大型语言模型在临床决策支持中的主动证据寻求与诊断推理

大型语言模型在静态医学考试中表现优异，但临床诊断常需在不确定性下进行迭代式证据收集。本文构建了基于 OSCE 的标准化患者模拟器及可控基准，用于评估主动诊断询问能力。通过对 468 个案例和 15 个模型的测试发现，多轮证据寻求使诊断准确率下降 12.75%，支持证据质量降低 24.36%。错误分析表明，这主要归因于过早闭合诊断和低效提问。结果提示静态基准可能高估交互式场景性能，需补充交互评估以提升临床安全性。