对于初次前往精神科就诊的患者而言，向医护人员陈述深层心理痛苦往往伴随着一定的心理负担。与此同时，门诊医师面临着在有限的诊疗时间内，准确梳理患者复杂既往病史、家族史及多元核心症状的现实挑战。初诊阶段的信息采集效率与时间限制，长期制约着精神科门诊的整体诊疗质效。
近日，在一项由韩国科学技术院（KAIST）计算学院 Uichin Lee 教授、工业设计系 Tak Yeon Lee 教授团队，与延世大学江南塞弗伦斯医院（Gangnam Severance Hospital）精神医学科 Eunjoo Kim 教授团队合作完成的研究中，科学家研发出一种基于大语言模型（LLM）的精神科初诊辅助问诊技术。该系统允许患者在正式面诊医师前，前置与大语言模型进行动态交互，协助其提前梳理并组织自身的精神症状与情绪状态。该研究成果已于2026年4月13日在人机交互领域国际顶尖学术会议 ACM CHI 2026 上发表。
为了降低患者的叙述负担并提高病史采集的准确性，研究团队设计的 LLM 预问诊系统能够根据患者的实时输入动态调整谈话走向。系统在运行过程中，实时将患者的口语化回答与精神医学专业临床知识库进行比对分析，从而智能生成下一个具有临床诊断价值的追问问题。
与传统的定型化结构问卷不同，该系统超越了简单的“一问一答”交互模式。模型在对话中引入了临床常规的心理咨询技术，包括针对情绪困扰的主动同理心表达（Empathy）、对患者碎片化表述的结构化重述（Restating），以及对含糊或矛盾病情描述的定向澄清（Clarifying）。这些技术的引入旨在为患者构筑一个具备安全感的叙事语境，使其能够更顺畅地描述自身心理状态。
为了验证系统的临床可靠性，研究团队通过 1,440 例高度仿真的虚拟患者（Virtual patients）实施了大规模性能基准测试。实验结果表明，在绝大多数测试用例中，该 AI 系统均能在 30 分钟内，完整且高效地获取到临床诊疗所需的全部关键核心病史信息。
在完成前置沟通后，系统会自动对对话文本进行结构化提炼，转化为一份直观的临床信息仪表盘（Clinical dashboard），并在面诊前呈递给主治医生。该仪表盘能够系统化地展示患者的核心症状谱系和潜在的诊断指向，使人类医生在患者步入诊室前便对其病情建立了系统性认知，从而在实际面诊中将时间完全聚焦于深层的心理干预与个性化方案判定。
该研究的另一项重要价值在于，将人工智能在临床医疗中的角色明确定义为“可教练的学徒（Coachable Apprentice）”，而非人类医生的替代者。在这种全新的人机协作模型中，AI 负责承担病史收集中的基础信息采集工作；而人类医生则扮演决策者的角色，基于 AI 梳理出的基础病史事实做出最终的诊断与处方。
联合研究团队在论文中同时指出，大语言模型目前在识别微观情感波动与高敏感性语义特征（如突发自杀倾向）方面仍存在技术局限。团队强调，所有最终的医学判定与临床决策必须始终由受过系统训练的精神科专业医生做出。这项研究不仅展示了人工智能降低初诊医疗负担的潜力，也为未来数字医疗体系下的人机高效协同提供了新的实证范式。
参考文献：Yugyeong Jung et al, Toward Flexible Psychiatric History-Taking and Visualization: Exploring Clinician Perspectives with Large Language Models, Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (2026). DOI: 10.1145/3772318.3790970
编辑：王洪
排版：李丽
评论 (0)