據介紹，大型語言模型(LLM)在臨床應用方面展現出令人鼓舞的發展，但它們往往專攻定義狹窄的任務。患者的臨床管理需要多維度的方法，包括深入了解病史、進行適當的檢查、做出準確的診斷、規劃治療方案(包括藥物和手術)以及在多次就診中監測治療結果。如果AI智能體能夠執行此類任務并實現有效的管理推理，它們或許能夠協助醫生處理常規工作，甚至可能緩解全球某些地區的醫生短缺問題。

　　在其中一篇論文中，論文通訊作者、德國海德堡大學醫院Jakob Nikolas Kather和同事及合作者，研發出一個能夠訪問獨立電子病歷系統中患者數據的AI模型MIRA，通過500多例急診科臨床病例的真實世界數據進行評估，MIRA通過與患者AI智能體進行對話來收集信息，該代理的回應與臨床記錄中記載的病史相匹配。

　　MIRA可從8.5萬多種選項中進行選擇，以安排診斷檢測、解讀結果并制定治療方案，包括開具處方、安排手術及辦理入院手續。其平均診斷準確率達到87.8%，而由6位跨專科醫生組成的專家組準確率僅為78.1%。論文作者總結指出，未來需要進一步開展研究以提高準確率，并在真實世界研究中驗證其泛化能力。

　　另一篇論文中，美國谷歌團隊研發出的AMIE是一個針對臨床管理和對話進行優化的基于LLM的系統，能夠對多次就診數據進行連續推理，從而追蹤疾病進展和治療反應。AMIE利用Gemini分析從患者處獲取的信息，并使其輸出結果與相關且最新的臨床實踐指南及藥物目錄(經批準且臨床首選藥物的清單)保持一致。

　　在一項虛擬臨床檢查研究中，AMIE與21名全科醫生在100個多就診案例場景及5個醫學專科領域進行對比，這些場景旨在反映英國國家衛生與臨床優化研究所的指導意見及《英國醫學雜志》最佳實踐指南。

　　結果顯示，在管理推理能力方面，AMIE的表現與真實醫生相當；在治療和檢查的精準度、對臨床指南的遵循程度以及基于指南制定管理方案的合理性方面，AMIE的表現均優于醫生；在最新推出的藥物推理基準上，AMIE在處理疑難病例時的表現優于醫生。

　　論文作者總結認為，雖然AMIE在投入臨床護理前仍需進一步完善，但這項研究標志著利用對話式人工智能工具輔助醫生進行疾病管理邁出了重要一步。