首页 > 文章详情

2026 WCLC | 人工智能生成摘要用于肺癌多学科癌症会议中的准确性与安全性：一项前瞻性试点研究

09月03日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Mini Oral

Session Title

MO13. Global Challenges and Solutions in Lung Cancer Management

摘要号

MO13.07

英文标题

Accuracy and Safety of AI-generated Summaries in Lung Multidisciplinary Cancer Conferences: A Prospective Pilot Study

中文标题

人工智能生成摘要用于肺癌多学科癌症会议中的准确性与安全性：一项前瞻性试点研究

讲者

Luxiga Thanabalachandran

讲者机构

Queen's University/ Cancer Centre of Southeastern Ontario

引言

多学科癌症会议（MCCs）对高质量肺癌诊疗至关重要，整合了分期、放射学、病理学及多模式治疗规划方面的多学科专业知识。尽管具有重要临床意义，MCC记录仍存在耗时高、质量参差不齐且常出现延迟的问题，导致胸科肿瘤诊疗路径效率低下。人工智能（AI）为提升记录效率和标准化提供了潜在解决方案，然而在肺癌MCC工作流中开展的前瞻性真实世界评估仍较为有限。本研究评估了AI辅助摘要生成在虚拟肺癌MCC中的准确性、安全性、临床医生采纳率及操作影响。基于自我们此前ASCO 2026投稿以来新增三个月的扩展前瞻性实施数据，我们报告了关于医生采纳率、实施后调查结果以及针对肺癌的AI辅助MCC记录分析的更新发现。

方法

我们在加拿大安大略省东南部癌症中心（一所地区性学术癌症中心）开展了一项前瞻性试点研究。自2025年10月起，经医院批准的AI系统（Microsoft Copilot）通过Microsoft Teams整合至所有虚拟肺癌MCC中，会议过程被录制并转录。结构化提示词由多学科利益相关者共同制定，并通过迭代式计划-执行-研究-行动循环进行优化，以契合肺癌工作流程。AI生成的摘要与临床医生撰写的电子健康记录（EHR）文档由两名独立评审员进行比较。评审者间信度采用Cohen’s κ统计量进行评估。主要终点为关键临床内容的一致性，包括分期、放射学、病理学及治疗建议。次要终点包括病例识别准确性、记录及时性、临床医生采纳率及安全性（以影响临床决策的重大差异定义）。实施前后问卷评估了临床医生对记录负担的感知、AI整合准备度及用户体验。

结果

共评估了123例肺癌MCC病例，涵盖实施前（n=62）和实施后（n=61）阶段，其中分别有7例和15例缺乏可用的EHR记录。一致性评估的评审者间一致性较高（Cohen’s κ = 0.87）。病例识别准确性较高，病例编号符合率为94%，病历号符合率为98%，患者姓名缩写符合率为98%，报告者符合率为99%，诊断符合率为99%，癌症分期符合率为100%。大多数差异为轻微差异，且随时间推移逐渐减少。临床内容一致性较高，其中讨论摘要为99%，放射学为99%，病理学为97%，治疗计划/后续步骤为95%。影响关键临床决策的重大差异发生率为0.8%。所有AI生成的摘要均在24小时内完成交付，每例病例的中位文书准备时间为13分钟。实施前调查显示临床医生具备较强的准备度。实施后，在选择加入的工作流程下，AI摘要被直接整合（复制粘贴）至28%的病例中，并在其他多数病例中作为记录参考，采纳率随时间逐步提升。实施后调查证实了临床医生的积极评价，受访者报告记录效率有所改善，并对摘要准确性保持持续信心。未发现医生报告的安全性相关问题。

结论

在这项针对肺癌MCC的前瞻性真实世界研究中，AI辅助摘要生成展现出高准确性、强安全性表现以及记录负担的减轻。随时间的推移，采纳率逐步增加，提示临床医生在常规胸科肿瘤工作流程中的接受度正不断提升。在强制性临床医生监督下，该方法代表了一种可行且可扩展的策略，用于优化多学科肺癌诊疗的实施与记录。