每日医学AI论文简报 v0.3

[日报] 2026-08-05

💡 今日学习推荐 CS231n 卷积神经网络（Stanford） — 一、卷积神经网络（CNN）架构（进度0%） ⏭ 下一步：CS229 机器学习讲义（Andrew Ng）

1. Cognitive Workload and Mental Burden in Health Care Professionals Interacting With AI: Systematic Review and Meta-Analysis.

J Med Internet Res (IF: 5.8) | 2026 Aug 4 | PubMed ⚠️ | DOI | ⚠️ 中置信分析来源： PMC全文
领域：医学人工智能（AI）的认知负荷与职业倦怠系统综述与Meta分析
方法：遵循PRISMA 2020/PRISMA-S，注册于PROSPERO；检索MEDLINE、Embase、Web of Science、Cochrane CENTRAL（2015-2026）；纳入使用NASA-TLX或PFI等验证工具测量医护AI使用者的研究；采用ROB 2.0/ROBINS-I偏倚评估，GRADE证据分级；Meta分析采用Hartung-Knapp-Sidik-Jonkman校正和限制最大似然估计，含预测区间。
核心发现：纳入21项研究、2885名医护专业人员。环境AI文档记录显著降低NASA-TLX时间需求（SMD -1.46, 95% CI -2.81到-0.11; k=2; I2=31.1%）和努力（SMD -1.29, 95% CI -2.16到-0.42; k=2; I2=0%），降低PFI工作耗竭（MD -0.35, 95% CI -0.58到-0.12; k=3; I2=0%），降低倦怠率（OR 0.47, 95% CI 0.25-0.86; k=3; I2=0%），但预测区间跨越无效值。影像AI和临床决策支持系统效果混杂甚至增加负担。GRADE证据等级：环境AI降低认知负荷为中等，降低倦怠为低，影像AI和CDSS为极低。
相关度（医学AI研究者）：高度相关，为AI临床部署对医护工作负荷影响提供了首个结构化、GRADE分级的证据综合，并强调验证负担概念和保守推断框架。
一句话：环境AI文档记录可能降低医护认知负荷和倦怠，但证据有限、预测区间宽泛且跨无效，影像AI和CDSS影响不确定甚至可能增加负担；收益是否为净获益仍待实证。

2. Large Language Model-Based Clinical Decision Support for Antibiotic Selection and Dose Recommendation in Hospitalized Patients With Pneumonia: Multicenter Retrospective Study.

JMIR Med Inform (IF: 3.1) | 2026 Aug 4 | PubMed ⚠️ | DOI | ⚠️ 中置信分析来源： PMC全文
领域：呼吸医学/临床决策支持；抗生素管理；大语言模型在医疗中的应用
方法：多中心回顾性研究，纳入2家医院331例肺炎住院患者的电子病历、抗生素医嘱及肝肾功能实验室指标；开发队列233例，外部验证队列98例。构建结合双分支检索（相似病例向量检索+指南知识图谱检索）、临床规则约束和混合上下文推理的LLM临床决策支持管道，评估DeepSeek-V3、GLM-4.6和GPT-4o，采用F1分数和Jaccard准确率。
核心发现：内部测试集中，完整管道使用DeepSeek-V3表现最佳：抗生素选择的F1为0.8110（95% CI 0.7371-0.8762），Jaccard准确率为0.7624；抗生素选择联合剂量推荐的F1为0.7538，Jaccard准确率为0.7076。外部验证集中性能保持较高：抗生素选择F1为0.8605，Jaccard准确率为0.8571；联合任务的F1为0.8503，Jaccard准确率为0.8469。系统还提供可追溯证据和规则触发信息，支持临床医生审核。
相关度（医学AI研究者）：高。该研究展示了约束增强与检索增强生成在临床抗生素决策中的可行性和跨院泛化潜力，为LLM在真实医疗场景中安全、可解释应用提供了重要实证。
一句话：约束增强的检索增强LLM管道可提高肺炎住院患者抗生素选择与剂量推荐的准确性和可解释性。

3. Nurse-Led Large Language Model Chatbot for Predicting and Preventing Complications After Coronary Artery Bypass Grafting: Protocol for a Randomized Controlled Trial.

JMIR Res Protoc (IF: 5.8) | 2026 Aug 4 | PubMed ⚠️ | DOI | ⚠️ 中置信分析来源： PMC全文
领域：心血管外科围手术期护理、人工智能临床决策支持、大语言模型聊天机器人、远程心电监测
方法：多阶段转化研究设计，遵循TRIPOD-LLM和CONSORT-AI报告指南。第一阶段采用 ambispective 设计（回顾性数据2020年1月至2024年12月；前瞻性需求调查2025年6月至2026年1月），开发基于逻辑回归的并发症风险指数（CRI），评估指标包括ROC曲线下面积、Brier评分和决策曲线分析。第二阶段整合连续远程心电图监测，优化名为Smart CABGuard的护士主导、基于大语言模型的临床决策支持聊天机器人，用于预测和预防术后并发症及30天非计划再入院。研究地点为印度Amrita医学科学研究所，针对孤立性CABG患者开展随机对照试验。
核心发现：该文为研究方案（Protocol），尚未报告最终临床结果。方案指出CABG术后30天非计划再入院影响10%-20%患者，是重要的质量指标，尤其在低中等收入国家因心脏康复可及性受限而问题突出。现有风险模型是静态的、缺乏实时互动，且尚无经过验证的基于大语言模型的临床决策支持系统用于CABG术后再入院预防。本研究拟通过随机对照试验评估Smart CABGuard的有效性。
相关度（医学AI研究者）：高。该研究将大语言模型与护士主导的临床决策支持系统结合，并整合连续ECG监测，针对术后并发症预测和再入院预防这一具体临床问题，采用随机对照试验和AI报告规范，是医学AI在护理和心血管围手术期应用的前沿实例，对同类研究设计和实施有参考价值。
一句话：本文报道了一项护士主导的、基于大语言模型并整合远程心电监测的Smart CABGuard聊天机器人用于预测和预防CABG术后并发症及30天再入院的随机对照试验方案。

4. Accuracy and Readability of Generative Artificial Intelligence for Vascular Surgery Patients: A Specialist Based Evaluation Highlighting the Current Landscape of Safety Risks and Accessibility Gaps.

Eur J Vasc Endovasc Surg (IF: N/A) | 2026 Aug 3 | PubMed ⚠️ | DOI | ⚠️ 中置信分析来源：摘要
领域：血管外科患者教育，生成式人工智能（ChatGPT）的安全性与可读性
方法：面向ChatGPT（gpt-3.5-turbo-0125）提出16个通俗化问题，覆盖4种血管疾病和4个领域（症状/体征、自然病程、医疗建议、最佳治疗）。使用改编的QUEST、DISCERN和紧迫性量表评估语气、互补性、紧迫性和不确定性；采用Flesch Reading Ease（FRE）和Flesch-Kincaid Grade Level（FKGL）评估可读性；由3名血管外科医生按Likert量表评分准确性、全面性和清晰度。
核心发现：语气与互补性无显著组间差异；症状相关问题与治疗相关问题的紧迫性总体无差异，但症状亚型间紧迫性不一致（p=.03）。平均FRE 32.3±12.1，FKGL 13.5±2，需大学水平阅读能力；症状相关回答比治疗相关回答更易读（FRE 38.1 vs 26.4；p=.025）。仅44%的回答被所有评审者认为临床适用；清晰度合格率81%，准确率仅50%，全面性69%。治疗相关问题仅25%适用；症状相关问题中紧迫性建议不一致构成潜在安全隐患。
相关度（医学AI研究者）：高——揭示了通用大语言模型在患者教育场景中的准确性与可及性双重缺陷，强调需要领域特定、基于指南、知识锁定且经严格验证的AI系统。
一句话：基于专家评估，ChatGPT对血管外科常见问题的回答清晰但大多临床不适用且不准确，且阅读难度过高，当前通用大语言模型不适合直接面向患者提供血管外科信息。

🔬 新增AI临床试验

近1日新增： 93 项 | 数据源： ClinicalTrials.gov

NCT07745491 Pneumonia After Cardiovascular Surgery With an Artificial Intelligence

状态： RECRUITING | 期： N/A | 赞助： | 招募: 700 条件： Hospital Acquired Pneumonia

NCT00344188 Diagnosis and Treatment of Leishmania Infections

状态： RECRUITING | 期： N/A | 赞助： | 招募: 289 条件： Leishmaniasis; Skin Diseases, Parasitic; Euglenozoa Infections

NCT06822842 Accurate Diagnosis and Grading of Pediatric Solid Tumors Based on Pathological Large Models

状态： COMPLETED | 期： N/A | 赞助： | 招募: 1229 条件： Neuroblastoma; Medulloblastoma; Wilms Tumor

NCT07745322 Spatial MSC Index for Predicting Anti-PD-1 Efficacy in Esophageal Cancer

状态： ACTIVE_NOT_RECRUITING | 期： N/A | 赞助： | 招募: 270 条件： Esophageal Squamous Cell Carcinoma; Esophageal Neoplasms

NCT07745816 Effectiveness and Implementation of ‘Supportive and Palliative Care Review Kit in Locations Everywhere’

状态： NOT_YET_RECRUITING | 期： NA | 赞助： | 招募: 300 条件： Neoplasms; Palliative Care

📄 医学AI预印本速览（arXiv 近3天）

1. Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework Junjie Yin, Buxin She, Xinyu Feng et al. | 2026-08-03 | arXiv Artificial intelligence (AI) is increasingly central to power and energy systems, supporting modeling, forecasting, optimization, and control. Yet most existing works emphasize specialized applications and offer little reusable material for newcomers or interdisciplinary learners…

2. GradCuit: Credit-Assigned Gradient Flow Enables Robust and Interpretable Test-Time Latent Reasoning Zhaoxin Yu, Qi Shen, Hengli Li et al. | 2026-08-03 | arXiv Optimization-based latent reasoning improves large language model outputs by optimizing instance-specific continuous states at test time while keeping model parameters frozen. Existing methods, however, typically connect these states to the reasoning trajectory through decoded to…

3. MedPRESS: A Multi-turn Benchmark for Patient-Pressure-Induced Medical Sycophancy in LLMs Saman Sarker Joy, Niloy Farhan | 2026-08-03 | arXiv Large language models (LLMs) are increasingly used for health-related advice. Existing research measures their safety with static questions rather than pressured patient-facing conversations. We introduce MedPRESS, a multi-turn benchmark for measuring patient-pressure-induced syc…

4. Right Answer, Wrong Method: Shortcut Hacking Misleads the Evaluation of LLM Reasoning on Frontier Science Benchmarks Xuan Ren, Weiqi Zhai, Tianle Pu et al. | 2026-08-03 | arXiv Scientific reasoning benchmarks typically evaluate large language models (LLMs) using final-answer accuracy. However, a correct answer does not necessarily demonstrate the reasoning capability targeted by the problem. We identify Solution Hacking, a failure mode in which an LLM r…

5. Agentic Incident Response through Digital Twin-Enhanced Multiscale Planning Yiran Gao, Tao Li, Kim Hammar | 2026-08-03 | arXiv Incident response is currently managed by security operators using predefined playbooks, resulting in slow, labor-intensive security decision-making processes. Consequently, there is a growing need for automated incident response planning. Decision-theoretic approaches based on c…

6. Training-Free versus Training-Based Intent Classification in LLMs: Accuracy, Robustness, and Failure Modes Nan Chen, Zhouhao Yang, Soufiane Hayou | 2026-08-03 | arXiv Intent classification in Large Language Models (LLMs) involves categorizing user prompts into predefined classes. For instance, given a user prompt, the system must determine whether it primarily concerns mathematics, coding, or general text processing. Such classification enable…

7. Why Large Language Models Fail at Tabular Prediction Marta Garnelo, Wojciech M. Czarnecki | 2026-08-03 | arXiv Large language models (LLMs) have become the default tool for a remarkable range of tasks, yet they have had conspicuously little success at one of the most common machine learning workloads: predictive analytics over tabular data. This gap is the founding premise of the fast-gro…

8. MonitrLLM: A Community-Centered Evaluation Infrastructure for Large Language Models Victor Ojewale, Ro Encarnación, Suresh Venkatasubramanian et al. | 2026-08-03 | arXiv Benchmark suites assess model capability on controlled tasks; large-scale conversation corpora capture naturalistic use without user feedback; and in-interface feedback mechanisms record satisfaction without task purpose. Together, they leave a critical gap in LLM evaluation: no …