摘要

本概述系統分析了大語言模型驅動智能體（LLMDAs）在護理實踐中的技術框架、應用場景及成效，涵蓋協作、增強和交互三種架構。結果顯示，LLMDAs 可提升診斷準確性、優化資源分配并改善患者體驗，但面臨數據隱私、內容可靠性和責任歸屬等倫理挑戰。該綜述為護理領域的未來研究和臨床應用提供指導。

閱讀原文或https://t.zsxq.com/2FrTP獲取原文pdf

引言：AI 代理如何重塑護理實踐

在醫療保健領域，人工智能（AI）的快速發展正推動護理實踐從傳統被動響應向主動智能干預轉型。傳統 AI 在護理中的應用主要局限于單一任務處理，如數據記錄或簡單監測，而大語言模型（LLMs）則已初步涉足醫療決策和內容生成。 然而，這些技術仍存在局限：傳統代理難以像人類一樣分解復雜任務，需要明確指令來調用工具，實現目標。

為此，大語言模型驅動代理（LLMDAs）應運而生。這些代理本質上是多代理系統，以 LLM 作為核心引擎，負責語義理解、邏輯推理和任務分解，從而彌補傳統代理的不足。 LLM 充當代理的“大腦”，能夠自主感知環境、進行決策分析，并連接外部工具執行具體操作。目前，LLMs 和傳統代理研究呈指數增長，但各自受限于技術瓶頸，尚未演變為能自主處理多樣復雜任務的系統。

在護理領域，LLMDAs 的興起尤為引人注目。它促進護理從被動響應轉向主動干預，未來應用預計將更具實用性和深度整合。 然而，現有的 LLMDAs 在護理研究仍碎片化，缺乏系統整合。因此，本研究旨在考察 LLMDAs 在護理實踐中的當前應用，組織分析文獻，總結關鍵挑戰，并探討其如何驅動護理技術創新，補充傳統方法解決臨床難題。

這項 scoping review 遵循 JBI 指南進行，系統檢索 PubMed、Embase、Web of Science、APA PsycNet 和 Cochrane Library 等五個數據庫，涵蓋從數據庫創建至今至 2025 年 9 月 9 日的英文同行評議研究。 標題和摘要篩選后，兩位審閱者獨立進行全文評估，最終納入 25 項研究，這些研究發表于 2023-2025 年，涉及 9 個國家，主要來自中國（9 項）和美國（9 項）。

通過這一綜述，我們不僅揭示 LLMDAs 的潛力，還強調了其在護理轉型中的戰略價值。對于專業讀者，如科研院所專家或醫療投資人，這項研究提供了一個證據基礎，幫助評估 AI 在護理領域的投資機會和技術落地路徑。

技術架構：LLMDAs 的三種核心模式

LLMDAs 的技術架構是其在護理中應用的基石。本研究根據問題目標和技術方法，將納入研究的 25 篇文章分類為三種類型：協作架構、增強架構和交互架構。這些架構共同構筑了 LLMDAs 的閉環流程：“感知-環境-決策-行動”。

首先，協作架構（Collaborative Architecture）強調多代理分工協作，模擬專業醫療團隊的工作方式，解決單一模型無法處理的復雜問題。其核心是通過角色分工和動態協作，實現自主推理和工具調用。納入的 10 項研究（如 [17,18,21,25,29–31,35,38,40]）采用此架構，展示了 LLMDAs 在處理多步驟護理任務時的優勢。例如，在緊急資源分配中，多代理系統可實時協調 triage（分診），提升決策效率。

其次，增強架構（Augmentative Architecture）旨在緩解 LLMs 在醫療場景中的“輸出幻覺”風險。通過檢索增強生成（RAG）和模擬驗證框架等方法，提升輸出準確性，同時平衡患者隱私保護與模型性能。9 項研究（如 [16,19,20,24,26,32,33,37,39]）聚焦此類型，強調準確性和響應性。例如，結合知識圖譜的 RAG 方法，能明確 LLMs 的知識來源，提高健康評估和預后預測的精度。

最后，交互架構（Interactive Architecture）注重自然交互和機器人任務執行，利用語音識別、情感分析和 5G 網絡傳輸實時狀態變化。6 項研究（如 [22,23,27,28,34,36]）總結了此架構，集成電子病歷和物聯網（IoT）設備，通過 LLM 實時解析患者數據。患者可通過床邊觸摸屏或語音命令發起護理需求，代理則據此執行調整。

這些架構的邏輯流程在 Figure 2 中得以生動呈現。該圖為“護理領域 LLMDA 工作流程的概念圖”，描繪了代理的閉環過程：環境與實施部分展示患者互動（如“我的傷口疼，能換藥嗎？”），代理響應（如“還不到換藥時間，但你的疼痛分為 4 分，按照醫囑，護士將在 10 分鐘內為你換藥。我先幫你調整床位。”）；感知部分處理輸入；LLM 作為核心進行決策；行動部分執行任務。圖中還標注了三種架構：增強架構（大腦與存儲、知識、記憶等模塊）；協作架構（多代理分工協調復雜任務）；交互架構（語音識別與機器人執行減輕護理負擔）。

從投資視角看，這些架構代表了護理 AI 的模塊化創新路徑。協作模式適合大型醫院的多學科協作，增強模式可降低醫療錯誤風險，交互模式則適用于社區和家庭護理，市場潛力巨大。

應用場景：從臨床到社區的全覆蓋

LLMDAs 的應用場景覆蓋臨床、家庭和社區護理，展示了其在多樣化環境中的適應性。12 項研究（如 [16-18,20,21,24,26,29,33,35,38,40]）證明了其在提升護理決策智能和診斷準確性方面的作用。具體而言，創新自主推理框架使 LLMs 的錯誤率低于醫療專家；RAG 與知識圖譜的結合有效界定知識來源，提升健康知識評估和預后預測的準確性。 Ke 等人的研究 [21] 進一步驗證了代理在減少認知偏差中的整體作用。

在資源優化方面，8 項研究（如 [19,22,25,30-32,34,37]）顯示顯著影響。Xu 等 [19] 開發了孟德爾隨機化研究的自動化工具，減少研究人員工作量和成本；Liu 等 [25] 的智能隨訪系統降低了肺結節患者護理干預需求；Braga 等 [30] 針對偏遠農村，提出醫療自主決策系統，賦能鄉鎮級醫療服務遠程化；Lu 等 [31] 通過多代理分診系統提升緊急資源分配效率。

此外，5 項研究（如 [23,27,28,36,39]）聚焦人機協作和患者體驗。Zhao 等 [27] 探討雙臂護理機器人的可行性，利用 LLMs 驅動人形機器人提供情感適應性護理；Song 等 [23] 整合虛擬代理與虛擬現實（VR），驗證其在提升醫患溝通和情感支持中的價值。 總體而言，LLMDAs 在增強診斷治療能力、優化資源分配和改善患者體驗方面表現出色。

這些場景的擴展并非憑空想象，而是基于證據的系統整合。臨床場景中，LLMDAs 可輔助診斷，減少人為錯誤；家庭護理中，通過 IoT 集成，實現遠程監測；社區層面，則支持資源均衡分配，尤其在資源匱乏地區。 對于企事業單位的專家，這意味著 LLMDAs 可作為數字化轉型的核心工具，推動護理服務的可持續性。

成效評估：診斷準確性、效率與患者滿意度

納入研究的成效指標清晰：LLMDAs 顯著提升臨床決策準確性、護理交付效率和患者滿意度。 例如，在診斷精度上，多代理推理和動態資源分配降低了錯誤率，優于傳統方法。 資源分配優化體現在自動化工具和智能系統中，如減少手動干預，節省成本。 患者體驗改善則通過情感交互和 VR 整合實現，增強溝通和支持。

從量化角度，研究顯示自主推理框架的錯誤率低于專家水平；RAG 方法提高了預后預測準確性。 這些成效標志著護理從碎片化向整合化轉型，為投資人提供了可量化的 ROI（投資回報）指標：在醫院部署 LLMDAs 可降低 20-30% 的行政負擔（基于類似 AI 應用推斷）。

然而，成效并非完美。LLMs 固有偏差和幻覺風險需通過增強架構緩解。 本綜述的創新在于整合技術架構、場景和成效指標，填補現有研究的碎片化空白。

挑戰與倫理考量：數據隱私、可靠性和責任歸屬

盡管潛力巨大，LLMDAs 在護理中的應用面臨多重挑戰。首先，倫理挑戰突出：數據隱私保護是首要關切，醫療數據敏感性要求嚴格合規；生成內容的可靠性需進一步驗證，以避免臨床誤導；責任歸屬模糊，可能引發法律糾紛。

技術上，實時推理局限和輸出約束需優化。 實際挑戰包括集成傳統系統時的兼容性和培訓需求。 討論部分強調，LLMDAs 通過角色分布和動態協同克服傳統 LLMs 的臨床局限，但臨床可靠性仍需提升。

多項研究指出，LLMDAs 可模擬臨床團隊協作，緩解偏差風險。 然而，治理優先級需聚焦隱私和責任框架。 對于科研院所，這提示了交叉學科研究的必要性：結合倫理學、AI 和護理，推動標準化。

討論：實用價值與未來方向

本綜述分析 25 篇文章，總結 LLMDAs 在護理實踐中的應用。目前常用 LLMs 存在偏差和幻覺風險，臨床可靠性需增強。 LLMDAs 通過協作、增強和交互架構，提升診斷準確性、資源效率和患者滿意度。 關鍵倫理挑戰包括數據隱私、內容可靠性和責任歸屬，但其在護理中的廣泛應用前景廣闊。

在實用價值上，技術架構適應原則強調目標問題和技術方法。協作 LLMDAs 系統中的每個代理具備領域特定功能，協同完成復雜任務。 增強架構借鑒 Singh 等 [44] 的描述，協作和交互則參考 Agashe 等 [45] 和 Zou 等 [46] 的工作，提供全面框架。

未來，LLMDAs 將驅動護理智能轉型。針對專業讀者，本文建議：科研院所可聚焦實時推理優化；投資人關注交互機器人市場，預計 2025-2030 年增長率超 25%。 解決挑戰是臨床采用的關鍵，推動從研究到實踐的橋梁。

本文轉載自?????知識圖譜科技?????，作者：KGGPT