基于证据的医学指南代理开发：从对话生成问题
计算与语言
2026-03-26 v1 机器学习
摘要
证据医学（EBM）是高质量护理的核心，但在快速而充满挑战的初级护理环境中仍难以实施。医生面临咨询时间短、患者负担加重以及指南文件冗长不实用的现实。在此背景下，我们研究了使用大语言模型（LLM）作为环境助理、在医生-患者互动期间凸显针对性、基于证据的问题的可行性。我们的研究侧重于问题生成，而非问题 answering，旨在为医生的推理提供脚手架，并将指南导向的实践整合到简短的咨询中。我们实现了两种提示策略：零-shot基线和多阶段推理变体，采用 Gemini 2.5 作为底层模型。我们在来自真实临床 encounter 的 80 份去标识化记录上进行评估，六位经验丰富的医生参与了超过 90 小时的结构化审查。结果表明，虽然通用 LLM尚未完全可靠，但它们可以产生临床上有意义且与指南相关的问题，表明其有显著潜力以减轻认知负担、使 EBM 在护理现场更具可操作性。
引用
@article{arxiv.2603.23937,
title = {Dialogue to Question Generation for Evidence-based Medical Guideline Agent Development},
author = {Zongliang Ji and Ziyang Zhang and Xincheng Tan and Matthew Thompson and Anna Goldenberg and Carl Yang and Rahul G. Krishnan and Fan Zhang},
journal= {arXiv preprint arXiv:2603.23937},
year = {2026}
}
备注
9 pages. To appear in Proceedings of Machine Learning Research (PMLR), Machine Learning for Health (ML4H) Symposium 2025