门诊场景评测深度分析报告：医生-病人-测量代理交互对诊断影响机制研究（下）
交互对诊断准确性的影响机制
本文基于“环境-数据-模型-偏差”四维分析框架，结合实证数据揭示其核心影响路径。
顺序决策的认知负荷：动态交互中的信息缺口挑战
静态问答与动态交互的诊断环境差异显著影响准确率。研究显示，GPT-4在传统静态四选一选择题中的准确率达82%，但在动态对话信息收集中降至63%，开放式模拟访谈中进一步降至26%，关键问题包括病史采集遗漏、后续提问缺失及多类型信息整合困难[21]。AgentClinic的顺序决策格式加剧这一挑战：解决MedQA问题时，诊断准确率可降至静态问答模式的十分之一以下，即使表现最优的GPT-4在动态交互中的总体准确率也仅为52%[7][9][22]。这种“信息缺口”源于非结构化交互引入的认知负荷——代理需在有限轮次内平衡信息获取深度与决策时效性，过度简化或冗余交互均会导致准确率下降[8][18]。
多模态数据的互补性：跨维度信息协同效应
多模态测量代理提供的互补数据显著提升诊断精度。例如，AI口腔扫描仪检测到种植体周围龈沟深度4-5mm（正常≤3mm）、骨吸收1.5mm（正常≤1mm），结合C反应蛋白8mg/L（轻度升高）的生化指标，实现“种植体周围黏膜炎”的精准判断[20]。类似地，CBCT骨密度分析显示术后骨密度较基线降低15%（正常波动≤5%），为牙槽骨吸收提供量化依据；AI辅助定位系统通过标注高危区域减少人为误差，二者协同将局部病变检出率提升23%[19]。这些案例表明，结构化解剖数据（如影像）与功能指标（如生化、生理信号）的融合，可弥补单一模态的信息盲区。
LLM模型能力差异：工具依赖与专科性能分化
不同LLM在动态交互中的诊断表现呈现显著异质性。从总体准确率看，Claude-3.5以52%居首，其次为GPT-4o（48%）、Llama-3（+工具，46%）及GPT-3.5（38%）[7]。专科性能分化进一步凸显模型适配性差异：影像依赖度高的皮肤科（Claude-3.5准确率78%）、心血管科（68%）表现较好，而主观性强的精神科（48%）准确率较低，反映训练数据分布与任务特性的匹配程度[7]。
工具使用能力成为关键调节因素。Llama-3在无工具时性能垫底，但通过跨病例持久化笔记本工具实现92%的相对准确率提升，信息收集完整性从68%增至94%，表明持久化信息管理对复杂病例的重要性[7][9]。相比之下，Claude-3.5凭借原生对话优势，在多数无工具场景中仍保持领先，而医学计算器（+23%）、文献检索（+31%）等工具对各模型的增益效果则因任务类型而异[7]。
主要LLM模型在AgentClinic-MedQA任务中的诊断准确率(%)如下表：
| 模型 | 总体准确率 | 心血管 | 神经科 | 皮肤科 | 精神科 |
|---|---|---|---|---|---|
| Claude-3.5 | 52 | 68 | 62 | 78 | 48 |
| GPT-4o | 48 | 65 | 58 | 75 | 45 |
| Llama-3(+工具) | 46 | 59 | 51 | 68 | 41 |
| GPT-3.5 | 38 | 42 | 39 | 52 | 29 |
工具使用对Llama-3诊断准确性的影响：
| 工具 | 诊断准确率提升 | 信息收集完整性 | 决策时间 |
|---|---|---|---|
| 无工具 | 基准 | 68% | 18分钟 |
| 笔记本 | +92% | 94% | 22分钟 |
| 医学计算器 | +23% | 75% | 16分钟 |
| 文献检索 | +31% | 82% | 25分钟 |
交互对患者依从性的影响机制
患者依从性作为衡量“医生 - 病人 - 测量