今天在尿液标志物微信群里分享了一篇JAMA系列杂志的文章。针对尿液药物检测（UDT）人工解读耗时、常规生成式大语言模型存在幻觉风险且临床落地困难的痛点，构建了一套由BART大模型标注历史检测报告、XGBoost模型预测药物使用状态、结构化模板生成检测初步签署文本的非生成式人机协同AI系统，依托83553份患者尿液样本完成模型训练与验证，结果显示该AI对26类物质的使用模式预测准确度极高，绝大多数物质AUC超0.99，文本标注准确率达99.9%，上线前模拟测试中单独使用AI可缩短每份报告签署时长28.5秒、提升23%工作效率，搭配用药自动导入工具可实现51%效率提升，7成AI生成报告无需医师修改，仅3.5%因判读错误被人工修正，2025年正式部署后多数检验医师高频使用该工具，模型在不同人口亚组性能稳定；研究证实这套无幻觉风险、符合实验室监管要求的AI工具能在不降低诊疗质量的前提下显著优化毒理检验工作流，同时指出研究存在单中心、验证样本量有限等局限，为各类病理检验项目落地合规临床AI提供了可复制技术范式。

可惜只关注了AI用于尿液药物检测。如果能把同样的思路用于尿里的蛋白质组，代谢组，核酸等信息，医学对（几乎）所有的疾病都会有一个全新的认识。可喜的是现在看技术上已经不存在任何障碍了。唯一缺的是对这个领域潜力的认知。

人工智能系统在临床尿液药物检测报告签发中的开发与实施  JAMA Netw Open. 2026 Jun 1;9(6):e2619816. doi: 10.1001/jamanetworkopen.2026.19816.Development and Implementation of an AI System for Generating Clinical Urine Drug Test Sign-Outs

支持单位：