以患者为中心的大语言模型在硬膜外镇痛教育方面的比较分析

《A&A Practice》：A Patient-Focused Comparative Analysis of Large Language Models for Epidural Analgesia Education

　　硬膜外麻醉是分娩镇痛的常用方法，患者常需了解其利弊。本研究比较了ChatGPT和MediSearch在提供患者教育信息中的可靠性与可读性，使用100个经Rothwell系统分类的问题进行评估。MediSearch在DISCERN可靠性评分中显著优于ChatGPT（P<0.0001），但Flesch-Kincaid可读性评分更高（14.88 vs 12.29）；ChatGPT信息更易懂，但来源可靠性不足。两者均存在信息复杂性，提示AI工具需平衡准确性与易懂性，以支持患者知情决策。

　　这项研究聚焦于两种大型语言模型（LLMs）——ChatGPT和MediSearch，在用于患者教育方面的能力。随着人工智能技术在医疗领域的应用不断扩展，LLMs正逐渐成为向患者提供信息的重要工具。特别是针对分娩过程中常用的硬膜外镇痛（epidural analgesia）这一主题，研究者通过系统评估两种模型在信息可靠性和可读性方面的表现，探讨其在患者教育中的潜在价值和局限性。

硬膜外镇痛是一种区域麻醉方法，通过将局部麻醉药物（有时结合阿片类药物）注入硬膜外空间，以阻断疼痛感，从而帮助产妇缓解分娩时的疼痛。在美国，这种镇痛方式的使用率极高，约有79%的初产妇和64%的经产妇在分娩过程中选择接受硬膜外镇痛。这一现象反映了硬膜外镇痛在分娩疼痛管理中的普遍性和有效性。然而，尽管这种技术被广泛采用，许多患者仍希望了解更多关于其风险、益处以及预期效果的信息，以便做出更明智的决策。

在传统的医疗教育模式中，医生和护士通常是患者获取医疗信息的主要来源。但随着互联网的发展，越来越多的患者开始依赖在线资源来获取信息。与此同时，大型语言模型如ChatGPT和MediSearch因其能够快速生成内容、提供个性化回答的能力而受到关注。这些模型的出现为患者教育带来了新的可能性，但同时也引发了关于其信息准确性和可读性的问题。

研究者通过使用Google的“People Also Ask”功能，收集了100个与硬膜外镇痛相关的患者问题。这些问题按照Rothwell分类系统被分为三类：政策类、价值类和事实类。政策类问题通常涉及对某种行为或决策的判断，例如“我是否应该选择硬膜外镇痛？”价值类问题则关注对某个概念或方法的评估，例如“硬膜外镇痛的效果如何？”事实类问题则是对特定信息的确认，例如“硬膜外镇痛能持续多久？”

随后，研究者将这100个问题分别输入ChatGPT和MediSearch，以评估它们在信息可靠性（通过DISCERN评分）和可读性（通过Flesch-Kincaid Grade Level和Coleman-Liau Index）方面的表现。研究结果显示，MediSearch在DISCERN评分中表现显著优于ChatGPT（P < .0001），表明其在信息来源的可靠性和内容的客观性方面更胜一筹。而ChatGPT在可读性方面表现更佳，其Flesch-Kincaid Grade Level和Coleman-Liau Index的平均得分低于MediSearch（P = .0013和P = 7.257 × 10^-10），意味着其生成的内容更容易被患者理解。

这一发现揭示了两种模型在功能上的不同侧重点。MediSearch因其专注于医学领域，能够更有效地从大量的医学文献和临床数据中提取信息，从而提供更可靠、更科学的回答。然而，这种专注于科学准确性的特点也使得其内容在语言表达上更为复杂，可能对部分患者构成理解上的障碍。相比之下，ChatGPT以其自然、流畅的对话风格著称，能够将复杂的医学概念转化为更通俗易懂的语言，这有助于提高信息的可及性，尤其是在健康素养较低的患者群体中。

然而，研究也指出了一些重要的问题。首先，美国的健康素养水平相对较低，约有36%的居民处于基本或低于基本的健康素养水平。这意味着即使对于拥有较高一般教育水平的患者来说，理解医学信息仍然可能面临挑战。因此，患者教育材料需要在确保信息准确性的同时，也要兼顾语言的通俗性和易懂性，以适应不同背景的患者需求。

其次，尽管ChatGPT在可读性方面表现较好，但其在信息来源的可靠性上有所欠缺。DISCERN评分是一种用于评估消费者健康信息质量的工具，其五个维度包括信息目标是否明确、信息来源是否可靠、内容是否平衡、是否提供了额外信息来源以及是否提到了不确定性。ChatGPT在这些维度上的得分低于MediSearch，这可能意味着其生成的信息缺乏足够的证据支持，或者未能充分展示不同观点和可能的不确定性。这种信息的不完整性可能会影响患者的判断，甚至导致误解。

此外，研究还发现，两种模型在不同类型的患者问题上的表现存在差异。例如，在事实类问题中，ChatGPT的Coleman-Liau指数得分低于MediSearch，这表明其在表达事实性信息时更加简洁明了。然而，在政策类和价值类问题上，MediSearch的得分较高，这可能与其更注重科学严谨性和证据支持有关。这一结果表明，不同的患者问题类型可能需要不同的模型来提供最合适的答案。

研究的局限性也不容忽视。首先，研究仅限于两种免费版本的LLMs，未涉及更高级或付费的模型，这可能影响结论的普适性。其次，研究仅评估了100个问题，且集中在硬膜外镇痛这一特定主题上，未覆盖更广泛的医疗领域。因此，未来的研究可以进一步探索不同LLMs在多个医学主题上的表现，以及它们在不同患者群体中的适用性。

此外，研究未对模型生成内容的准确性进行直接评估。虽然DISCERN评分可以反映信息的可靠性和平衡性，但它并不能完全确保内容的正确性。因此，未来的研究可以引入更多的验证机制，例如与专业医学文献的对比、专家评审或患者反馈，以全面评估LLMs在患者教育中的实际效果。

最后，研究强调了在将LLMs应用于患者教育时，需要权衡信息的可靠性和可读性。虽然MediSearch在科学准确性方面表现突出，但其内容可能对部分患者不够友好；而ChatGPT虽然更易于理解，但在信息来源的可靠性上有所欠缺。因此，选择合适的模型取决于具体的使用场景和患者的需求。在某些情况下，如需要高度可靠的信息时，MediSearch可能是更优的选择；而在需要通俗易懂的解释时，ChatGPT则可能更受欢迎。

总体而言，这项研究为LLMs在患者教育中的应用提供了重要的参考。它不仅揭示了两种模型在表现上的差异，还指出了在实际应用中需要注意的问题。随着人工智能技术的不断发展，如何在保持信息可靠性的同时提高可读性，将成为LLMs在医疗领域应用的关键挑战。未来的研究可以进一步探索如何优化模型的输出，使其既能提供科学准确的信息，又能以患者易于理解的方式呈现。这不仅有助于提高患者教育的质量，也有助于增强患者对医疗信息的信任度，从而促进更有效的医患沟通和决策。