上海临床研究中心聚焦临床医学与人工智能的深度融合，致力于推动AI技术在真实医疗场景中的可信应用与转化落地。近期，中心李寒露、姜畅医师与上海科技大学信息科学与技术学院李权课题组（交互智能与可视分析实验室ViSeer LAB）紧密合作，围绕面向医生的医患沟通排练系统开展研究，相关成果被人机交互领域专业国际会议ACM DIS 2026接收，并获Best Paper Honorable Mention。

在临床工作中，医生常常需要在有限时间内向患者解释复杂的疾病机制、诊断依据和治疗方案。然而，由于医学知识背景和健康素养存在差异，患者容易被专业术语、复杂概念和不熟悉的医学表达阻隔在外。医生具备专业判断能力，但在高压门诊或病房沟通中，未必总能迅速找到既准确又易懂的表达方式。对于低年资医生而言，如何在保证医学准确性的同时，让患者真正听懂关键风险与治疗逻辑，是传统医学教育中长期缺乏系统训练的能力。

针对这一问题，上海临床研究中心李寒露、姜畅医师与李权课题组联合开发了一套面向医生的医患沟通排练系统MediMate，为医生提供低风险、可重复、可反馈的练习环境，帮助其在真实沟通前完成解释内容的组织、类比表达的构建和模拟患者反馈训练，使医患沟通能力从依赖个人经验，逐步转化为可以拆解、排练和改进的训练过程。

图1. 医患沟通中的理解鸿沟与MediMate的设计目标。患者常因医学术语和信息不对称难以理解病情，MediMate通过辅助医生生成更简洁、可理解、以患者为中心的解释，促进医患之间的共同理解

MediMate的核心创新体现在三个方面。首先，系统支持医学信息的结构化提取与重点筛选。医生可基于脱敏患者档案，围绕疾病机制、诊断证据、治疗及预后等维度生成初步解释内容，并根据本次沟通目标进行删减和调整。这一过程帮助医生从“尽量讲全”转向“优先讲清”，将患者此刻最需要理解的信息放在前面。其次，系统引入类比与隐喻构建机制，帮助医生把抽象医学概念转化为患者熟悉的日常经验。MediMate会从医学解释中提取关键词，并结合词汇联想资源生成候选关联概念，再由医生选择、调整和组合，形成更贴近患者背景的解释方式。医生始终保留对解释内容的控制权，可根据医学准确性和患者具体情况进行修改，避免生成内容偏离临床本质。第三，在模拟训练阶段，系统通过大语言模型生成不同类型的患者反馈，让医生在对话中检验自己的解释是否清楚。MediMate设置了不同沟通风格的模拟患者，例如持续追问型患者和目标明确型患者。医生完成解释后，模拟患者会提出困惑、追问或误解性问题，促使医生进一步调整措辞、补充信息或澄清边界。系统还支持将类比解释转化为辅助图像，帮助医生从视觉角度检查解释是否直观、是否可能造成误导。

图2. MediMate系统界面与训练流程。系统包括患者信息查看、医学信息提取、关键词联想、类比隐喻生成、图像辅助理解及模拟患者对话排练等模块，形成从准备到演练再到反思的闭环训练流程

为验证系统效果，研究团队开展了对照实验，招募临床经验不足2年的低年资医生完成面向模拟患者的诊断解释任务，并由真实患者代表和高年资医生对其表现进行评价。结果显示，与无结构AI辅助工具相比，使用MediMate的医生认为本系统可用性强，对自己的解释更有信心，在准备过程中的心理负担更低。参与者普遍认为，系统能够帮助其更清晰地组织医学概念，并通过类比和模拟反馈提升解释的可理解性。多数使用MediMate的参与者在一次迭代后即可形成较为满意的患者解释内容。

该研究进一步提示，医疗人工智能的价值可以延伸到医患沟通、医学教育和低年资医生培训等场景。AI作为医生的“排练伙伴”和“反思工具”，能够在真实临床交流发生前，帮助医生发现表达中的术语障碍、逻辑断点和潜在误解，从而提升沟通质量和患者理解度。

该研究以“MediMate: Co-Crafting Patient-Centered Medical Explanations Using LLMs as a Rehearsal Partner”为题被ACM DIS 2026接收，并获Best Paper Honorable Mention。ACM DIS 2026于2026年6月13日至17日在新加坡召开。

论文链接：https://doi.org/10.1145/3800645.3812891

课题组主页：https://viseerlab.cn/