Nature | 迈向自主医疗人工智能智能体

DRUGONE

大型语言模型在临床决策中展现出巨大潜力，但目前多数医学应用仍停留在狭窄的、任务特异性的聊天工具阶段，而不是能够真正嵌入临床工作流的系统。要构建实用的医生协作智能体，模型不仅需要在电子健康记录系统中运行，还需要在受控权限下访问患者数据，并在明确安全边界内发起被允许的电子病历操作。然而，此类系统是否能够以接近医生水平的表现管理完整患者病例，仍缺乏验证。

研究人员提出了MIRA，即Medical Intelligence for Reasoning and Action。MIRA是一个在沙盒化电子健康记录环境中运行的自主人工智能智能体，能够在大型临床操作空间中导航，完成病史采集，申请并解释实验室检查、影像学检查和微生物学检查，生成鉴别诊断，并制定治疗计划，例如开具药物、安排外科手术和规划入院。研究人员在覆盖多种诊断的真实患者病例模拟中评估MIRA，结果显示，MIRA在诊断准确率方面优于医生，并能做出符合指南、用药安全且入院决策适当的临床决策。

与以往仅解决孤立子任务或提供自由文本建议的大型语言模型医学应用相比，这些结果表明，嵌入电子健康记录系统的人工智能智能体可以将临床意图转化为结构化、可执行的电子病历操作，因此可能成为医生更有效的决策支持伙伴。不过，研究人员强调，仍需要通过前瞻性真实世界研究进一步验证其泛化能力、安全性和治理机制。

大型语言模型已经在多种医学基准任务中取得出色表现，包括传统医学问答、更复杂的推理场景，以及多模态诊断挑战。也有一些实践表明，大型语言模型可以用于医学指南信息检索、临床记录中的数据抽取和结构化，以及临床编码生成。然而，随着模型逐渐发展为更通用的推理系统，目前这些狭窄应用远远没有发挥大型语言模型在医学任务中的潜力，也无法满足真实临床工作流的多步骤需求。

临床决策并不是一次性给出答案，而是一个反复收集信息、检查假设、解释结果并逐步形成治疗方案的过程。医生需要通过病史采集、体格检查和诊断测试不断获取患者信息，再结合结果进行推理，直到能够建立工作诊断并启动治疗。在现代医疗系统中，这些任务大多发生在电子健康记录系统内。医生需要在其中申请血液、尿液和微生物学检查，要求影像检查，开具药物，安排手术或其他干预，并完成相关记录。这些操作还必须遵循FHIR等互操作标准，以及ICD、LOINC、ATC、NDC、RxNorm和SNOMED-CT等医学编码体系。

这种多步骤临床工作流与人工智能智能体的范式高度相似。人工智能智能体是指基于大型语言模型、能够逐步解决问题、调用外部工具并执行软件操作的系统。在医疗场景中，这类智能体有望作为虚拟医生协作助手，在不同监督程度下协助临床人员管理病例。已有研究探索了FHIR兼容环境中的任务级智能体、模拟临床决策基准、对话式诊断系统以及多智能体诊断系统。但这些工作通常没有系统评估人工智能在完整临床操作空间中的执行能力，也没有覆盖从沟通、诊断、治疗决策到入院安排的完整患者照护流程。

为解决这些问题，研究人员开发了MIRA。MIRA在受控的虚拟电子健康记录沙盒中运行，并在500多个来自MIMIC-IV的真实病例上执行完整急诊科照护流程。这些病例覆盖外科、内科和肿瘤学相关疾病。MIRA通过聊天与患者智能体交流，而患者智能体的回答严格基于真实临床记录中的现病史。MIRA还可以使用11类工具，在超过85,000个选项中申请和解释实验室、微生物和影像检查，生成诊断假设，并执行治疗计划，包括安排手术、开具药物和提出入院建议。研究人员将MIRA与两组医生进行比较：一组为4名专科认证医生，另一组为由4名住院医生和2名专科认证医生组成的混合资历医生团队。

方法

研究人员构建了一个沙盒化电子健康记录环境，用于模拟急诊科完整临床工作流。每个病例来自MIMIC-IV真实患者数据，并被整理为患者智能体可使用的现病史、检查结果、用药记录和电子病历资源。MIRA作为自主医疗智能体，与患者智能体进行病史采集对话，并可调用电子健康记录工具完成体格检查请求、实验室检查、尿液检查、微生物学检查、影像检查、药物申请、手术或操作检索、操作申请、诊断和入院决策等任务。所有工具调用以FHIR兼容的结构化请求和观察结果形式执行，并映射到多个标准医学编码体系。研究人员在8类急诊相关疾病中评估MIRA，包括阑尾炎、胆囊炎、憩室炎、胰腺癌、胰腺炎、肺炎、肺栓塞和尿路感染。评估内容包括患者智能体回答的一致性和防泄漏能力、MIRA诊断准确性、检查选择、临床操作推荐、用药和指南一致性、入院决策、安全性以及在不同患者提示扰动下的鲁棒性，并将结果与医生队列在相同信息条件下进行比较。

图1｜MIRA工作流。

结果

患者智能体的稳健性和一致性

由于急诊模拟同时包含临床决策和对话式病史采集，患者智能体是否可靠非常关键。如果患者智能体在不同提问方式下回答不一致，或者泄露诊断结论，就会影响对MIRA和医生的公平评估。因此，研究人员首先检验患者智能体是否能稳定回答语义相同但措辞不同的问题，是否忠实于真实现病史，以及是否会在常规或对抗性提示下提前透露诊断信息。

在622个可评估问答对中，患者智能体对原始问题和改写问题给出内容一致答案的比例达到99.4%。其回答与现病史保持一致的比例也非常高，原始回答为99.3%，改写回答为99.1%。独立大型语言模型作为评估者时，得到的结果也非常接近，说明患者智能体的回答具有较强稳定性和可重复性。

研究人员进一步审查了933个对话病例，以确定患者智能体是否会提前透露诊断结论。结果显示，没有观察到任何提前诊断信息泄漏。少数情况下，患者智能体会提到急诊就诊前已经完成的检查或外院医生的初步判断，例如影像、活检或既往工作诊断。研究人员将这类信息称为“既往检查披露”，并未视为泄漏，因为这些信息在真实临床中可能已被患者知晓。此类披露总体比例为3.3%，主要出现在胰腺癌病例中，因为这类患者常在入院前已有影像或活检结果。

在对抗性测试中，研究人员设计了11类提示注入和社会工程攻击，覆盖80个病例、总计880条对抗性提示。结果仍未观察到提前诊断信息泄漏。虽然既往检查披露比例升高到13.5%，但主要集中于少数胰腺癌病例，并且仍不构成提前泄漏。总体来看，患者智能体能够提供与现病史一致、可复现且抗提示攻击的回答，因此可以支持MIRA的大规模下游评估。

图2｜患者智能体稳健性评估。

MIRA达到或超过医生水平的诊断表现

研究人员首先将MIRA的诊断与MIMIC-IV中的出院ICD诊断进行比较。在574个病例、8类疾病中，MIRA的平均诊断准确率为88.9%。其中，阑尾炎表现最高，准确率为98.6%；胰腺炎为92.3%；肺炎和尿路感染表现相对较低，分别为72.4%和77.6%。

不过，研究人员指出，以数据集中的单一出院标签作为“真值”存在局限，因为急诊就诊时的部分临床背景可能没有完整记录。因此，研究人员进一步将MIRA与两组医生进行直接比较。医生在与MIRA相同的信息条件下交互式评估311个病例，覆盖8类目标疾病。结果显示，MIRA在几乎所有疾病上的诊断准确率都达到或超过医生水平。与专科认证医生比较时，MIRA平均诊断准确率为87.8%，医生为78.1%；与混合资历医生团队比较时，后者为71.1%。在胰腺炎病例中，MIRA优势尤其明显，准确率达到95.2%，高于专科认证医生的78.6%和混合团队的61.9%。肺栓塞和胆囊炎中的差异较小，而肺炎和尿路感染对MIRA和医生都更具挑战性。

这些结果表明，在相同模拟环境和相同信息可及条件下，MIRA能够达到甚至超过经验丰富医生的诊断表现。其优势不仅来自静态问答能力，还来自能够主动询问病史、申请检查、读取结果并整合多步信息的工作流能力。

MIRA模拟医生式工作流

研究人员进一步分析MIRA如何做出决策。通过检查其动作轨迹，研究人员发现MIRA通常遵循类似医生的分步工作流，从急诊初始接诊开始，逐步完成病史采集、初步计划、体格检查、实验室检查、影像学检查、药物治疗、手术或操作申请，最终提出入院建议。以阑尾炎为例，MIRA会先询问病史并制定计划，再请求体格检查结果，随后申请实验室检查和影像学检查，开始药物治疗，识别并请求适当外科干预，调整围手术期用药，并建议入院。

在检查选择方面，MIRA更一致地请求体格检查。总体上，MIRA请求体格检查的比例为97.1%，高于专科认证医生的87.8%和混合医生团队的88.4%。在憩室炎、胰腺炎、肺炎、肺栓塞和尿路感染病例中，MIRA的体格检查请求率达到100%。在胰腺癌病例中，MIRA体格检查请求率较低，可能因为这些病例常反映计划性入院，且此前影像或诊断信息已通过患者历史工具可获得。

对于血液检查，MIRA请求的项目覆盖MIMIC-IV记录中约51.1%的血液参数，高于专科认证医生的28.3%和混合医生团队的34.6%。但这并不意味着MIRA采取“全部检查”的策略，因为它仍只请求了真实临床记录中约一半的血液分析项目，整体低于MIMIC-IV实际基线。对于影像和微生物学检查，MIRA与医生的差异较小；影像方面，医生在某些非并列比较中略多请求检查，而MIRA并未系统性增加高成本影像利用。综合Tversky距离评估显示，MIRA在微生物学、血液检查和影像学三个领域总体上比医生更接近MIMIC-IV基线。

急诊接诊中的另一个核心任务是用药核对。研究人员评估MIRA是否能从患者对话中提取并结构化记录入院前家庭用药。相对于MIMIC-IV用药核对记录，MIRA在药物名称层面的召回率达到95.2%，精确率达到99.6%，说明其能够较好地完成电子病历中的结构化用药记录。

图3｜MIRA与专科认证医生的诊断准确性、推理轨迹和检查选择表现。

MIRA推荐正确的临床干预

研究人员随后评估MIRA是否能识别并推荐正确的医疗操作，尤其是外科手术等治疗性干预。研究人员以MIMIC-IV中记录的操作为参照，计算MIRA请求这些操作的召回率。由于真实电子病历中的操作编码并不总是统一，同一临床操作可能存在直接编码匹配或临床等价匹配，因此研究人员同时统计精确ICD编码匹配和等价匹配。

MIRA在阑尾炎和胆囊炎中的表现最佳。对于阑尾炎，MIRA精确匹配了所有腹腔镜阑尾切除术病例，并在总操作层面达到100%召回。对于胆囊炎，MIRA匹配了绝大多数腹腔镜胆囊切除术，总操作召回率为81.2%。胰腺炎和胰腺癌中的表现较低，肺栓塞和憩室炎中更低，但后两类疾病中的参考操作数量很少，因此评价不稳定。

与医生直接比较时，MIRA在8类疾病中总体识别和请求了更多参考操作。MIRA相关操作召回率为53.5%，高于专科认证医生的38.3%。在几乎所有疾病中，MIRA与参考操作的匹配度更高，唯一例外是憩室炎，但该类可评估操作样本量很小。Tversky距离也显示，MIRA在操作决策上比两组医生更接近MIMIC-IV基线。与此同时，在多数疾病中，MIRA和医生避免非指征操作的精确性大体相似，说明MIRA提高召回率并不明显以牺牲操作安全性为代价。

MIRA决策与临床指南的一致性

为了判断MIRA是否遵循现行临床最佳实践，研究人员评估了其在多个治疗类别中的指南一致性，尤其是药物处方。每项处方都按患者和药物级别与相关指南标准进行比较。

总体而言，MIRA在多个疾病和治疗类别中比医生更符合临床指南。例如，在胰腺炎病例中，MIRA更可能开具静脉补液，并在多数疾病中更一致地遵循镇痛治疗建议。与专科认证医生相比，MIRA在指南一致性上的平均配对差异约为+35个百分点；与混合医生团队相比约为+36个百分点。

不过，MIRA并未达到完美指南一致性。与医生类似，它在不同疾病中的抗生素治疗并非全部达到100%一致，肺炎是研究队列中唯一达到完全一致的抗生素类别。这说明，虽然MIRA总体上比医生更符合指南，但仍有少数患者可能接受偏离最佳实践的治疗建议。因此，研究人员强调，若未来部署此类系统，仍需要患者级别的安全防护、主动监测和持续迭代，以确保每个患者都能获得符合指南且安全的治疗。

图4｜MIRA的疾病管理和指南一致性。

MIRA的安全性和鲁棒性评估

为了补充指南一致性评价，研究人员进一步由专科认证医生在患者级别系统评估MIRA的安全性。评估覆盖6个关键用药和管理风险领域：严重药物相互作用、基于肾功能的剂量适配、药物过敏不匹配、QT间期风险处方、危险阿片类药物处方，以及治疗重复。结果显示，在56个MIRA输出病例中，没有观察到严重药物相互作用、肾功能剂量不匹配、过敏药物不匹配、QT风险处方或危险阿片类药物处方。研究人员发现3例治疗重复，包括重复开具昂丹司琼、华法林与依诺肝素重叠以及另一个重复治疗相关问题。总体上，MIRA在该安全样本中表现出较强的处方安全性，但仍存在需要临床审核的重复治疗问题。

研究人员还评估了MIRA对药物处方字段的正确性，例如药物名称、剂量、给药途径、频率和疗程等。多数结构化处方字段表现较好，说明MIRA不仅能提出用药意图，也能将其转化为较规范的电子病历处方形式。

在入院决策方面，研究人员重点评估肺炎和肺栓塞，因为这两类疾病可分别参考CURB-65和简化肺栓塞严重指数等临床评分来判断住院或出院。研究人员没有直接提供这些评分结果，也没有要求MIRA使用评分，只提供生命体征、实验室结果、影像和用药等基础临床数据。结果显示，MIRA对需要入院病例的召回率为1.00，意味着没有漏掉应入院患者。肺炎中的特异性为0.86，肺栓塞中为0.70；肺栓塞中存在一定过度入院倾向，但研究人员认为这反映了偏谨慎策略，且没有遗漏关键入院病例。

最后，研究人员通过6类提示扰动测试MIRA对患者特征和表达方式变化的稳健性。这些扰动包括不同性别、患者坚信自己健康、患者坚信自己患癌、患者过度焦虑，以及患者只讲德语或法语。总体上，MIRA在这些扰动下诊断表现保持稳定。按疾病分析时，没有任何扰动导致统计学显著的诊断准确率下降。唯一名义上显著的是性别扰动的汇总分析，但经过校正后不再显著。由此可见，MIRA在本研究测试的提示级偏倚条件下具有一定鲁棒性。

图5｜MIRA安全性和鲁棒性评估。

讨论

研究人员开发并初步评估了MIRA，这是一个能够在沙盒化电子健康记录中执行完整急诊科工作流的自主医疗人工智能智能体。结果显示，MIRA能够在超过85,000个临床决策选项中导航，并在诊断和治疗任务上达到或超过两组医生的表现，包括专科认证医生和混合资历医生团队。MIRA还能够较好地匹配既有临床实践中的外科操作，准确管理入院前用药，即便在患者存在多种并用药物的情况下也能保持较高用药核对准确性。

与医生相比，MIRA的治疗决策在多数情况下更符合参考临床数据和既定医学指南。它能够做出患者级别相对安全的处方决策，提供较合适的急诊入院或出院建议，并在多种提示扰动条件下保持诊断表现稳定。研究人员认为，MIRA相较于以往任务级医疗智能体的主要进展在于，它不仅能回答问题或给出自由文本建议，而且能够在电子健康记录内执行端到端急诊工作流，将临床推理转化为结构化、可追踪、可执行的操作。

研究人员也指出，MIRA与AMIE等系统代表了互补方向。AMIE更强调对话中的证据检索和指南依据，而MIRA强调在电子病历系统内完成工作流自动化。未来两类策略可以协同：一方面通过最新文献和指南检索减少疾病管理中的残余错误，另一方面通过标准化电子病历操作把推理结果落实为可执行临床任务。

不过，研究仍有明显局限。首先，患者交互来自出院摘要中抽取的现病史文本，因此患者回答可能比真实急诊患者的表达更结构化，较少包含停顿、遗漏、前后不一致或不完整叙述。虽然这种设置对MIRA和医生都公平，因为双方面对同一患者智能体，但它仍不能完全代表真实急诊沟通。研究人员通过偏倚扰动和信息泄漏测试部分缓解这一问题，并显示患者智能体没有提前泄漏诊断信息。

其次，MIRA是在沙盒环境和回顾性数据上评估的，而不是在真实临床环境中前瞻性部署。真实医院系统包含更多不确定性，例如数据缺失、工作流中断、患者偏好、医生团队沟通、护理和药师审核、医保和资源限制，以及机构本地政策。电子病历系统中的真实操作也会受到权限、审计、警示、医嘱集和药物处方集限制影响。因此，沙盒结果不能直接等同于真实临床安全性。

第三，MIRA并未达到100%可靠性。尽管总体表现优于医生，但仍有指南不一致、治疗重复、某些疾病诊断较低和潜在过度入院等问题。在医疗场景中，即使少量错误也可能造成严重后果。因此，任何真实应用都需要医生监督、患者级安全检查、自动警报、审计日志、药师复核、权限控制和持续监测。

第四，本研究主要覆盖急诊科中8类疾病，尚不清楚MIRA能否泛化到更广泛疾病谱、罕见病、儿科、产科、精神科、重症医学、门诊慢病管理或跨机构医疗系统。病例来自MIMIC-IV，虽然是真实数据，但仍可能存在数据库偏倚和记录习惯限制。未来需要多中心、前瞻性、真实世界研究验证其泛化性和公平性。

总体而言，本研究展示了自主医疗人工智能智能体从“医学问答工具”走向“电子病历内临床工作流伙伴”的可能路径。MIRA能够采集病史、申请检查、解释结果、提出诊断、开具药物、安排操作并规划入院，说明大型语言模型智能体有潜力将临床意图转化为标准化、可执行的医疗操作。尽管距离真实临床部署仍需大量安全、伦理、监管和前瞻性验证工作，但该研究为评估和迭代电子健康记录集成型医疗智能体提供了重要基准，也代表了迈向自主医疗人工智能智能体的重要一步。

整理 | DrugOne团队

参考资料

Ferber, D., Hilgers, L., Höper, C. et al. Towards autonomous medical artificial intelligence agents. Nature (2026).

https://doi.org/10.1038/s41586-026-10675-5