大语言模型用于临床笔记简化：医学文本可读性的系统综述与实验评估

所有被评估的大语言模型都显著增加了简化后文本的总长度，同时持续降低了专业术语和缩写的密度。 此前关于临床文本简化的研究多关注英语或通用文本，该研究针对德语临床笔记，并同时报告长度变化与术语、缩写密度这两个领域特定复杂度指标。 基于十款免费可用大语言模型、五个合成临床笔记和标准化提示的实验评估，结果在术语与缩写密度上表现一致。

没有任何模型在所有可读性指标上取得一致改善，说明传统可读性指标在医学领域存在局限。 该研究没有停留在单一可读性分数上，而是同时使用 Flesch Reading Ease、Wiener Sachtextformel、LIX、SMOG 和 Coleman–Liau 五项指标，并引入医学术语与缩写密度分析。 五项可读性指标与领域特定密度指标的组合分析，覆盖十款模型和五个合成笔记。

Mistral、ChatGPT 和 Copilot 在语言简化与文本长度之间表现出最高的平衡效率。 该研究在十款免费可用模型中进行了横向比较，给出了在简化效果与文本膨胀之间权衡的相对排序。 基于标准化提示和合成临床笔记的实验比较，属于模型间相对表现的结果。

大语言模型在提升临床文档对患者的可及性方面显示出较强潜力，但其效果取决于模型选择、提示设计和评估方法。 该研究将系统文献综述与实验评估结合，把模型选择、提示设计和评估方法明确列为影响简化效果的关键因素。 系统综述与实验评估相结合的研究设计，结论基于十款模型和五个合成笔记的评估结果。

该研究适用于德语临床笔记的自动简化场景，面向希望提升患者对病历理解的研究者、临床信息学人员和医疗系统设计者。其结论基于十款免费可用大语言模型、五个合成临床笔记和标准化提示，因此主要适用于评估模型在受控条件下的简化表现，而非直接推广到真实临床工作流或所有语言环境。研究提示传统可读性指标应扩展领域特定度量，这一方向可供后续在真实患者记录和不同医疗体系中验证。

该研究使用合成临床笔记而非真实患者记录，真实笔记的术语密度、缩写习惯和结构可能不同，因此简化效果在真实场景中的表现仍需观察。研究未报告患者或临床医生对简化文本的理解与满意度，可读性指标改善是否转化为实际可理解性仍是开放问题。此外，模型版本、提示措辞和评估指标的选择都可能影响结果，不同语言和医疗体系下的可迁移性有待进一步验证。