把事实核查嵌入诊疗流程：MedGuard给「诊疗安全」当守门人
详细介绍
互联网诊疗让患者随时随地能看上医生，但也让诊疗风险的呈现方式发生了根本变化。
将复杂诊疗过程拆解为可核查的医学事实
MedGuard 的思路是：将复杂的医患交流拆解为一组可独立验证的原子医学声明（atomic medical claims）。所谓原子医学声明，是指每条声明只表达一个可以独立判断真伪或风险的临床命题，例如 “该影像表现可排除脂肪肝” 或 “当前剂量适用于该年龄患者”。
图 1 展示了 MedGuard 对真实问诊案例的事实核查过程。系统从诊疗交流中提取关键医学声明，并结合医学证据识别潜在风险。
图 2 展示了 MedGuard 的证据核查闭环流程：系统围绕待核查医学声明，通过规划器生成检索策略，调用医学知识资源获取证据，并由推理模块结合声明与证据输出最终风险判断。
图 3 展示了 MedGuard 的医学知识底座与证据推理过程：系统分别从疾病和药物知识库中提取相关证据，并形成支撑最终风险判断的 Evidence Chain。
在细粒度与粗粒度对话评估中，MedGuard 均表现出稳定的风险识别能力。基于 7B 参数量级构建，细粒度对话级风险识别任务中达到 SOTA 水平，整体优于主流开源模型与 HealthCareAgent 等代表性医疗 Agent 系统，其中 F1 相比基线平均提升 22.1%，粗粒度评估提升 5.8%；其中，作为事实核查入口的声明抽取能力相比其他大模型平均提升 23.2%。在按治疗类别、身体系统、年龄和语义标签划分的 41 个子类中，平均 F1 达到 0.77，38 个子类进入前三，22 个子类排名第一。
图 4 展示了 MedGuard 在细粒度、粗粒度风险识别以及医学声明抽取任务上的性能表现，验证了其对复杂医疗语境中关键风险的识别能力。
图 5 展示了 MedGuard 的多维临床评价结果，包括不同评价维度得分、科室覆盖范围以及医生评分一致性分析。
MedGuard 最终不是一个独立的问诊系统，而是一层可嵌入医疗服务流程的安全基础设施。它可以接收完整问诊记录、医生诊疗结论或 AI 辅助生成的诊疗建议，对其中的关键医学事实进行核查，并输出结构化结果：待核查声明 — 风险等级 — 支持证据 — 解释与修正建议。