人工智能辅助股骨颈骨折治疗决策：ChatGPT-4准确性及全面性的模拟评估研究

　　本刊推荐：为解决股骨颈骨折（FNF）治疗决策个性化需求与临床实践差异性问题，研究人员开展AI辅助治疗决策模拟研究。通过构建144例虚拟患者模型，对比ChatGPT-4与7位骨科专家治疗建议，发现AI模型F1评分达0.834，解释评分达3.26/4分。研究表明ChatGPT-4能有效捕捉专家共识，为临床决策支持系统开发提供新方向。

　　

随着人口老龄化加剧，股骨颈骨折（Femoral Neck Fracture, FNF）已成为困扰老年群体的严重创伤性疾病。这类骨折不仅发生率高，还伴随着显著的死亡风险和医疗费用负担。临床上面临的核心难题在于：患者群体存在高度异质性，从青壮年到高龄老人，从健康个体到合并多种基础疾病的患者，其治疗方案选择存在巨大差异。传统治疗决策依赖骨科医师对临床指南的理解和个人经验，但不同医师对相同病例可能给出截然不同的建议——有的倾向于保守治疗，有的推崇内固定手术，还有的坚持关节置换术。这种决策差异使得患者难以获得最优化、个体化的治疗方案。

正是在这样的背景下，温州医科大学第一附属医院骨科团队开展了一项开创性研究，他们试图验证当前最先进的人工智能对话系统ChatGPT-4在股骨颈骨折治疗决策中的准确性和可靠性。这项研究近期发表在权威外科期刊《Langenbeck's Archives of Surgery》上，为AI辅助医疗决策提供了重要实证依据。

研究人员采用模拟患者队列构建与专家双盲评价相结合的方法。通过组合性别、年龄、Garden分型、BMI指数和病史（高血压/糖尿病）等变量，生成144个虚拟FNF病例。邀请来自3个医疗中心的7位资深骨科专家（临床经验>5年）独立给出治疗建议，同时使用特制提示模板让ChatGPT-4生成治疗建议和解释说明。采用精确率（Precision）、召回率（Recall）和F1分数（F1 Score）量化AI与专家建议的一致性，并通过随机森林算法分析决策差异的影响因素。

治疗建议一致性分析

ChatGPT-4与7位专家对比的F1分数介于0.697-0.843之间，基于多数原则标准化后的综合F1分数达到0.834。表明AI模型能够有效捕捉专家共识，在大多数情况下能提供符合临床专家意见的治疗建议。治疗建议分布显示：内固定术（48.39%）和全髋关节置换术（THA，38.16%）是主要选择，而保守治疗（3.14%）和双极髋关节置换术（BHA，10.31%）较少被推荐。

决策差异影响因素

通过随机森林模型发现，Garden IV型骨折、年龄<50岁和>65岁是导致AI与专家建议差异的主要因素。特别是Garden IV型骨折的组合特征具有最高重要性评分，反映了这类复杂骨折在临床决策中的特殊性。

治疗建议与解释质量评价

专家对ChatGPT-4治疗建议的平均评分为3.25/4分（标准差0.75），解释质量平均评分为3.26/4分（标准差0.87）。表明临床专家普遍认可AI生成的治疗建议和解释说明，其中Doc6给予119次满分评价，而Doc7则从未给出满分，反映专家间存在评价标准差异。

研究结果表明，ChatGPT-4在股骨颈骨折治疗决策中表现出与骨科专家高度一致的建议能力，其生成的解释说明也获得临床专家的普遍认可。然而，AI模型在处理复杂病例（如Garden IV型骨折）和特殊年龄群体时仍存在局限性，这主要源于其无法像人类专家那样综合考虑影像学资料、体格检查结果和多学科会诊意见。

该研究的重要意义在于首次系统评估了通用型大语言模型在骨科专项决策中的适用性，为未来开发专科化AI临床决策支持系统提供了理论基础。研究者建议，ChatGPT-4可作为初级医疗决策的辅助工具，但必须与医师的专业判断和患者的个体化需求相结合。未来需要通过结合电子健康记录（EHR）系统和临床专家系统，持续优化模型在真实临床环境中的适应性和准确性。

需要注意的是，本研究基于模拟病例而非真实临床数据，且AI模型无法处理影像学资料和体格检查信息这些骨科决策的关键要素。未来研究需要验证AI在真实临床环境中的可靠性，并探索如何将医师经验和患者偏好整合到AI决策流程中，最终实现人工智能与人类智慧的协同决策。