面向大语言模型临床推理评估的评分量表全景：现存、缺失与需组合之处

一篇 arXiv 综述梳理了临床推理能力评估工具的三类文献：医学教育评估工具、2023 年以来的临床 LLM benchmark，以及通用领域长文本生成评估方法。作者从问题表征、时间合成、鉴别与管理推理、反事实推理、校准不确定性、推理忠实度六个维度比较后发现，没有任何单一工具能覆盖全部六个维度；忠实度最薄弱，仅有一项针对多选题的临床因果消融研究。

此前临床 LLM 评估多依赖考试式准确率，无法说明模型是否真正在病历上推理。该综述首次系统对照医学教育与通用评估两条脉络，明确指出六维覆盖缺口，把评估讨论从分数高低转向工具组合与维度完备性。

临床推理被定义为跨时间与来源整合、更新证据以形成并修正患者问题表征和可辩护方案。考试式准确率无法测量这一过程，因此需要按维度拆解：问题表征与鉴别推理已有覆盖，时间合成由 TIMER-Eval、ER-Reason 等针对，不确定性与反事实评估刚起步，忠实度因缺乏临床因果消融研究而最弱。

对医疗 AI 产品团队而言，单看 benchmark 分数不足以支撑临床落地判断。研发需按六维分别设计评测集，把完整性与正确性分开计分，并针对时间合成、不确定性校准和忠实度补充内部测试，否则模型在长病历自由文本场景的表现无法被现有工具验证。

• 构建覆盖六维的内部临床推理评测集，将完整性得分与正确性得分分开记录。
• 在评测流程中引入案例特定重要性加权与不可补偿的安全上限规则。
• 针对时间合成与诊断信念更新，复现或接入 TIMER-Eval、ER-Reason 类评测方法。
• 为不确定性校准与推理忠实度设计自由文本场景的专项测试，填补现有空白。

• 该综述为预印本，尚未确认是否经过同行评审及最终发表版本是否调整结论。
• 六维评分量表的具体条目与权重设计在证据截断处未完整给出。
• 组合现有工具后各维度评测的实际可靠性与跨机构一致性尚未验证。
• 唯一一项临床因果消融研究仅覆盖多选题，能否推广到长文本推理存疑。