基于检索增强生成（RAG）的AI临床决策支持系统“Ask Eolas”在模拟评估中显著提升抗菌药物处方准确性

《npj Antimicrobials and Resistance》：Enhancing quality of antimicrobial prescribing through ‘Ask Eolas’ (language model): a user-testing and simulation evaluation

为解决现有抗菌药物决策支持工具存在可用性不足、临床医生信任度低及整合障碍等问题，研究人员开展了主题为“Ask Eolas”的RAG增强型AI-CDSS（临床决策支持系统）模拟评估研究。结果显示，在45名参与者的模拟处方案例中，“Ask Eolas”实现了零处方错误，处方准确率显著优于传统PDF指南（47%）和Eolas应用程序（60%）（p<0.001）。其临床需治数（NNT）为1.9。该研究表明，该工具在提高处方准确性的同时，增强了可用性、临床医生信心和系统透明度，为人工智能在抗菌药物管理计划中的安全部署提供了早期证据。

抗菌药物是我们对抗细菌感染的重要武器，但其不恰当的使用，特别是广谱抗生素的误用，正在全球范围内引发一场日益严峻的公共卫生危机——抗菌药物耐药性（Antimicrobial Resistance, AMR）。不准确的处方是推动这一危机蔓延的关键因素之一。为此，医疗界引入了临床决策支持系统（Clinical Decision Support Systems, CDSS），旨在辅助医生做出更优的抗菌药物处方决策。然而，理想的工具与现实之间存在巨大鸿沟：许多现有系统因用户体验不佳、缺乏透明度和临床背景不符，难以真正融入临床工作流程，无法获得医生的充分信任。

人工智能，特别是大语言模型（Large Language Models, LLMs），似乎带来了新的希望。然而，传统的LLMs“一本正经地胡说八道”的风险使其在严谨的医疗决策领域举步维艰，其答案可能缺乏事实依据、前后不一致，与专业的临床知识库脱节。难道AI在精准医疗的门口只能“望门兴叹”吗？

此时，一项名为“检索增强生成”的技术，为AI进入临床决策核心地带开辟了一条新路。它巧妙地将大语言模型强大的语言生成能力，与精心构建的、循证的专业医学知识库（如医院指南）相结合。模型不再仅仅依赖其内部训练的记忆，而是像一个顶尖的医学顾问，在回答医生提问时，先去权威的图书馆里找到相关文件，然后基于这些最新、最可靠的信息，给出针对性的建议。这不仅极大提高了回答的准确性，也使其能够与特定医院的本地指南保持严格一致。

为了验证这种新型AI-CDSS的潜力，一个研究团队开发了名为“Ask Eolas”的系统，并对其进行了严格的模拟用户测试。这项名为“通过‘Ask Eolas’（语言模型）提升抗菌药物处方质量：一项用户测试与模拟评估”的研究成果，发表在《npj Antimicrobials and Resistance》上。研究旨在评估这种基于检索增强生成（RAG）的AI-CDSS，在处方准确性、减少错误、可用性以及提升临床医生信心方面，是否真的能超越现有的抗菌药物指南工具。

为了回答上述问题，研究人员设计了一个严谨的结构化、随机模拟研究。他们招募了45名来自英国一家大型教学医院的医疗保健专业人员，包括顾问医生、专科培训医师、药剂师和处方护士。参与者被随机分为三组，每组15人。三组分别使用不同的工具来完成45个涉及低、中、高三种复杂度的模拟处方病例：

1. 1.
   传统指南组：访问医院内部网提供的静态PDF格式抗菌药物处方指南。
2. 2.
   Eolas应用程序组：使用医院已部署的一款移动应用，该应用以结构化的方式（如按身体系统分类）提供指南导航。
3. 3.
   Ask Eolas组：使用集成在Eolas应用中的AI增强功能。这是一个RAG增强的CDSS，医生可以用自然语言提问，系统会检索医院指南，生成一个包含临床推理、剂量推荐和直接链接到相关指南条目的综合答案。
   研究通过模拟远程会诊的方式进行，使用Microsoft Teams平台。评估采用了多重指标，包括处方准确性、系统可用性量表、NASA任务负荷指数、以及决策信心评分等。数据分析采用了Fisher精确检验，并遵循了DECIDE-AI和SIROS等标准化报告框架，以确保评估的严谨性。研究还强调了患者与公众的参与，在系统设计中融入了伦理和用户中心的考量。

研究结果

参与者人口统计学特征

三组参与者（共45人）均完成了全部研究。参与者角色分布均衡，包括顾问、药师、专科注册医师、初级医师、核心培训医师和处方护士。

主要结局指标

Ask Eolas干预组展现出卓越的性能，实现了完美的处方准确率（100%， 15/15），显著优于Eolas应用程序组（60%， 9/15）和传统指南组（47%， 7/15）。Fisher精确检验显示，Ask Eolas与后两者相比，处方准确性均有统计学上的显著提高（p<0.001）。Ask Eolas相对于传统指南的绝对风险降低为53%，临床需治数为1.9。这意味着，每两名临床医生从使用传统指南转为使用Ask Eolas，就多产生一张准确的处方。传统指南组的错误主要与给药剂量和疗程不正确有关，通常源于对复杂流程图或嵌套文本的误解。

次要结局指标

在用户体验方面，Ask Eolas同样表现出色。参与者报告了最高的处方信心（中位数94分），并且在NASA-TLX量表的各个领域（精神需求、时间压力、所需努力、挫败感）的认知负荷均显著降低。系统可用性量表得分也一致倾向于Ask Eolas，在期望使用频率、易用性和用户信心等正面属性上评分最高，在复杂性、繁琐性等负面属性上评分最低。此外，参与者特别看重Ask Eolas提供的来源指南直接链接，认为这“有助于我信任这个答案”。其生成简洁、有针对性的摘要的能力，有效减少了信息处理负担。但也有参与者指出，系统偶尔存在延迟，以及对回答篇幅长短的偏好可能存在差异。

讨论与结论

研究者对研究结果进行了深入讨论，并基于实证观察提出了“TRUST-AI”框架，为人工智能临床决策支持系统的安全部署提供了结构化指导。该框架包含七大原则，每个原则都直接源于本研究的发现。

该模拟评估表明，以“Ask Eolas”为代表的基于RAG的AI临床决策支持系统，在提高抗菌药物处方准确性、增强临床医生信心、降低认知负荷以及改善系统可用性方面，展现出了巨大潜力。其主要结论和重要意义可归纳如下：

1. 1.
   显著提升处方准确性：在模拟环境中，Ask Eolas实现了零错误处方，准确率显著超越现有的数字化工具和传统纸质/PDF指南。其临床需治数（NNT）为1.9，具有明确的临床实用价值，表明它能有效减少因指南误读而导致的处方错误。
2. 2.
   构建临床医生信任的关键在于透明性：Ask Eolas通过展示回答所依据的指南原文链接和临床推理，提供了“可解释的AI”输出。这种透明性被参与者反复强调是建立信任的核心，它使医生能够理解并验证AI的建议，而不是将其视为“黑箱”，从而更愿意采纳。
3. 3.
   卓越的可用性是成功采纳的基石：研究表明，系统的易用性、直观的界面和低认知负荷，直接提高了决策效率和临床医生的使用意愿。这凸显了“以用户为中心的设计”在医疗AI工具开发中的极端重要性。
4. 4.
   为AI-CDSS的负责任部署提供了一个初步框架：基于研究结果提出的TRUST-AI框架，涵盖了透明性与可信度、实时数据整合、可用性与以用户为中心的设计、管理与安全、分诊与信心校准、可追责性与可审计性、实施与互操作性七个维度。这个框架为未来AI-CDSS的开发、评估、监管和临床应用提供了系统性的政策与研究议程。
5. 5.
   研究的局限性与未来方向：研究者也坦率指出了本研究的局限性，包括模拟环境而非真实世界、样本量较小、单中心研究等，其结果可能代表了“最佳情况”。未来需要在真实临床环境中，与电子健康记录等系统进行深度集成，并开展大规模、多中心的实施性研究，以验证其长期效果、对患者预后的影响以及经济效益。同时，还需要探索专科定制化界面、更精细化的置信度校准系统以及应对潜在算法偏见的策略。

总之，这项研究为基于大语言模型的智能临床决策支持工具在抗菌药物管理乃至更广泛的医疗决策中的应用，提供了鼓舞人心的早期证据。它证明，通过巧妙结合检索增强生成技术、严格的临床验证和以人为中心的设计，AI不仅能够成为提升医疗质量与安全的有力助手，更能在高风险的医疗决策场景中，赢得至关重要的专业信任。