背景/目标：大语言模型的应用近期在研究界引发高度关注，推动生成式人工智能在医疗健康领域的解决方案开发与采纳。本研究作为慢性病领域首项元综述（即系统性综述的回顾），聚焦心血管疾病、癌症和精神障碍，旨在识别其在患者诊疗中的价值，以及实施与临床应用面临的挑战。
方法：依据系统综述与荟萃分析首选报告项目指南，在PubMed和Scopus文献数据库开展检索，筛选纳入大语言模型的系统性综述。对综述中包含的原始研究，按目标疾病、具体应用、所用大语言模型、数据来源、准确度及关键结果进行综合分析。
结果：文献检索共识别5项符合纳入排除标准的系统性综述，涵盖81项独特的大语言模型解决方案。其中精神疾病领域占比最高（70项研究，86%），其次为癌症（6项，7%）和心血管疾病（5项，6%）。生成式预训练变换器模型应用最广泛（45项，55%），其次是双向编码器表示变换器模型（33项，40%）。主要应用场景包括抑郁检测与分类（31项，38%）、自杀意念识别（6项，7%）、基于诊疗指南的问答系统（6项，7%）以及情绪分类（4项，5%）。研究异质性显著：50%的研究（41项）聚焦临床/诊断准确度，采用正确诊断率、指南符合度或模型性能等指标；42%的研究（34项）为描述性研究，关注叙事性结果、可用性、信任度或合理性。开发与评估过程中的核心挑战包括准确性不一致、偏见检测与缓解、模型透明度、数据隐私、持续人工监督需求、伦理关切与规范，以及高质量研究的设计实施。
结论：本综述结果表明，大语言模型有望成为提升心血管疾病、癌症及精神健康领域诊断精准度与决策支持的有力工具。鉴于纳入研究数量有限且质量中等，研究团队呼吁学界在真实干预场景中开展更多探索，以充分验证大语言模型的临床实用价值。
【全文结束】
