# 研究发现：大语言模型常未能正确落实新版医学指南

> 研究人员发现，大语言模型能够识别新的医学建议，却常常无法正确应用。

Oossa · 2026-10-23 · https://oossa.com/zh/study-finds-llms-often-miss-updated-medical-guidelines

一篇于2026年10月23日发布在arXiv上的新论文，考察了大语言模型（LLM，即ChatGPT等工具背后的人工智能）跟进医学指南变化的能力。作者构建了名为ChronoEvo的测试集，涵盖12类医学知识变化中的1,709项具体指南修订，并让14种不同的大语言模型根据更新后的指南回答临床问题。

## 测试结果

研究中的主要模型在90.8%的案例中识别出指南已经修订，在80.2%的案例中给出了临床上正确的答案。然而，只有58.5%的回答完全纳入了新建议。也就是说，模型识别变化与实际采用新指南之间相差32.3个百分点。在测试的另外13种模型中也出现了同样的差距。

两名临床医生还审阅了300条模型回答，发现了类似的不足：模型识别指南修订与完全落实修订内容之间相差40.3个百分点。研究指出，如果修订改变了建议的力度，或调整了适用患者范围，模型回答尤其容易残留过时建议。

作者尝试了一种“修订显著性”调整方法，突出显示指南中更新的部分。这减少了模型保留旧信息的情况，也提高了整体临床正确率，但仍未弥合模型完全纳入新指南方面的差距。

## 为何重要

对于可能依赖人工智能获取医疗建议的医生或患者来说，这项研究意味着，即使模型已更新，也仍可能推荐过时的治疗方案。用户应对照现行官方指南，核实人工智能生成的医疗建议。

## 事实

- 这篇论文于2026年10月23日发布在arXiv上。
- ChronoEvo收录了12类医学知识变化中的1,709项指南修订。
- 主要模型在90.8%的案例中识别出指南修订，临床正确率为80.2%，但只有58.5%的回答完全纳入了新指南。
- 在14种模型中，识别修订与落实修订之间的差距始终约为32个百分点。
- 临床医生对300条回答的审阅显示，在验证样本中，这一差距为40.3个百分点。

## 为什么重要

使用人工智能工具的医生和患者，可能会被看似最新、实际仍依据旧指南的建议误导。这项研究表明，人工智能开发者需要更有效的方法，确保模型不仅能注意到更新，也能正确落实更新内容。

## 来源与参考

1. [Large language models show systematic failures in incorporating evolving medical knowledge](https://arxiv.org/abs/2610.30631) – arXiv, 2026-10-23

最后更新: 2026-10-23