目的 探讨大语言模型（Large language models，LLMs）对成人预检分诊正确率的影响。方法 选取 2024年8月1日至8月5日在重庆市第四人民医院急诊就诊的患者，通过纳入排除标准筛选出447例患者。分为标准组（由专业医生团队回顾性重新分诊）、高年资护士组、低年资护士组、“豆包”组（由低年资护士分诊后输入豆包大语言模型获取建议）、“文心一言”组（由低年资护士分诊后输入文心一言大语言模型获取建议）。对比各组的预检分诊分级和正确率。结果 447例患者中，男性238例，占53.2%，女性209例，占46.7%，年龄为（47.44±20.525）岁。标准组的预检分诊分级为（2.980±0.756），低年资护士组分级（2.861±0.745）明显低于标准组（P<0.05），高年资护士组分级（2.996±0.696）、“豆包”组分级（2.932±0.752）、“文心一言”组分级 （2.931±0.748）与标准组差异无统计学意义（P>0.05）。高年资护士组分诊正确382例（85.5%）；低年资护士组患者分诊正确357例（79.9%）；“豆包”组患者预检分诊正确384例（85.9%），高年资护士组和“豆包”组正确率差异无统计学意义且高于低年资护士组（P<0.05）。对于不同预检分诊分级患者，在 I 级和 II 级患者中，三组差异无统计学意义；在Ⅲ级患者中，高年资护士组与“豆包”组正确率差异无统计学意义且高于低年资护士组；在Ⅳ级患者中，三组间差异无统计学意义，但高年资护士组“豆包”组与低年资护士组仍有差异趋势（P值分别为0.0565和0.0824）。结论 低年资护士使用人工智能大语言模型后，预检分诊水平正确率显著提高，能达到高年资护士的水平，能降低预检分诊工作中对护士专业能力要求。

罗杰,艾山木,辜锐,阙婉舒,吴豪杰,龚元,陈凤. 大语言模型在预检分诊运用对成人预检分诊正确率的影响[J]. 中华急诊医学杂志, 2025,34(7): 987-991.
DOI号:10.3760/cma.j.cn114656-20240924-00673

伦理审批号：重庆市第四人民医院(重庆市急救医疗中心)医学伦理委员会[2024年伦审第(49)号]

关键词： 大语言模型 急诊 预检分诊 豆包大语言模型 文心一言大语言模型