大型语言模型在医疗决策中的社会人口统计学偏见研究

编辑推荐：针对大型语言模型(LLMs)可能因患者社会人口特征(如种族、收入、性取向)产生临床建议偏差的问题，研究人员通过分析170万条模型输出数据发现：标注为黑人、无家可归或LGBTQIA+的病例被过度推荐急诊/侵入性治疗/心理健康评估(如LGBTQIA+亚组接受心理健康评估频率超临床指征6-7倍)，而高收入病例更易获得CT/MRI等高级影像检查(P?<?0.001)。该研究揭示了LLMs潜在的医疗偏见风险，为健康公平性评估提供关键证据。

　　当大型语言模型(LLMs)进军医疗领域，它们是否会戴着"有色眼镜"看病？一项覆盖170万条模型输出的重磅研究揭开了惊人真相：在保持相同临床症状的前提下，标注为黑人、无家可归或LGBTQIA+的虚拟病例，被模型"区别对待"——推荐急诊、侵入性操作或心理健康评估的概率显著提升。其中LGBTQIA+亚组接受心理评估的频率竟超出临床实际需求6-7倍！而"钞能力"患者更受青睐：高收入标签使CT/MRI等高级影像检查推荐率飙升(P?<?0.001)，低收入群体则被"精打细算"地限制在基础检查。这些偏差经多重假设校正后依然顽固存在，且完全违背临床指南逻辑。无论是商业版还是开源模型，都暴露出这种"AI偏见"，暗示若不及时干预，这些数字医生可能成为健康不平等的推手。该研究为AI医疗公平性敲响警钟——在拥抱技术红利的同时，必须给算法装上"偏见过滤器"。