记录员结果 / 2026年9月22日
Hanah
使用已存储的转录稿，10 场问诊共 5 个已评分轮次的平均值。 本地预览——Hanah 病历于 2026 年 10 月 11 日使用 GPT-6.1 Sol（低推理强度）重新生成：10 场问诊共 50 份病历，每场使用五个已存储的转录稿版本。另有两场问诊尚待生成新的 Hanah 病历。WER 和转录相关证据保留原始采集日期；其他记录员保留现有结果。新病历由 Sonnet 5.5（中等推理强度）进行盲评，随后进行非盲的智能体审核；结果为暂定，未经独立临床医生验证。Hanah 的用时为估算值：按指令生成病历的等待时间采用实测的 API 生成时长加 2 秒就绪余量；病历定稿用时在此基础上加上估算的审阅和修正时间。两者均不含转录定稿和应用开销，有待实际重新运行。。
1分33秒病历定稿用时 · 排名 1/6
30%无需修改即可定稿的病历 · 排名 1/6
12.2病历错误（Weiner 等标准） · 排名 1/6
0.36每份病历幻觉标记数（Weiner 等标准） · 排名 1/6
12.8%词错误率 · 排名 1/6
全部指标
| 指标 | 平均值 | 各轮范围 | 排名 |
|---|---|---|---|
| 病历定稿用时从按下停止到生成被评分病历的等待时间，加上审阅时间：即如果立即审阅，病历需要多久才能定稿。 | 1分33秒 | 1分30秒–1分35秒 | 1/6 |
| 无需修改即可定稿的病历完整记录了该问诊事实清单中每一项事实、且没有幻觉标记，因而无需任何编辑的病历所占比例。 | 30% | 20%–40% | 1/6 |
| 编辑工作量0% 表示无需编辑；100% 表示亲自撰写整份病历。各项修正按所需工作量加权：部分记录的事实计 1，遗漏的事实计 2，幻觉标记计 3，事实记录错误再加 2。 | 4% | 3%–5% | 1/6 |
| 每份病历审阅时间临床医生校对并修正一份病历的估算用时（阅读速度 190 wpm；每个遗漏或部分记录的事实，回忆用时 5 s，并以 40 wpm 输入；每个幻觉标记核实并删除用时 12 s，包括重新输入之前的错误事实）。 | 1分24秒 | 1分20秒–1分26秒 | 1/6 |
| 最差病历（任意轮次）在所有病例和轮次中，审阅和修正耗时最长的单份病历。 | 2分36秒 | — | 1/6 |
| 每份病历节省的时间亲自撰写病历所需的时间（8.1 min，即 Apathy 等 2023 的中位数）减去审阅时间。 | 6分42秒 | 6分40秒–6分46秒 | 1/6 |
| 比亲自撰写更快审阅并修正一份病历比亲自撰写（8.1 min，即 Apathy 等 2023 的中位数）快多少。负值表示更慢。 | 83% | 82%–83% | 1/6 |
| 每份病历错误数（Weiner 等标准）对照一份清单（列出问诊中所说的、与患者病情、症状或体征相关的每一项事实，Weiner 等 2020），病历遗漏或仅部分记录的相关事实，加上每一个幻觉标记（与 Weiner 等相同，错误的细节计两次）。12 个病例中每份病历的平均值。 | 1.22 | 1.10–1.30 | 1/6 |
| 病历错误（Weiner 等标准）对照一份清单（列出问诊中所说的、与患者病情、症状或体征相关的每一项事实，Weiner 等 2020），病历遗漏或仅部分记录的相关事实，加上每一个幻觉标记（与 Weiner 等相同，错误的细节计两次）。12 个病例中每轮的总数。单纯计数见“幻觉标记”。 | 12.2 | 11.0–13.0 | 1/6 |
| 进入病案记录的错误，每 100 份病历（估算）每 100 份病历的病历错误（Weiner 等标准）乘以 70%：在 Biro 等（2025）的研究中，全科医生审阅 AI 草稿时，每个预埋错误有 65–75% 的情况未被纠正。这是对一次典型审阅会放过多少错误的估算，覆盖 12 个病例。 | 85 | 77–91 | 1/6 |
| 错误较医生亲自撰写的病历减少与 Weiner 等（2020）对照就诊录音核查医生病历时发现的每份病历 5.0 个错误相比。我们的测试计数比他们更严格，因此这一比较对医生有利。100% 表示没有错误；低于 0% 表示错误多于医生。覆盖 11 个病例。 | 76% | 74%–78% | 1/6 |
| 每份病历幻觉标记数（Weiner 等标准）病历中记录了、但问诊内容并不支持的每一个临床要素，包括错误的数值、侧别、剂量和时间：即 Weiner 等（2020）所说的作为性错误。对所说内容的转述以及相应的临床术语不计入。12 个病例中每份病历的平均值。 | 0.36 | 0.10–0.60 | 1/6 |
| 每份病历编辑操作数每份病历中临床医生需要修正的遗漏项、部分记录项和幻觉标记。 | 1.22 | 1.10–1.30 | 1/6 |
| 临床覆盖率病历记录下的内容占各场问诊事实清单的比例（部分记录计为一半）。 | 98% | 97%–99% | 1/6 |
| 每轮重大转录错误数改变临床含义的听错词语，经盲评判定，覆盖 12 个病例。 | 8.6 | 8.0–10.0 | 1/6 |
| 词错误率每轮对照人工参考转录稿计算的合并词错误率。每个词同等计数，包括语气词。 | 12.8% | 12.4%–13.7% | 1/6 |
| 停止至按指令生成病历每轮中，从按下停止到按我们的指令写成病历所需时间的中位数。 | 10秒 | 10秒–11秒 | 1/6 |
| 每次问诊数据量每轮中每次问诊的平均网络数据量。 | 9.1 MB | 9.1 MB–9.3 MB | 1/6 |
| 平均内存（压力测试）在一场连续 50 分钟的压力测试问诊中每分钟采样一次的物理内存占用（macOS `footprint`，与“活动监视器”的“内存”列一致）——独立于上方的 12 病例测试集。所有记录员在同一台机器上同时录制这次就诊，因此绝对值反映的是它们之间对共享资源的争用，而非单独运行时的实际使用情况。此处请在记录员之间相互比较，而不要与设备的规格表比较。 | 1103 MB | 1067 MB–1178 MB | 2/6 |
| 平均 CPU（压力测试）在同一场连续 50 分钟压力测试问诊中每分钟的 CPU 使用量，计算方式为累计消耗的 CPU 秒数除以实际经过的时间（记录员使用多个核心时可超过 100%）。所有记录员在同一台机器上同时运行。 | 28.6% | 26.2%–34.0% | 1/6 |
定义和权重详见测试方法。 将 Hanah 与其他记录员正面比较 ↗
问诊
问诊