阿岚AI栈
← 返回全部文章

博客 / 阿岚AI栈

走向自主医疗人工智

大型语言模型在医学场景里已经能回答问题、总结病历、检索指南，但真正的临床工作并不是“问一句、答一句”。医生需要在电子病历系统里询问病史、开检查、读结果、形成诊断、开药、安排手术或住院。 最近，Nature发表的文章提出了一个自主医疗 AI agent：MIRA。它不是单纯给出文字建议，而是在受控的 EHR 沙盒环境中，

专题：科研文献
#医疗Agent#AI学习#医学学习
约 14 分钟读完
走向自主医疗人工智

大型语言模型在医学场景里已经能回答问题、总结病历、检索指南，但真正的临床工作并不是“问一句、答一句”。医生需要在电子病历系统里询问病史、开检查、读结果、形成诊断、开药、安排手术或住院。

最近，Nature发表的文章提出了一个自主医疗 AI agent：MIRA。它不是单纯给出文字建议，而是在受控的 EHR 沙盒环境中，通过 FHIR 工具调用完成真实临床工作流模拟。

研究基于 MIMIC-IV 构建了 574 例急诊相关病例，覆盖阑尾炎、胆囊炎、肺炎、尿路感染、肺栓塞、胰腺癌等 8 类疾病。在 311 例头对头比较中，MIRA 的诊断准确性为 87.8%，高于 board-certified physicians 的 78.1%。在用药安全、指南一致性和住院决策方面，MIRA 也表现出较好的结果。

但这并不意味着 AI 已经可以替代医生。研究仍然是在回顾性病例和沙盒 EHR 中完成，patient agent 也来自结构化病史模拟。作者强调，MIRA 更合理的定位是医生决策支持伙伴，而不是独立临床主体。

这篇文章最值得关注的地方，是它把医疗 AI 从“会回答医学问题”推进到了“能在受控系统里执行结构化临床动作”。下一步真正关键的，不是再刷一个医学问答分数，而是前瞻性真实世界验证、安全治理和医生监督下的临床集成。

导语：今天分享的是 Dyke Ferber、Jakob Nikolas Kather 团队发表在《Nature》的文章，作者构建并评估了一个名为 MIRA 的自主医疗 AI agent，让它在受控 EHR 沙盒中完成病史采集、检查申请、诊断、用药、手术操作建议和住院决策，用来回答“医疗 AI 能否从聊天建议走向可执行临床工作流”这个问题。

亮点：EHR 智能体、FHIR 工具调用、MIMIC-IV 真实病例仿真、医生头对头比较、用药安全与指南一致性。

走向自主医疗人工智

公众号标题备选

  • 推荐：Nature：MIRA 让医疗 AI 从聊天建议走向 EHR 行动
  • 医疗 AI agent 能否处理真实病例？Nature 这篇 MIRA 研究给出沙盒答案

知识背景及科学核心问题：

大型语言模型已经在医学问答、指南检索、病历结构化和编码等任务上显示出能力，但多数应用仍停留在“聊天式建议”或单一任务工具。真实临床决策并不是一次性问答，而是医生在电子病历系统中反复询问病史、申请检查、解释结果、形成诊断、开立治疗和安排住院的连续工作流。

因此，关键问题不只是模型能否回答医学题，而是能否在受控权限内把临床意图转化为结构化、可追踪、符合 EHR 标准的操作。本文提出 MIRA 这一自主医疗 AI agent，并在 MIMIC-IV 真实病例构建的急诊场景中检验其从病史采集到诊断、治疗、用药安全和住院决策的端到端表现。

研究思路

这项研究可以拆成三层：先构建一个 FHIR 兼容的沙盒 EHR 和 patient agent，再让 MIRA 与医生在相同信息条件下处理真实病例仿真，最后从诊断、检查选择、干预、指南一致性和安全鲁棒性多个维度进行比较。

图1：MIRA 工作流。MIRA 是一个在 EHR 沙盒中运行的自主医疗 AI agent，可使用一组工具模拟临床工作流：它能下达检查、综合结果、生成诊断和治疗计划，并通过聊天与 patient AI agent 互动；patient agent 基于真实病例回顾性记录中提取的 HPI。左侧为 patient 与 MIRA 的示例对话及交织的工具调用；右侧为执行工具调用并记录医疗输出的 FHIR 架构。图中数据经过缩短和轻微修改，以符合数据集隐私限制。
图1：MIRA 工作流。MIRA 是一个在 EHR 沙盒中运行的自主医疗 AI agent，可使用一组工具模拟临床工作流：它能下达检查、综合结果、生成诊断和治疗计划，并通过聊天与 patient AI agent 互动；patient agent 基于真实病例回顾性记录中提取的 HPI。左侧为 patient 与 MIRA 的示例对话及交织的工具调用；右侧为执行工具调用并记录医疗输出的 FHIR 架构。图中数据经过缩短和轻微修改，以符合数据集隐私限制。
  • 作者基于 MIMIC-IV 数据库构建 574 例急诊入院病例基准，覆盖 8 类目标疾病：阑尾炎、胆囊炎、憩室炎、胰腺炎、肺炎、尿路感染、肺栓塞和胰腺癌。数据来自 2008-2019 年 Beth Israel Deaconess Medical Center 的去标识化 EHR，研究者限制使用入院后 24 h 内的实验室、微生物、影像、体格检查、用药和操作信息，以模拟急诊初诊场景。
  • 研究设置了两个医生对照队列：4 名 board-certified physicians，以及 6 名混合资历医生队列。人类医生通过图形界面与同一个 patient agent 互动，并可调用与 MIRA 相同的检查、用药和操作工具。主要头对头比较在 311 例病例中完成，疾病构成为胆囊炎 45 例、尿路感染 45 例、肺栓塞 45 例、憩室炎 44 例、阑尾炎 43 例、胰腺炎 42 例、肺炎 26 例和胰腺癌 21 例。
  • MIRA 被设计为一个虚拟医生 agent，能与 patient agent 多轮对话，并在每一轮自主决定是否调用工具。Patient agent 的回答只基于从真实病例记录中抽取的 HPI，不具备外部工具访问能力；MIRA 则可调用 PatientHistory、PhysicalExaminationRequest、LabRequest、UrineRequest、MicrobiologyRequest、RadiologyRequest、MedicationRequest、ProcedureSearch、ProcedureRequest、Plan 和 Admission 等工具。
  • 工具调用通过 FHIR 资源与本地 HAPI-FHIR 服务器交互，药物、实验室、影像和操作请求映射到 ICD、LOINC、ATC、NDC、RxNorm、SNOMED-CT 等编码系统。作者强调其工具空间超过 85,000 个可选项，并通过枚举和 token masking 限制非法参数，避免模型“编造”不存在的检查或请求。

研究结果

1、患者智能体具备高一致性，未观察到过早诊断泄漏

在语义等价问题复测中，patient agent 在 622 个可评价问答对里，原始回答与改写问题回答的一致性为 99.4%（人工评估），原始回答和改写回答与 HPI 的一致性分别为 99.3% 和 99.1%；独立 LLM judge 的结果也接近，分别为 98.9%、98.5% 和 97.8%（Fig.2a）。这说明 patient agent 作为下游模拟评价入口具有较好的可重复性。

信息泄漏审计覆盖 933 个会话案例，没有观察到 premature diagnostic disclosure（0/933，95% CI 0.0-0.4%）。Prior workup disclosure 出现在 31/933 例（3.3%，95% CI 2.3-4.7%），主要集中于胰腺癌病例，作者将其解释为真实就诊时患者可能已知既往检查信息而非泄漏。对 80 例、880 个对抗提示的测试中，同样未观察到过早诊断泄漏（0/880）（Fig.2b,c）。

图2：Patient agent 鲁棒性评估。a，按评价者（医生 reviewer 与独立 LLM judge）和来源组（MIRA、混合资历医生、board-certified physicians）分层的柱状图，显示改写问题下回答稳定性，以及原始/改写回答与 documented patient history 的一致性；数字为计数和百分比（n = 622）。b，按疾病分层的信息泄漏热图，列为病例、行为实验组，分类为无泄漏、无泄漏但披露既往检查、或信息泄漏；未观察到信息泄漏（n = 933）。c，8 类疾病中 11 个对抗提示下 patient agent 行为热图（每病种 10 例，共 n = 880）。
图2：Patient agent 鲁棒性评估。a，按评价者（医生 reviewer 与独立 LLM judge）和来源组（MIRA、混合资历医生、board-certified physicians）分层的柱状图，显示改写问题下回答稳定性，以及原始/改写回答与 documented patient history 的一致性；数字为计数和百分比（n = 622）。b，按疾病分层的信息泄漏热图，列为病例、行为实验组，分类为无泄漏、无泄漏但披露既往检查、或信息泄漏；未观察到信息泄漏（n = 933）。c，8 类疾病中 11 个对抗提示下 patient agent 行为热图（每病种 10 例，共 n = 880）。

2、医疗智能体的诊断准确性达到或超过医生对照

以 574 例 MIMIC-IV 病例的出院 ICD 诊断为参照，MIRA 在 8 类疾病上的平均诊断准确性为 88.9%。阑尾炎最高，为 146/148（98.6%），胰腺炎为 92.3%；肺炎和尿路感染相对较低，分别为 72.4% 和 77.6%。作者也指出，仅以单一 EHR ground truth 评估诊断可能低估或误判部分真实临床语境。

在 311 例头对头比较中，MIRA 的平均诊断准确性为 87.8%，高于 board-certified physicians 的 78.1%（P < 0.001），也高于混合资历医生队列的 71.1%（P < 0.001）。胰腺炎差异最明显，MIRA 为 95.2%，board-certified physicians 为 78.6%（P < 0.05），混合队列为 61.9%（P < 0.001）。胰腺癌中 MIRA 与 board-certified physicians 大体相当，肺栓塞和胆囊炎差异较小（Fig.3a）。

3、工作轨迹接近医生流程，检查选择更贴近基准但非全量开单

动作轨迹分析显示，MIRA 通常从病史采集和初始计划开始，随后请求体格检查、实验室检查、影像、用药、手术/操作，并以住院建议结束；阑尾炎示例中的路径与常规诊疗顺序一致（Fig.3b）。在体格检查方面，MIRA 的捕获率为 97.1%，高于 board-certified physicians 的 87.8% 和混合队列的 88.4%（均 P < 0.001）。

在实验室选择上，MIRA 覆盖 MIMIC-IV 记录血液参数的约 51.1%，高于 board-certified physicians 的 28.3% 和混合队列的 34.6%，但仍低于真实记录中的全部检查，说明不是简单“order everything”。影像和微生物方面，MIRA 与医生差异不稳定，影像请求在非并列比较中略偏向医生更多。按 Tversky distance 衡量与 MIMIC-IV 的整体距离，MIRA 在微生物、血液和影像三类上均更接近基准（Fig.3c）。

图3：MIRA 与 4 名 board-certified physicians 的诊断准确性、推理路径和检查选择表现。a，左侧为 MIRA 在 8 类目标疾病、以 MIMIC-IV 信息为 ground truth 的总体诊断准确性（n = 574）；右侧为 MIRA 与 board-certified physicians 在 matched subset（n = 311）中的头对头诊断准确性比较。误差线为 Wilson 95% CI，配对比较用 two-sided exact McNemar test。b，阑尾炎病例从临床病史到住院的示例推理和行动轨迹；粗箭头表示主要转移，数字表示转移次数。c，体格检查、微生物、血液检查和影像选择相对 MIMIC-IV 或医生对照的 recall 和分布；统计检验包括 exact McNemar test、Wilcoxon signed-rank test，并进行 Holm 与 Benjamini-Hochberg 校正。
图3：MIRA 与 4 名 board-certified physicians 的诊断准确性、推理路径和检查选择表现。a，左侧为 MIRA 在 8 类目标疾病、以 MIMIC-IV 信息为 ground truth 的总体诊断准确性（n = 574）；右侧为 MIRA 与 board-certified physicians 在 matched subset（n = 311）中的头对头诊断准确性比较。误差线为 Wilson 95% CI，配对比较用 two-sided exact McNemar test。b，阑尾炎病例从临床病史到住院的示例推理和行动轨迹；粗箭头表示主要转移，数字表示转移次数。c，体格检查、微生物、血液检查和影像选择相对 MIMIC-IV 或医生对照的 recall 和分布；统计检验包括 exact McNemar test、Wilcoxon signed-rank test，并进行 Holm 与 Benjamini-Hochberg 校正。

4、操作请求和疾病管理召回更多参考干预

在临床操作请求中，MIRA 对阑尾炎和胆囊炎表现最好：其精确匹配了全部腹腔镜阑尾切除（124/124，100%），并匹配了 90.6% 的腹腔镜胆囊切除。计入等效匹配后，阑尾炎操作总 recall 为 100%，胆囊炎为 81.2%。

与 board-certified physicians 头对头比较时，MIRA 在全部 8 类疾病中识别并请求了 53.5% 的相关参考操作，高于医生的 38.3%。按 Tversky distance 衡量，MIRA 与 MIMIC-IV 操作记录的距离为 0.415，优于 board-certified physicians 的 0.556 和混合资历医生的 0.579（P < 0.0001）。但胰腺炎、胰腺癌表现较低，肺栓塞和憩室炎的可评估稀有操作数量也很少，解释时需要考虑样本边界（Fig.4a,b）。

5、药物治疗更符合指南，但并非完全无偏差

指南一致性评估聚焦药物治疗建议，并将胰腺癌排除在该项分析之外，因为其管理常依赖多模态信息。总体上，MIRA 在多个治疗类别上比两个医生队列更符合当前指南；例如胰腺炎中更可能开立静脉补液（相对 board-certified physicians P < 0.001，相对混合资历医生 P < 0.05），并在多数疾病的镇痛治疗中更一致地遵循推荐。

聚合结果显示，MIRA 相对于 board-certified physicians 的平均配对 guideline adherence 差异为 +35 个百分点，相对于混合队列为 +36 个百分点（Wilcoxon signed-rank test，P < 0.001）。不过，MIRA 对抗生素治疗等类别并非 100% 一致，肺炎是该队列中唯一达到 100% 的抗生素治疗类别。因此，结果支持其作为决策支持伙伴的潜力，但仍提示需要病例级安全护栏和主动监控（Fig.4c）。

图4：MIRA 的疾病管理和指南一致性。a，MIRA 在阑尾炎和胆囊炎病例中请求的前五类操作，标出与 ICD 代码的精确和等效匹配；仅显示初始诊断正确的病例。b，MIRA 与 4 名 board-certified physicians 的直接匹配、等效匹配和总匹配比例，95% CI 来自 10,000 次 patient-level bootstrap。c，指南一致性评估，柱状图显示 board-certified physicians 与 MIRA 在预设 guideline criteria 下的病例级 recommendation adherence；误差线为 Wilson 95% CI，统计用配对 exact McNemar test，并用 Benjamini-Hochberg 控制 FDR。
图4：MIRA 的疾病管理和指南一致性。a，MIRA 在阑尾炎和胆囊炎病例中请求的前五类操作，标出与 ICD 代码的精确和等效匹配；仅显示初始诊断正确的病例。b，MIRA 与 4 名 board-certified physicians 的直接匹配、等效匹配和总匹配比例，95% CI 来自 10,000 次 patient-level bootstrap。c，指南一致性评估，柱状图显示 board-certified physicians 与 MIRA 在预设 guideline criteria 下的病例级 recommendation adherence；误差线为 Wilson 95% CI，统计用配对 exact McNemar test，并用 Benjamini-Hochberg 控制 FDR。

6、用药安全、住院决策和扰动鲁棒性较好但仍限于仿真环境

在 56 例 MIRA 输出的盲法安全评价中，未观察到高严重度药物相互作用、肾功能剂量不兼容、过敏-用药不匹配、QT 风险处方或不安全阿片处方。出现 3 例治疗重复相关情况，但均被评估为临床上可理解，主要问题是剂量说明可更明确。另一个处方正确性评估覆盖 56 例、468 条处方，其中 467 条（99.8%）含有相关且临床有用的正确 free-text 剂量说明；数字剂量和单位正确率分别为 97.6% 和 98.3%，给药频率为 99.1%，给药途径最低，为 97.0%（Fig.5a,b）。

在肺炎和肺栓塞住院/出院实验中，共构建 80 个病例变体。MIRA 对需要住院病例的 recall 在两组均为 1.00；肺炎的 specificity 为 0.86，accuracy 为 0.93；肺栓塞的 specificity 为 0.70，accuracy 为 0.85，并有偏向过度住院的方向性错误（P < 0.05）。六类 prompt perturbation 共 480 个配对评价中，校正后未见显著诊断性能下降，提示其在测试的偏置条件下较稳定（Fig.5c-f）。

图5：MIRA 的安全性和鲁棒性评估。a，由盲法 board-certified physician 对 MIRA 与 human physicians 输出进行 50:50 分割评估的疾病管理安全性，横向堆叠条展示 6 个预设安全指标。b，用药处方正确性，各字段显示正确/错误比例，并用 patient-cluster bootstrap 计算 95% CI。c，住院/出院实验的病例构建与合成流程，每例包含 HPI、体格检查、生命体征、影像、实验室检查和用药核对。d，住院/出院 outcome evaluation，包含 2 x 2 confusion heat map 以及 accuracy、precision、recall、NPV 和 F1。e，扰动实验工作流，patient model 在基线 prompt 外加入 6 类 perturbation。f，偏置条件相对基线的 risk difference，含 pooled 和按疾病分析以及 95% paired bootstrap CI。
图5：MIRA 的安全性和鲁棒性评估。a，由盲法 board-certified physician 对 MIRA 与 human physicians 输出进行 50:50 分割评估的疾病管理安全性，横向堆叠条展示 6 个预设安全指标。b，用药处方正确性，各字段显示正确/错误比例，并用 patient-cluster bootstrap 计算 95% CI。c，住院/出院实验的病例构建与合成流程，每例包含 HPI、体格检查、生命体征、影像、实验室检查和用药核对。d，住院/出院 outcome evaluation，包含 2 x 2 confusion heat map 以及 accuracy、precision、recall、NPV 和 F1。e，扰动实验工作流，patient model 在基线 prompt 外加入 6 类 perturbation。f，偏置条件相对基线的 risk difference，含 pooled 和按疾病分析以及 95% paired bootstrap CI。

结论及创新点

MIRA 展示了一个 EHR 集成式医疗 AI agent 的可行原型：在沙盒环境中，它不仅能聊天，还能执行结构化临床工具调用，并在 MIMIC-IV 构建的多病种急诊仿真中达到或超过医生对照的诊断和部分治疗管理表现。其最强证据来自诊断准确性、检查/操作选择、指南一致性、用药安全和住院 recall 等多个互补终点的一致方向。

本文的创新不在于单个医学模型分数，而在于把 LLM agent 放入 FHIR 兼容 EHR 工作流中评估：MIRA 可在超过 85,000 个临床选项中调用实验室、微生物、影像、用药、操作和住院工具，并将输出记录为结构化医疗行为。相比只给出自由文本建议的模型，这更接近未来临床 copilots 的真实接口。

不过，该研究仍是回顾性数据驱动的仿真评价，而非前瞻性真实临床部署。Patient agent 来源于 discharge summary 的 HPI，可能比真实急诊患者表述更结构化；MIMIC-IV 可能与模型训练语料存在不可完全排除的重叠；医生对照队列数量有限，且反映德国急诊 staffing 语境。此外，MIRA 并未达到 100% 可靠性，药物、指南和住院决策仍需 physician oversight、实时安全护栏和前瞻性外部验证。

数据来源及样本情况

分析模块样本/对象用途关键边界
MIMIC-IV 基准队列574 例8 类急诊/住院相关疾病的整体诊断、检查、用药和操作评估单中心去标识化 EHR，2008-2019 年；限制初诊相关信息
头对头医生比较311 例/组MIRA vs 4 名 board-certified physicians；另有 6 名混合资历医生队列医生与 MIRA 使用相同 patient agent 和工具条件
Patient agent 一致性622 个问答对改写问题下回答稳定性与 HPI 忠实度包含 MIRA、混合医生、board-certified physicians 三类来源
信息泄漏审计933 个会话案例评估是否提前透露诊断信息未观察到 premature information leak
对抗提示测试80 例、880 个 prompt评估 prompt-injection/social-engineering 下信息泄漏prior workup disclosure 不计作泄漏
用药安全56 例、468 条处方盲法安全评价和处方字段正确性安全屏幕为子集评价
住院/出院任务80 个构建病例肺炎和肺栓塞 admission/discharge基于 CURB-65 和 sPESI 相关临床信息构建
扰动实验480 个配对评价六类 bias perturbation 下诊断稳定性prompt-level 偏置，不等同于真实世界公平性验证

参考文献

Ferber, D., Hilgers, L., Höper, C. et al. Towards autonomous medical artificial intelligence agents. Nature (2026). https://doi.org/10.1038/s41586-026-10675-5

视觉摘要

视觉摘要图：EHR 沙盒中的 MIRA 自主医疗 AI agent 从病史采集、工具调用到诊断治疗与安全治理边界的流程图。
视觉摘要图：EHR 沙盒中的 MIRA 自主医疗 AI agent 从病史采集、工具调用到诊断治疗与安全治理边界的流程图。

MedArt解读

📌 一句话结论： MIRA 在 EHR 沙盒仿真中把 LLM 从“建议者”推进到可执行临床动作的 agent，并在多项回顾性基准上达到或超过医生对照。

🔬 研究设计与核心方法： 研究基于 574 例 MIMIC-IV 病例构建急诊工作流，让 MIRA 通过 FHIR 工具调用完成病史、检查、诊断、用药、操作和住院决策，并与医生队列比较。

📊 核心发现： 在 311 例头对头比较中，MIRA 诊断准确性为 87.8%，高于 board-certified physicians 的 78.1%；用药安全、指南一致性和 admission recall 也表现较好。

💡 研究价值与应用提示： 这项工作证明 EHR-integrated agent 有望承担受监督的高频临床任务，但证据仍来自沙盒仿真，必须经过前瞻性真实世界验证后才能进入临床闭环。

本文仅作学术学习翻译，译文若有疏漏，欢迎批评指正；原文版权归文献方所有，本文内容非商用，如涉及侵权，敬请留言联系我们删除。信息发布、删除请联系邮箱：medartnews@163.com。

@ 发布丨阿岚的AI手记

最后，感谢你看到这里👏 如果这篇文献的思路对你有所帮助 不妨顺手给我们 点赞｜在看｜转发｜评论 📣 如果想要第一时间收到推送，不妨给我个星标🌟 更多的内容正在不断🌱中……