医疗大模型RAG落地：本地部署术前沟通问答系统，268例随机试验焦虑下降、医生时间缩短四成-平芜编程栈

技术解读：这套术前沟通系统是一条「收集患者问题 → 检索知识库 → 大模型生成个性化回复 → 人工核验 → 再进入面对面沟通」的 RAG 检索增强生成医疗 AI 系统，本地部署、医生始终在环内。本篇从工程实现角度拆解它的架构与随机试验结果。

核心要点
问题：前列腺癌患者确诊后普遍存在明显焦虑与大量疑问，而医生面对面沟通时间有限，难以逐一细致解答，术前沟通成为亟待优化的环节。
方法：复旦大学附属肿瘤医院团队开展前瞻性、随机、单盲 II 期试验，268 名拟行根治性前列腺切除术的患者按病房随机分组，AI 组在常规面对面沟通前先接受本地部署大模型生成的个性化答疑，医生对分组设盲。
结果：AI 组沟通后焦虑评分 GAD-7 为 3.2，显著低于对照组 5.7（P=0.001）；医生工作量 NASA-TLX 39.9 vs 56.8（P<0.001）；沟通时间 11.3 vs 19.9 分钟（P<0.001）。
意义：为"医疗AI评估验证"补充了患者沟通场景的前瞻随机证据，证明大模型辅助沟通能降低焦虑、减轻医生负担；但这是单中心 II 期研究、仅医生设盲（患者未设盲），结论需更大规模验证。
原文：Large language model–assisted preoperative communication reduces patient anxiety and physician workload in prostate cancer，npj Digital Medicine，2026-09-26

1. 前列腺癌术前沟通的临床挑战：焦虑高、疑问多、时间紧

前列腺癌是男性最常见的恶性肿瘤之一，根治性前列腺切除术是其主要治疗手段。对刚确诊、即将手术的患者而言，“切掉前列腺意味着什么"“会不会尿失禁、性功能还能恢复吗"“手术风险有多大"等问题接踵而至，术前焦虑（anxiety）十分普遍。

现实中的矛盾在于：医生面对面沟通（informed consent，知情同意）是标准流程，但门诊时间有限，医生难以逐一细致解答每位患者的大量个性化疑问；很多患者带着"没问出口的问题"进入手术室，焦虑随之累积，既影响就医体验，也可能影响医患信任。

如何在不增加医生负担的前提下，让患者在术前获得更充分、更个性化的信息，从而缓解焦虑、改善疾病认知？这正是本研究想用大语言模型（large language model，LLM）回答的问题。

2. RAG-LLM 术前答疑系统的核心创新：把 AI 放进"沟通前"这一环

研究由复旦大学附属肿瘤医院的 Bo Dai（戴波）团队完成，2026 年 9 月 26 日在线发表于npj Digital Medicine，是一项前瞻性、随机、单盲的 II 期试验（临床试验号 NCT07082049）。创新点有三。

第一，把 AI 定位为"沟通前的准备”，而非替代医生。AI 组患者在常规面对面沟通之前，先收到本地部署大模型针对其个人问题生成的个性化回复；面对面沟通环节仍由医生照常完成，医生负责把关和最终决策。这种"先答疑、后沟通"的设计，保持了医生在环内（human-in-the-loop）。

第二，用随机对照设计评估"软结局”。试验按病房随机分组，医生对患者分组设盲，把患者焦虑、情绪、疾病认知、满意度以及医生工作量、沟通时间一并纳入终点，避免了单臂观察的偏倚。

第三，本地部署 + 开源可复现。模型在医院本地部署，回应基于检索增强生成（retrieval-augmented generation，RAG）架构，研究代码在 GitHub 开源（SHMCLz/RAG-LLM），为他人复现和二次验证提供了条件。

3. 技术原理：本地部署大模型 + 检索增强生成

系统的核心机制可概括为"收集问题 → 检索知识 → 生成个性化答疑”。第一步，在基线评估阶段系统收集每位患者对手术的疑问；第二步，大模型结合医院内部的医学知识库，用检索增强生成（RAG）方式，从可信资料中检索相关依据，再生成针对该患者具体问题的回答，降低"凭空编造"的风险；第三步，生成的个性化回复经研究人员核验后，在常规沟通前交给患者阅读。

需要厘清一点：这里测的是一款在特定医院本地部署、有人工核验环节的研究系统，而不是面向公众的消费级聊天机器人。二者在数据隐私、回答准确性把关、临床责任边界上都有本质区别——不能把这项研究的结果外推到"让患者直接问通用聊天机器人”。

4. 数据说话：焦虑下降、医生负担减轻、沟通时间缩短四成

研究共随机分配 268 名患者（对照组 n=130，AI 组 n=138），收集患者提问 3,507 个（平均每人 13.1 个）。主要结果以均值 [标准差] 报告，核心数据如下。

研究维度	AI 组	对照组	统计证据
沟通后焦虑（GAD-7）	3.2 [2.7]	5.7 [3.1]	P = 0.001
医生工作量（NASA-TLX）	39.9 [16.9]	56.8 [19.5]	P < 0.001
沟通时间（分钟）	11.3 [4.5]	19.9 [6.1]	P < 0.001

AI 组患者在沟通后的焦虑评分（GAD-7）显著更低（3.2 对 5.7），情绪、疾病认知和满意度也更好；医生侧的工作负荷评分 NASA-TLX 从 56.8 降到 39.9，沟通时间从 19.9 分钟缩短到 11.3 分钟，降幅约四成。GAD-7（广泛性焦虑障碍 7 项量表）是自评焦虑量表，NASA-TLX（任务负荷指数）是衡量主观工作负荷的工具，二者都是受试者/医生主观报告，而非客观临床结局。

需要强调的是，这些终点衡量的是"沟通这一环节"的短期体验与负荷，并不直接证明 AI 改善了肿瘤控制、手术安全或长期生活质量；论文也未报告这些长期结局。

5. 从实验室到临床：应用前景与局限

可能的应用场景包括：在泌尿外科、肿瘤外科等术前沟通量大、患者疑问多的科室，作为医生的"答疑前置"助手；在医生人力紧张的分级诊疗场景下，辅助基层医生更高效地完成术前知情同意；也可向其他癌种、其他术式推广，形成标准化的术前沟通辅助流程。它与本站此前解读的大模型辅助医生决策的跨国随机试验同属"大模型进入临床工作流"方向，一个面向医生决策、一个面向患者沟通，互为补充。

局限至少三条。其一，这是单中心 II 期研究，样本来自一所癌症中心、且患者均已被选定接受手术，结果不能直接推广到其他医院、语言、癌种或非手术患者。其二，研究仅对医生设盲，患者知道自己在 AI 组，可能影响焦虑、满意度等自评结果（安慰剂/期望效应）。其三，终点是沟通环节的短期体验，未验证患者是否真正记住了信息、理解了所有选项，也未评估长期认知与决策质量；论文以"预发表版本"发布，最终版本内容或文字可能仍有调整。

6. 结论与产业启示

这项研究给出一个清晰信号：把大模型放进"术前沟通前"这一环，在 268 名患者的前瞻随机试验中，显著降低了患者焦虑、减轻了医生工作负荷，并把沟通时间缩短了约四成，为"医疗AI解决方案"在患者沟通场景落地提供了罕见的随机对照证据。

对医疗AI产业有三点可执行建议：一是坚持"AI 答疑 + 医生把关"的人机协作设计，把大模型定位为沟通前准备而非替代医生，用人工核验守住回答准确性；二是把患者体验类软结局与医生工作负荷一并纳入评估，建立"患者获益 + 医护减负"双维度的"医疗AI评估验证"范式；三是重视本地部署与开源复现，用可追溯的数据与代码支撑临床信任。对从业者而言，一个真正可靠的医疗AI系统，价值不在"模型有多能说”，而在它能否经得起随机对照试验、并安全地嵌入真实临床流程。

参考文献

Liu Z, Xu H, Lin GW, Wang HK, Hong Z, Mo M, et al.Large language model–assisted preoperative communication reduces patient anxiety and physician workload in prostate cancer: a prospective randomized phase II trial.npj Digital Medicine. 2026. DOI: 10.1038/s41746-026-03309-7
Liu Z, Xu H, Hong Z, Dai B.Assistance of a large language model–based AI agent in preoperative communication for reduction of prostate cancer patients’ anxiety and clinicians’ burden: a prospective, randomized, single-blinded, phase II trial.Journal of Clinical Oncology. 2026;44(7_suppl):56. DOI: 10.1200/jco.2026.44.7_suppl.56
Lewis P, Perez E, Piktus A, Petroni F, Karpukhin V, Goyal N, et al.Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.Advances in Neural Information Processing Systems (NeurIPS). 2020. DOI: 10.48550/arXiv.2005.11401