三种大语言模型回答肾移植临床问题的准确性、质量与可读性评价

World journal of urology · 2026-10-16 · 期刊论文

• 一句话结论：Grok AI、ChatGPT-5 Plus与Gemini 2.5 Flash在回答肾移植常见临床问题时均表现出较高的准确性、整体质量与可读性，三者数值接近且差异无统计学意义；作者据此提示，这些模型可能作为辅助性临床决策支持工具。
• 研究设计与做法：由两名有经验的医师独立评估10个开放式临床情境，内容涵盖手术技术、并发症处理、免疫抑制策略与围手术期管理；采用结构化评分表（科学准确性、全面性、清晰度、临床相关性等权重）与全球质量评分（GQS），并以Flesch阅读易读性评分（FRES）分析可读性；信度用Cronbach's α与组内相关系数（ICC）评价。
• 主要结果：三种模型的评分表平均分均超过9.2/10，GQS均高于4.4/5；Grok AI数值最高（评分表9.5±0.71；GQS 4.7±0.48），其次为ChatGPT-5 Plus（9.4±0.70；4.6±0.52）与Gemini 2.5 Flash（9.2±1.03；4.4±0.70），组间差异无统计学意义（p>0.05）；FRES为23.85–32.19，属专业级可读性；评分者间信度较高（Cronbach's α 0.737–0.889；ICC p＜0.05）。
• 机制或解释：作者未深入讨论机制，主要将模型表现归因于当前大语言模型在医学知识整合与语言生成方面的能力；材料未报告更具体的机制性解释。
• 局限与边界：局限包括：大语言模型存在幻觉风险，临床情境数量有限（10个），仅评估单一时间点的文本回答，评估者仅两名；材料未报告利益冲突信息。
• 可否落地：证据档位为B，提示大语言模型可作为肾移植临床决策的辅助工具，但须在医师监督下使用；尚不足以下结论认为其可替代临床判断，落地前需更多情境与真实临床结局验证。

🔗 打开原文

Polat ME, Celik M, Ceviz K 等

本文摘自《每日前沿研究简报 · 2026-10-21》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。