Nature Health：华人团队开发多智能体系统，实现透明可靠的自我分诊

编辑丨王多鱼

排版丨水成文

如今，越来越多的人开始向大语言模型（LLM）寻求医疗建议，然而，这些模型在医疗领域的准确性仍然偏低，给出的答案市场模棱两可，甚至因受到未经证实的信息影响而给出错误答案。

2026 年 4 月 20 日，加州大学圣地亚哥分校及谷歌研究院的研究人员合作，在 Nature 子刊Nature Health上发表了题为：A multi-agent framework combining large language models with medical flowcharts for self-triage 的研究论文。

该研究开发了一个结合大语言模型与医疗流程图的多智能体系统——TriageMD，用于患者的自我分诊。它就像一个不再自由发挥，而是严格遵循权威医学流程图来看病的 AI 医生。该研究证明了透明、准确且通用的 AI 辅助自我分诊的可行性，有可能在临床环境之外支持患者的知情决策，同时提高医疗资源的利用效率。

如今，在线健康资源和 AI 聊天机器人已成为许多人寻求医疗建议的第一站。数据显示，超过 95% 的美国成年人在网上搜索过健康信息，近三分之一的人使用过 ChatGPT 等工具来咨询医疗问题。然而，这些工具存在明显缺陷：诊断准确率低、建议模糊、容易“幻觉”（生成错误信息），且决策过程不透明，就像一个“黑箱”。

这导致了严重的医疗资源错配：近 40% 的美国急诊就诊者实际上并不紧急。人们要么因不确定而延误治疗，要么因误判而涌入急诊室，加剧了医疗系统的负担。因此，一个可靠、透明且易于使用的自我分诊工具，对患者和整个医疗体系都至关重要。

TriageMD 如何工作？三步走，像护士一样问诊

TriageMD的核心思想很简单：将 AI 灵活的自然语言对话能力，与标准化临床流程图的严谨性相结合。它模拟了分诊护士一步步询问病情的过程。

整个系统就像一个三人协作的医疗团队——

1、检索智能体：相当于“分诊台”。根据你的人口信息（例如年龄、性别）和主诉（对症状的描述），从 100 个美国医学学会流程图中，快速找到最相关的那一个。

2、决策智能体：相当于“分析医生”。解读你对每个问题的回答（是/否/不确定），并根据流程图逻辑，决定下一个该问什么问题。

3、对话智能体：相当于“沟通护士”。将决策结果转化为简洁、共情的语言，用通俗易懂的方式向你提问或给出建议。

最终，系统会给出一个清晰的行动建议，例如“建议在 24 小时内看急诊”或“可在家观察，如果出现 XX 症状再就医”。整个过程都有据可循，你可以看到 AI 是基于哪条权威路径在为你分析。

多智能体自我分诊系统概述

表现如何？用数万次模拟对话严格测试

为了全面评估该系统的可靠性，研究团队没有使用难以获取的真实患者对话记录，而是利用多个大语言模型生成了大规模、多样化的合成数据集进行测试。

• 找得准吗？ 在 2000 条模拟患者开场白测试中，系统准确找到最相关流程图的成功率是84.1%。如果放宽到相似度排名前 3 的流程图，命中率高达95.2%。这意味着系统能很好地理解你的核心问题。

• 聊得通吗？ 在导航测试中，系统面对 37200 条风格各异的模拟患者回复（包括简洁的、描述的、模糊的、不确定的甚至跑题的），整体导航准确率达到了99.1%。即使患者回答含糊其辞（例如“我猜不是吧”），系统也能敏锐地识别出其中的不确定性，并停下来要求澄清，而不是武断地继续。

更安全、更透明的 AI 医疗未来

这项研究为 AI 在消费级医疗应用领域指明了一条新路：通过引入“流程图”这一人类医生和 AI 都能理解的共同语言，打破了 AI 的“黑箱”。

• 对患者而言：你获得的不再是一个不知来源的模糊建议，而是一个基于权威临床路径的、可追溯的个性化指导。这能帮助你在焦虑和不确定中，做出更明智的就医决策。

• 对医疗系统而言：它能有效分流非紧急患者，减轻急诊压力，让资源更合理地配置。

• 对AI开发者而言：它提供了一种可控、可审计的AI部署框架。医生可以审查和编辑背后的流程图数据库，确保AI输出的安全性与专业性。

当然，TriageMD仍是一个“概念验证”系统。未来，它需要在实际临床环境中进行进一步验证，并考虑更复杂的症状和多病共存的情况。但毫无疑问，TriageMD 为我们展示了一个 AI 与人类专业知识深度融合的未来：AI 不再是一个令人不安的“预言家”，而是一个严格遵循操作规程、值得信赖的“智能助手”。

论文链接：

https://www.nature.com/articles/s44360-026-00112-2