这篇 arXiv 上的 A Survey of LLM Agents for Clinical Decision Support 综述,梳理了 LLM 智能体用于临床决策支持的整套研究方向,普通单一大模型做医疗问答缺少自主规划、调用工具、分步核验的能力,很容易出现医学幻觉、推理链路断裂的问题,而 LLM 智能体可以拆解诊疗任务、调取电子病历、医学指南、检验影像数据,多轮推理生成鉴别诊断、治疗方案、用药建议,综述把单智能体、多智能体架构、工具调用方案、评测基准、医疗合规安全风险全部归类整理,同时对比传统临床决策系统和 LLM 智能体的差异,给医学 AI、临床信息系统研发人员提供这个赛道完整的技术地图,方便大家了解当前 LLM 智能体在临床决策支持里能做什么、落地卡点在哪里。
一、LLM 智能体用于临床决策支持的标准流程
- 接收临床输入:导入主诉、病史、检查报告、影像报告、电子病历 EHR 文本;
- 任务拆解规划:智能体把复杂病例拆成病史核对、鉴别诊断、风险评估、用药方案等子任务;
- 调用外部工具:检索临床指南、药典、病例库、实验室参考值,调取 RAG 医学知识库;
- 分步推理验证:生成初步诊断假设,收集证据、排除鉴别疾病,交叉校验;
- 输出决策建议:给出诊断列表、方案、风险提示、引用文献依据;
- 医生复核闭环:医生审核、修改方案,反馈结果给智能体,持续迭代校准。
二、LLM 智能体临床决策支持主流架构对比
| 架构类型 | 核心思路 | 优势 | 短板 |
|---|---|---|---|
| 单智能体 + 工具调用 | 一个 Agent 自主规划、检索、推理、校验 | 部署简单,适合标准化分诊、用药查询 | 复杂疑难病例推理深度不足 |
| 多专家协作智能体 | 不同 Agent 分工:问诊 Agent、诊断 Agent、药学 Agent、影像解读 Agent,由调度器汇总结论 | 模拟多学科 MDT 会诊,减少单一模型偏见 | 调度复杂、算力成本高,容易出现结论冲突 |
| 带记忆模块的临床 Agent | 设置短期病例记忆 + 长期医学知识库记忆 | 能连贯理解长时间病程、多次复诊信息 | 记忆溢出、信息污染风险 |
| 监督校验式 Agent | 主 Agent 输出方案,独立审核 Agent 对照指南核查 | 幻觉检出能力更强,安全性更高 | 推理链路变长,延迟更高 |
三、LLM 智能体临床决策支持典型应用场景
- 辅助鉴别诊断:根据症状、检验结果生成鉴别诊断清单、优先级排序;
- 用药决策支持:药物配伍禁忌核查、剂量计算、不良反应风险提醒;
- 指南检索匹配:自动对照最新临床指南,核对方案是否符合规范;
- 病历文书辅助:从问诊记录提取关键指标,生成结构化病程记录;
- 术前风险评估、慢病随访方案、临床试验入组初筛。
四、综述总结的核心痛点与风险
- 医学幻觉风险:虚构罕见病、不存在的药物、错误诊疗指南,医疗场景后果严重;
- 隐私合规压力:电子病历包含患者敏感信息,受医疗数据法规严格约束;
- 可解释性不足:智能体给出诊断结论,但推理路径不容易给医生清晰展示;
- 评测数据集稀缺:公开真实病例少,很多实验依赖模拟病例,真实医院效果存疑;
- 责任边界模糊:AI 仅做辅助建议,一旦方案出错,责任划分没有统一标准;
- 动态知识滞后:医学指南、新药、新诊疗方案持续更新,知识库容易过时。
五、综述提出的优化方向清单
- 强 RAG 绑定权威医学知识库、药典、卫健委 / 国际临床指南;
- 独立校验 Agent 做二次核查,强制输出引用来源;
- 针对专科做领域对齐微调,比如急诊、心内科、肿瘤科专用智能体;
- 构建标准化临床评测 Benchmark,统一评估指标;
- 设计严格的权限管控、数据脱敏、审计日志机制。
【相关 FAQ】
问题 1:LLM 智能体在临床决策支持中和普通 LLM 医疗问答有什么区别?
回答 1:LLM 智能体在临床决策支持里具备自主任务规划、分步推理、主动调用医学工具和知识库的能力,普通 LLM 医疗问答大多是单次 prompt 直接输出答案,缺少证据检索和自我核验环节。
问题 2:LLM 智能体在临床决策支持中可以替代医生做诊断吗?
回答 2:LLM 智能体在临床决策支持里只能作为医生的辅助工具,输出参考建议,不能独立完成诊断、处方,最终诊疗决策必须由执业医师确认。
问题 3:多智能体架构用于 LLM 智能体临床决策支持有什么好处?
回答 3:多智能体架构用于 LLM 智能体临床决策支持时,可以模拟 MDT 多学科会诊,不同智能体分别负责诊断、药学、影像解读,降低单一模型带来的认知偏见,复杂病例推理更全面。
问题 4:落地 LLM 智能体临床决策支持系统,最优先要解决的是什么问题?
回答 4:落地 LLM 智能体临床决策支持系统,最优先管控医学幻觉和患者隐私安全,同时做好结果溯源,每条建议都绑定权威指南、文献来源,方便医生核验。
【参考资料】
[2026-07-10](Aligning Clinical Needs and AI Capabilities: A Survey on LLMs for Medical Reasoning)arXiv
[2026-05-22](AgentRx: A Benchmark Study of LLM Agents for Multimodal Clinical Prediction Tasks)arXiv
[2026-03-26](ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory)arXiv
[2026-02-18](Benchmarking large language model-based agent systems for clinical decision tasks)npj Digital Medicine
[2025-02-11](A Survey of LLM-based Agents in Medicine: How far are we from Baymax?)arXiv
【免责声明】
本文为 A Survey of LLM Agents for Clinical Decision Support 综述的科普解读,仅用于学术、技术学习参考;LLM 智能体临床决策支持输出内容不能作为临床诊疗依据,所有医疗判断、处方、治疗方案,必须由持证临床医师结合患者实际情况、检查结果综合判定;相关系统落地需要遵守当地医疗、数据隐私、医疗器械监管法规。
