倾向于建议用户寻求更高级别医疗帮助，这种保守策略虽降低安全风险，却可能增加医疗系统负担。

讨论部分指出，该研究颠覆了传统评估范式：当以公众表现为基准时，部分SAAs确实能提升决策质量，但效果高度依赖具体应用场景。例如，LLMs在区分急诊/非急诊时表现优异，却不擅长判断是否需要就医；而NHS 111在线等SAAs在识别自我护理案例方面更具优势。研究者强调，数字分诊工具不应被简单"推荐"或"禁用"，而应根据具体决策需求选择性使用。

这项研究的重要意义在于：首次建立了数字分诊工具的"相对价值"评估体系，为精准医疗决策支持提供了科学依据。同时揭露了当前研究的方法学缺陷——80%研究使用模拟病例，且缺乏标准化的安全评估指标。作者呼吁建立包含治疗安全、不良事件和心理安全的"多层次安全概念"，并推荐采用"RepVig框架"提升评估标准化程度。这些发现不仅指导临床实践，也为医疗AI监管政策制定提供了关键证据。