结果 · 发布于 2026年10月21日

全科医生最佳 AI 医疗记录员

在全科问诊中，Hanah 是我们测试过的表现最好的 AI 医疗记录员。 在六次问诊中的每一次，它的病历定稿用时都排名第一，病历错误也都最少。Heidi 排名第二，Lyrebird 排名第三。

测试内容

这些问诊是来自 PriMock57 的全科医生视频问诊，PriMock57 是一个公开的模拟初级保健问诊数据集。六款 AI 医疗记录员通过各自的网页应用对每次问诊各录制 5 次，每份病历都对照问诊中所述的临床事实进行盲评。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。

基准测试共有八次 PriMock57 问诊。本排名涵盖每款记录员都已发布病历的六次：胃肠炎、湿疹、胸痛、过敏反应、情绪低落和泌尿系统症状。Hanah 在心力衰竭和疑似 TIA 问诊中的病历尚未纳入已发布的结果，这两次问诊不计入任何记录员的平均值。Hanah 已发布的病历于 2026 年 10 月 11 日重新生成，其按下停止后的等待时间是根据实测生成时间得出的估计值。

结果

在这六次问诊中，问诊结束后 Hanah 病历平均在 1 分 50 秒后即可定稿。它捕获了 98% 的事实，每份病历有 1.5 处病历错误和 0.4 个幻觉标记。审阅并修改它所用的时间比自己撰写病历少 79%，30% 的 Hanah 病历按原样即可定稿。在六次问诊中，Hanah 最慢的一轮用时 2 分 46 秒，比其他所有记录员的平均用时都快。

Heidi 以 3 分 31 秒排名第二，每份病历有 9.9 处病历错误，覆盖率 79%；它的幻觉标记数第二少，为每份病历 1.3 个。Lyrebird 以 3 分 56 秒排名第三。Freed 的病历错误数第二少，为 8.5 处；覆盖率第二高，为 87%；病历定稿用时为 4 分 51 秒。

Hanah 的词错误率最低，为 14.0%，Heidi 为 14.6%，CliniScripts 为 14.8%。

各次问诊结果

表中时间为各记录员在该次问诊中的平均病历定稿用时。

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。
• 同一位患者说阿司匹林会让他们肿起来。Heidi、Freed 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。
• 在胃肠炎问诊中，医生说不需要使用抗生素。Hanah 在每一轮中都记录了这一点，Lyrebird 在 5 轮中有 4 轮记录了。Heidi、Freed 和 PatientNotes 在每一轮中都遗漏了。
• 在情绪低落问诊中，患者表示既往没有任何心理健康方面的诊断。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。
• 在泌尿系统症状问诊中，医生说无需进行尿液检测即可治疗感染。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 的转录稿在全部 5 轮中都出现了没有人说过的奥美拉唑（omeprazole），并且每一轮都遗漏了比索洛尔（bisoprolol）。

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。