知识卡片：临床AI系统与医生及前沿语言模型在初级保健诊断中的表现比较

英文标题：Performance of Clinical AI System and Physicians and Frontier Language Models in primary care diagnostics
英文关键词：Clinical AI; primary care; adaptive information gathering; diagnostic concordance; frontier language models

一句话结论

在150个波兰语合成初级保健咨询案例中，临床AI系统Doctorina在自适性信息收集后的首要诊断一致性为82.0%，而医生比较组（8名医生）为57.0%，相差25.0个百分点；Doctorina在进一步检查建议和初始治疗建议的评分上也高于医生组。该结果来自合成案例，不能直接等同于真实临床结局。

研究问题

论文提出，临床AI评估应当涵盖“自适性信息收集之后的诊断与管理”，而不只是比较最终诊断或一次性回答。研究者将Doctorina、8名医生和4个独立前沿语言模型放在同类初级保健咨询场景中，比较诊断、进一步检查和初始治疗建议的质量。

方法/产品要点

• 评估对象：Doctorina（临床AI系统）、8名医生、4个独立前沿语言模型。摘要提到共有“六个比较组”，但六组的具体构成在摘要中未展开，待核实。
• 案例与语言：150个波兰语合成初级保健咨询案例；论文称其中149对案例进入规范化评分比较。
• 评估指标：首要诊断一致率（Top-1 concordance）、首要或参考鉴别诊断一致率（primary-or-reference-differential concordance）、规范化检查建议评分、初始治疗建议评分。
• 场景设计：强调先进行自适性信息收集，再形成诊断与管理建议。
• 模型信息摘要：摘要点名Kimi K3与Claude Opus 5；四个独立前沿模型中其余模型名称未在摘要中完整给出，待核实。
• 可重复性检验：对Doctorina进行了第二次执行，以检验结果稳定性。

主要结果或产业意义

• Doctorina的首要诊断一致率为82.0%，医生组为57.0%；差异为25.0个百分点，95%置信区间为17.7-32.7。
• 首要或参考鉴别诊断一致率为Doctorina 97.3%，医生组85.0%。
• 在149对案例比较中，规范化检查建议评分为Doctorina 89.4 vs 医生组66.9；初始治疗建议评分为Doctorina 83.7 vs 医生组61.2。
• 摘要称，在六个比较组中，Doctorina的诊断点估计最高，Kimi K3次之；在管理估计上，Claude Opus 5领先，且摘要提到Opus、Doctorina与Kimi的管理估计值很接近（原文中“Opus”与“Claude Opus 5”的指代关系待核实）。
• Doctorina的第二次执行在所有结局上复现了相对医生组的优势。
• 产业意义：论文主张，临床AI评价标准不应止于“最终诊断是否一致”，还应把信息采集过程、进一步检查和初始治疗方案是否合理纳入评估。

为什么重要

这项研究提供了同一场景下“临床AI系统 vs 人类医生 vs 通用前沿语言模型”的量化对照，并把评估终点从诊断选择延伸到检查建议与初始治疗建议。相比已有医疗大语言模型安全与安保综述的宏观框架，本卡片所依据的论文是一个具体的实证结果，提示自适性信息收集会显著影响后续诊疗建议质量；这也意味着大模型医疗应用评估不应忽略交互式信息收集环节。此外，研究使用波兰语合成病例，可视为非英语医疗AI评估的一个参考案例。

局限与不确定性

• 病例为合成生成，并非真实患者数据；真实临床环境中的表现无法据此直接推断。
• 8名医生的资质、经验、工作条件、是否使用辅助工具、是否设盲，以及参考诊断如何产生，摘要均未提供，待核实。
• 150个案例为何在评分部分为“149对”比较，摘要未解释，待核实。
• Doctorina的算法细节、训练数据和交互机制在摘要中未披露，待核实。
• 四个独立前沿模型中，除Kimi K3、Claude Opus 5外其余模型名称以及“Opus”的确切指代，摘要未完整说明，待核实。
• 各独立模型在管理评分上的具体数值在摘要中未列出，待核实。
• 论文出现在arXiv上，是否已经同行评审，待核实。

可用于图书/PPT/简报的角度

• “AI医生与人类医生在初级保健诊断中的一致率差距”的量化案例。
• 临床AI评估新范式：从单次问答转向“自适性信息收集后的完整诊疗建议”。
• 专用临床AI与通用前沿语言模型的诊断和管理表现不一定一致：诊断点估计Doctorina领先，管理估计Claude Opus 5领先。
• 使用多语言合成病例进行医疗AI评估的设计思路。

原始材料

• 英文标题：Performance of Clinical AI System and Physicians and Frontier Language Models in primary care diagnostics
• arXiv ID：2609.09070v1
• URL：https://arxiv.org/abs/2609.09070v1
• 作者：Andy Nkansah, Hanna Plotnitskaya, Stanislau Salavei, Anna Kozlova, Piotr Gibas, Julian Milek, Viktar Harbachou, Aleksey Ropan, Pavel Satalkin
• 发布/更新：2026-09-08
• 分类：cs.CL（含cs.AI, cs.HC）
• 英文关键词：Clinical AI; primary care; adaptive information gathering; diagnostic concordance; frontier language models