对话与问题生成以促进循证医学指南代理开发

循证医学 (EBM) 是高质量护理的核心，但在快节奏的初级保健环境中仍然难以实施。医生面临着短暂的会诊、不断增加的患者负荷以及冗长的指南文件，而实时查阅这些文件是不切实际的。为了解决这一差距，我们研究了使用 大语言模型 (LLM) 作为环境助手的可行性，以在医患接触期间提出有针对性的、基于证据的问题。我们的研究重点是问题生成而不是回答问题，目的是支撑医生推理并将基于指南的实践整合到简短的咨询中。我们使用 Gemini 2.5 作为骨干模型，实施了两种提示策略：零样本基线和多阶段推理变体。我们以来自真实临床经历的 80 份去识别化记录为基准进行评估，其中六位经验丰富的医生提供了超过 90 个小时的结构化审查。结果表明，虽然通用 LLM 尚不完全可靠，但它们可以产生具有临床意义和与指南相关的问题，表明在减轻认知负担并使 EBM 在护理点更具可操作性方面具有巨大潜力。