大型语言模型在肌肉骨骼疼痛治疗指南依从性中的多维评估：准确性与可操作性研究

　　本研究针对大型语言模型(LLMs)在肌肉骨骼疼痛治疗中提供非甾体抗炎药(NSAIDs)指南建议的可靠性问题，通过评估DeepSeek-R1、ChatGPT-4o、Gemini和Grok-3四大模型的准确性、可读性及可操作性，发现Gemini准确性最高(8.33±0.77)，但所有模型均未达到临床行动力标准(≤33.5%)，为AI临床辅助工具的优化提供了关键证据。

　　

研究背景与意义

肌肉骨骼疼痛是全球致残的首要原因，约20%-33%人群受其困扰，而外用非甾体抗炎药(NSAIDs)因其靶向性强、全身副作用少成为临床首选。然而，患者常面临用药信息不明确的困境，大型语言模型(LLMs)作为新兴的临床决策辅助工具，其指南依从性及实用性尚未系统评估。随着ChatGPT-4o、Gemini等模型的快速迭代，亟需验证这些AI在复杂医疗场景中的可靠性——若错误推荐NSAIDs，可能引发心血管风险或消化道出血等严重后果。

研究方法与技术

研究团队基于《2022年外用NSAIDs肌肉骨骼疼痛多学科指南》设计6项临床问题，通过盲法评估对比四大LLM的响应质量（准确性、过度结论性、补充信息及完整性），采用标准化可读性指标（Flesch Reading Ease/Flesch-Kincaid Grade Level）和患者教育材料评估工具(PEMAT-P)量化行动力。所有数据经SPSS 29.0进行ANOVA分析，专家评分采用10分制Likert量表。

研究结果

1. 1.

   准确性差异显著：Gemini以8.33±0.77分显著优于DeepSeek-R1(7.72±1.52,p=0.009)，其89%回答达临床标准（≥8分），而DeepSeek-R1仅50%。

   
2. 2.

   过度结论性风险：Grok-3表现最佳(4.56±1.42)，显著低于ChatGPT-4o(6.72±1.49,p<0.001)，后者44%回答存在过度自信表述。

   
3. 3.

   可读性不足：所有模型文本难度达9-10年级水平（FRE 48-51），远超患者材料的8年级建议阈值。

   
4. 4.

   行动力缺陷：最优的ChatGPT-4o行动力仅33.5±14.7%，未达70%合格线，且均未提及性别差异（如女性皮肤吸收率更高需调整剂量）。

   

结论与展望

该研究首次系统揭示LLMs在肌肉骨骼疼痛管理中的双面性：Gemini虽准确性领先，但Grok-3在避免过度结论上更优。核心局限在于行动力低下与可读性不足，可能阻碍患者实际应用。作者建议开发者需嵌入实时指南验证模块，并针对性别、年龄等变量优化训练数据；临床使用时需结合人工复核，尤其对75-84岁患者需警惕糖皮质激素的躯体功能影响。发表于《Clinical Rheumatology》的此项工作，为AI医疗工具的合规性设定了新基准。