要点
- ChatGPT-4 能够在候诊区环境中，有效收集儿科急诊患者/照护者的现病史。
- 研究显示其可用性高、患者满意度高，且经医师评价的质量、准确性和可读性均较佳。
- AI 生成的病史有望减轻临床医生的文书记录负担，并支持分诊效率提升。
- 在最终生成的 AI 文本中未观察到“幻觉”现象，提示其在初步应用中具有一定安全性。
研究背景
急诊科（ED）通常面临患者量大、时间紧迫以及文书记录负担沉重等问题，这些因素会影响临床工作流程和患者体验。尤其在儿科急诊中，如何高效获取患者或照护者提供的现病史（HPI）是一项挑战，而现病史是做出临床决策和分诊优先级判断的基础。传统病史采集耗时较长，可能限制患者参与，并对医疗质量和满意度产生不利影响。人工智能（AI）尤其是 ChatGPT-4 等自然语言处理（NLP）模型的进展，为自动化和优化早期临床数据采集提供了新的可能性。若能在候诊区直接借助 AI 辅助收集病史，或可强化临床工作流程、提高数据质量并减轻医务人员负担。然而，其临床可行性、准确性和可接受性仍有待验证，特别是在儿科急诊这种患者沟通复杂性和情境差异较大的场景中。
研究设计
这项前瞻性混合方法试点研究在儿科急诊科开展。研究对象为 31 例经急诊严重指数（Emergency Severity Index，ESI）分诊评分为 3～5 分的患者，属于中低危病例，适合在候诊区场景中进行。患者或其照护者与符合健康保险流通与责任法案（Health Insurance Portability and Accountability Act，HIPAA）要求的 ChatGPT-4 实例交互，以生成现病史。该 AI 生成的病史虽同步收集，但刻意不用于影响临床决策，仅作为概念验证性评估。
参与者体验采用 11 分李克特量表进行定量评价，包括可用性、满意度以及对 AI 生成摘要质量的感知评分。此外，对开放式回答进行了主题性定性分析。儿科急诊医师独立审核 AI 生成的摘要，并使用同样的 11 分量表对其准确性、完整性、效率、可读性及总体满意度进行评分。因此，本研究将定量的用户与专家评价和定性的见解相结合，以全面评估该方法的可行性和可接受性。
主要发现
参与者对可用性的评分非常高（中位数 10，四分位距［IQR］8～10），满意度评分亦较高（中位数 8，IQR 7～10）。他们对 AI 生成的现病史总体质量评价也很高（中位数 9，IQR 8～10）。定性主题分析显示，参与者的积极反馈主要集中在界面友好、AI 系统具有一定客观性以及生成摘要较为准确等方面。参与者似乎能够较为轻松地直接使用该 AI 工具传递临床信息。
儿科急诊医师在所评估的 5 个维度上均给出了较为肯定的评价：准确性、完整性、效率、可读性和总体满意度。准确性、完整性、效率及总体满意度的中位数均为 8/10，而可读性的中位数最高，为 9/10（IQR 7～9）。这提示 AI 生成的病史不仅准确，而且呈现方式简洁、易于理解，有助于临床快速吸收信息。
临床医生也指出了一些局限性，包括偶尔缺少重要的情境细节，例如既往就诊特点或可能影响诊断思路的医学细微信息。值得注意的是，在最终文本中未观察到“幻觉”，即 AI 生成不准确或虚构信息的现象，这在该初步应用场景中支持了其安全性。
对临床实践的启示
研究结果支持在儿科急诊场景中整合 AI 驱动的病史采集，尤其适用于等待就诊的低危患者。此类早期病史获取可使临床医生提前查看结构化摘要，为分诊决策提供依据，并有望降低临床文书记录工作量。该方法还可通过简洁易用的界面让照护者直接参与，从而增强患者参与度。可读性和效率方面的良好评分，也与繁忙急诊环境中的工作流程需求相一致。
专家点评
这项试点研究为支持 AI 在一线临床护理中应用的证据体系增添了新的数据。与早期基于规则的系统或功能有限的 NLP 系统相比，ChatGPT-4 提供了更大的灵活性和更强的语境理解能力，体现出一定进步。然而，正如医师所指出的，AI 摘要可能遗漏具有临床意义的既往就诊特征或独特病史细节，这表明该技术应作为临床判断的补充，而非替代。对完整性和上下文的关注仍然至关重要。
未来研究应探索与电子健康记录（EHR）的整合，以纳入纵向数据、实时临床决策支持，以及向不同患者群体和更高危病例的可扩展性。通过更大样本量和严格临床结局指标开展验证研究，并结合工作流程影响和成本效益分析，将有助于明确 AI 驱动病史采集的临床角色。数据隐私、知情同意和公平可及性也仍需持续审视。
结论
本研究表明，借助 ChatGPT-4 从儿科急诊患者或照护者处早期获取现病史是可行的、可接受性良好，并且能够生成准确、完整、可读且高效的摘要。这一有前景的方法有望减轻临床医生的文书负担，支持更顺畅的分诊流程，并提升儿科急诊场景中的患者参与度。这些试点结果为未来优化 AI 实施策略、评估其对临床结局及医疗服务提供的直接影响奠定了基础。
资金与注册
摘要中未报告具体资助来源或临床试验注册信息。
参考文献
Morley-Fletcher A, Raghavan VR, Geanacopoulos AT, Maher M, Waltzman M, Barak Corren Y, Fine AM. A Pilot Study to Evaluate Artificial Intelligence-Driven Early Retrieval of Medical Histories in the Emergency Department. Ann Emerg Med. 2026 Mar 19;88(2):135-143. PMID: 41854578. https://pubmed.ncbi.nlm.nih.gov/41854578/
另有相关文献包括：
1. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98.
2. Lin S, Mahoney J, Chan A, et al. Natural Language Processing for Clinical Data Analysis: Systematic Review. JMIR Med Inform. 2022;10(6):e26285.
3. Obermeyer Z, Emanuel EJ. Predicting the Future — Big Data, Machine Learning, and Clinical Medicine. N Engl J Med. 2016 Sep 29;375(13):1216-1219.