麻省总医院布莱根医疗系统（Mass General Brigham, MGB）研究人员开发出一套开源多智能体AI系统，可分析临床笔记识别早期认知衰退，且无需增加额外临床工作量。
早期认知衰退常因症状进展到后期才被察觉，这并非源于医护人员忽视预警信号，而是现有筛查工具难以在大规模患者群体中持续部署。传统认知评估耗时较长、需专业培训人员操作并依赖患者配合——这些资源正是许多医疗系统所欠缺的。为填补这一缺口，MGB研究人员开发了该AI系统，通过筛查常规临床笔记中的认知隐患，避免为医护人员增加额外任务。这项研究已发表在《npj Digital Medicine》期刊。
"若要求医护人员承担额外工作，推广必然失败，"MGB神经病学人口健康主任、研究共同资深作者莉迪亚·穆拉（Lidia Moura）博士指出，"当前我们正面临医护人员短缺与临床需求激增的双重压力。"
无需新增工作量的大规模筛查
面对需求增长与临床能力受限的现状，研究人员设计了无需医护人员额外操作的认知筛查方案。该AI系统不依赖专项评估或问卷调查，而是直接利用诊疗过程中已撰写的叙事性临床笔记。通过审查进展记录、病史等常规文档，系统搜寻与认知隐患相关的语境模式，旨在标记可能需要正式评估的患者。
"这是张大范围筛查网，并非要取代诊断，"穆拉解释道，"我们的目标是通过人口健康管理，在恰当时间识别出需正式筛查的患者，避免错过治疗窗口期。"该系统自动运行，在筛查阶段无需医嘱、表格或医护人员直接介入。
多智能体架构构建自主性
项目初期采用专家指导的提示工程，需医护人员反复调整大语言模型（LLMs）指令，但该方法难以扩展且结果不稳定。为解决此问题，团队转向模拟临床实践协作模式的多智能体自主AI架构。
"通常不会仅凭一人判断就从笔记中解读这些复杂的脑健康状况，"研究共同资深作者、MGB临床增强智能研究组主任侯赛因·埃斯蒂里（Hossein Estiri）博士表示，"这更像临床团队间的协作对话。"
最终系统协调五个专业智能体：一个负责筛查认知隐患，另两个专注识别假阳性和假阴性，两个总结智能体整合发现并持续优化系统推理。
"智能体方法的优势在于，可将复杂问题拆解为子任务，并明确定义各智能体职责，"研究第一作者、MGB数据科学家田佳子（Jiazi Tian）指出。研究人员强调透明性是核心设计理念。
"每个智能体均被清晰记录，我们能准确追踪其思考过程及提示优化方式，"田佳子表示，"这意味着结果并非黑箱——它不仅统计有效，更具备临床意义。"
性能表现、权衡与安全机制
AI系统分析了MGB 200名匿名患者的3300余份临床笔记。测试显示系统特异性达98%，显著降低假阳性警报概率；敏感性在真实患病率评估中为62%，低于平衡训练数据集的91%，作者指出这符合系统保守设计的预期。
独立专家评审显示，在人类评审员初始存在分歧的案例中，58%的情况支持AI系统的推理逻辑，表明该技术常在看似错误的案例中作出符合临床的判断。不过研究人员强调，实际应用需进行人群特异性验证、重新校准及持续监控。
"我们希望它被使用，但必须负责任地使用，"穆拉强调。
距离临床应用还有多远？
研究团队将底层框架Pythia作为开源工具发布，明确表示此成果旨在供进一步检验测试，而非立即部署。
"这不是一个成品，"埃斯蒂里表示，"我们期待他人验证、改进并负责任地使用它。"该系统可运行于标准基础设施，使用广泛可用的大语言模型，或适合作为决策支持工具进行试点。但研究人员重申临床决策权必须保留在人类手中。
"最终决策必须由人类作出，"埃斯蒂里强调。许多临床AI工具失败的根源并非精度不足，而是需要改变现有工作流程。本研究表明新路径：筛查可在后台静默运行，推广依赖验证与治理机制，而非改变医护人员行为。
作者伊丽莎白·斯特里克（Elizabeth Stricker, BSN, RN）具有护理与医疗领导背景，专注于为B2B受众报道健康技术及领导力趋势。
【全文结束】
