结果 · 发布于 2026年10月3日

心脏病学最佳 AI 医疗记录员

在我们基准测试的两次心脏问诊中，Hanah 都是我们测试过的表现最好的 AI 医疗记录员。 在每次问诊中，它的领先幅度都超出了误差范围。

测试内容

两次问诊均为 PriMock57 数据集中的全科医生视频问诊。在第一次问诊中，患者来电称出现了约两个小时的压迫样胸部不适，伴恶心、出汗和呼吸困难，医生考虑可能是心脏病发作，呼叫了救护车。在第二次问诊中，一名已知患有心力衰竭的患者呼吸困难在两周内逐渐加重，医生安排了血液检查和超声心动图。

六款 AI 医疗记录员对每次问诊各录制 5 次，每份病历都对照问诊中所述的临床事实进行盲评：胸痛问诊 33 条，心力衰竭问诊 53 条。我们按病历定稿用时对记录员排名，即按下停止后的等待时间，加上临床医生审阅病历并修正错误所需的时间。录音、转录稿、病历和评分理由见胸痛和心力衰竭测试页面。

胸痛

问诊结束后，Hanah 病历平均在 2 分 9 秒后即可定稿。它捕获了 98% 的事实，每份病历有 2.2 处病历错误。审阅并修改它所用的时间比自己撰写病历少 78%。Hanah 最慢的一轮也比其他所有记录员的平均用时更快。

CliniScripts 以 2 分 58 秒排名第二，覆盖率 86%，病历错误 5.8 处。在这次问诊中，CliniScripts 的幻觉标记最少，为每份病历 0.2 个；词错误率也最低，为 16.9%，Hanah 和 Heidi 并列 17.2%。Heidi 以 3 分 25 秒排名第三，Lyrebird 以 3 分 32 秒排名第四。

心力衰竭

这次问诊包含的事实是整个基准测试中最多的。问诊结束后，Hanah 病历平均在 4 分 12 秒后即可定稿，审阅用时 3 分 46 秒。它捕获了 88% 的事实，每份病历有 9.8 处病历错误和 1.2 个幻觉标记，两项均为最少。

Heidi 以 6 分 20 秒排名第二，Freed 以 6 分 59 秒排名第三，Lyrebird 以 7 分 5 秒排名第四。Freed 的病历错误数第二少，为 15.4 处。Heidi 的词错误率最低，为 15.3%，CliniScripts 为 15.4%，Hanah 为 16.3%。在改变临床含义的误听词方面，Hanah 和 CliniScripts 持平，均为每轮 1.2 处。

发现

• 在胸痛问诊中，患者表示除阿司匹林外没有其他过敏。Hanah 在每一轮中都记录了这一点，其他所有记录员在每一轮中都遗漏了。
• 患者说阿司匹林会让他们肿起来。Heidi 和 Lyrebird 在全部 5 轮中都把“swell up”（肿起来）转录成了“swallow”（吞咽）。Hanah 和 CliniScripts 每次都听对了。
• 在心力衰竭问诊中，患者每天服用一片呋塞米，但不知道剂量。Hanah 在每一轮中都记录了这一点，其他记录员在任何一轮中都没有完整记录。
• 在全部 5 轮心力衰竭测试中，Heidi 都把呋塞米（furosemide）转录成了“fruit”（水果）。Lyrebird 在 5 轮中有 4 轮把比索洛尔（bisoprolol）听成了“omeprazole”（奥美拉唑）。

我们的 Heidi 评测介绍了 Heidi 在全部 12 次问诊中的表现，并附有视频讲解。

本文数据来自 ScribeStandard 基准测试。请查看完整结果、各项测试以及测试方法。