ChatGPT在复杂多发性神经病诊断与管理中的应用：基于真实世界病例与神经科医生的对比分析 (REASON)

背景与依据 多发性神经病是一组影响周围神经系统的异质性疾病，是临床实践中最常见的神经系统疾病之一。 其患病率在普通人群中估计约为1%，并随年龄显著增加，中年人群接近4%，老年人群高达13%。 因此，周围神经病是全球神经系统疾病发病率和医疗资源利用的主要因素。

确定多发性神经病的病因诊断在临床上仍具挑战性。 尽管实验室检测和神经电生理技术有所进展，诊断过程仍高度依赖于细致的临床评估，包括详细的病史和神经系统检查，随后有针对性地使用电生理和实验室检查。 在许多情况下，准确诊断需要神经肌肉疾病的专业知识。

此类专业知识的获取在医疗系统中分布不均。 相当一部分周围神经病患者最初由非专科医生评估，包括普通神经科医生或初级/二级医疗机构的临床医生。 因此，诊断延迟和神经病亚型误分类相对常见，尤其是罕见或不典型病因。 这些挑战凸显了需要能够在诊断过程中支持临床医生的工具。

人工智能（AI）的最新进展，特别是大型语言模型（LLM）的发展，使其在临床医学中的潜在应用日益受到关注。 由OpenAI开发、基于生成预训练Transformer架构的ChatGPT，是一种能够生成情境感知医学推理和诊断建议的对话式AI系统。 新兴研究表明，在某些临床推理任务中，LLM可能达到与医学生或医生相当的诊断性能。

然而，LLM在复杂神经系统疾病中性能的严格评估仍然有限。 特别是，关于其在三级转诊中心通常遇到的诊断挑战性多发性神经病病例中的表现，证据很少。 在考虑此类工具作为临床决策支持系统的潜在作用之前，评估其在此环境中的能力和局限性至关重要。

本研究旨在系统评估ChatGPT-4o应用于真实世界多发性神经病病例时的诊断性能，并将其性能与专科和非专科神经科医生进行比较。

研究目标 本研究的主要目标是评估ChatGPT-4o在识别复杂多发性神经病病例中主要病因诊断方面的诊断准确性。

具体而言，研究旨在比较ChatGPT-4o与周围神经病专科医生和非专科神经科医生的诊断性能。

次要目标包括评估ChatGPT-4o生成适当鉴别诊断和推荐合适确诊性诊断测试的能力。 研究还将评估接触AI生成的诊断建议是否影响神经科医生的诊断决策。 此外，研究将评估ChatGPT-4o在重复独立评估中回答的一致性，并描述模型在生成错误诊断时产生的错误类型。

研究设计 这是一项比较性诊断准确性研究，旨在评估基于人工智能的大型语言模型相对于人类神经科医生的性能。

研究将在意大利米兰的两个周围神经病三级转诊中心进行：Humanitas研究医院（IRCCS）和Fondazione IRCCS Istituto Neurologico Carlo Besta。 这些机构为患有广泛多发性神经病的患者提供专科护理，包括炎症性、遗传性、代谢性、毒性和副肿瘤性病因。

研究方案已获得Humanitas研究医院伦理委员会的批准，并将根据《赫尔辛基宣言》的原则进行。

研究人群与病例选择 临床病例将从参与机构的多发性神经病门诊患者中回顾性识别。 合格病例将包括确诊为多发性神经病且在至少12个月临床随访后已建立稳定病因诊断的患者。

临床信息将从医疗记录中提取，用于准备标准化病例摘要。 摘要中包含的数据将反映早期诊断评估中通常可获得的信息，包括患者人口统计学、临床病史、神经系统检查结果、神经传导研究结果以及标准实验室筛查测试结果。

从合格病例池中，将使用计算机生成的抽样方法随机选择100个病例。 所有病例在分析前将进行匿名化处理。

最终数据集预计将包括反映三级神经肌肉中心转诊模式的多发性神经病病因谱，包括炎症性神经病、遗传性神经病、代谢性神经病、毒性神经病和其他较不常见的疾病。

ChatGPT-4o的病例评估 本研究中评估的人工智能系统是OpenAI开发的ChatGPT-4o Enterprise。

每个临床病例摘要将通过标准化提示呈现给模型，指示其分析临床情景并提供诊断推理。 对于每个病例，模型将被要求生成：

• 一个主要病因诊断，
• 两个可能性较小的替代诊断，
• 以及一个能够确认主要诊断的诊断测试。 为最小化情境偏差，每个病例将在无先前对话历史的独立会话中评估。 整个数据集将在两次独立运行中评估两次，以评估模型回答的可重复性和一致性。

神经科医生的病例评估 来自多个国际中心的神经科医生小组将作为人类评估者参与研究。 参与者将包括周围神经病专科医生和未专门从事神经肌肉疾病的神经科医生。

神经科医生将使用基于网络的界面审查相同的标准化病例摘要，并被要求为每个病例提供一个主要诊断、两个替代鉴别诊断以及一个推荐的确认性诊断测试。

评估将分两个阶段进行。 在第一阶段，神经科医生将独立审查病例并提供诊断评估。 在第二阶段，病例将再次呈现，同时附上ChatGPT-4o生成的诊断输出，允许神经科医生确认或修改其先前的回答。 此设计将允许评估AI生成建议对医生诊断决策的潜在影响。

结果评估 研究的主要结果是主要诊断的诊断准确性，定义为提出的主要诊断与最终确认的病因诊断匹配的病例比例。

次要结果包括鉴别诊断的准确性、推荐的确认性诊断测试的适当性，以及神经科医生在审查AI生成输出后诊断性能的变化。

所有回答将根据每个病例的最终确认诊断进行评估。 鉴别诊断和诊断测试推荐的适当性将由在多发性神经病诊断方面经验丰富的专家神经科医生独立评估。

临床意义 本研究将为大型语言模型在复杂神经学领域中的诊断性能提供实证证据。 通过直接比较AI生成的诊断推理与专科和非专科神经科医生的推理，研究旨在阐明大型语言模型作为神经学决策支持工具的潜在作用。