探讨 DeepSeek 在护理工作中的应用场景及面临的挑战和应对策略

来源期刊：广州医药 | 591-598 发布时间：2025-05-20 收稿时间：2025/6/16 17:20:02 阅读量：357

作者：: 黄慧瑛,

欧阳汉栋,

林胜钊,

关键词：: 通用人工智能 DeepSeek 临床护理; artificial general intelligence DeepSeek clinical nursing

DOI：: 10. 20223 / j. cnki. 1000-8535. 2025. 05. 003

收稿时间：: 2025-03-02
修订日期：
接收日期：
引用总数：: 0

目的本文聚焦DeepSeek这一国产人工智能技术，结合护理临床实践，系统探讨其在护理场景中的应用潜力、现存问题及应对策略。方法检索国内外相关文献，与现有通用人工智能技术对比，进行综述，并提出思考和建议。结果预计DeepSeek在护理文书自动化、个性化护理方案生成、临床决策支持、护理质控及教育培训等提供适配应用路径，针对性的服务和解决方案等。结论 DeepSeek可通过多模态技术整合与跨平台互补策略，推动护理服务向智能化、精准化方向发展，为缓解护理人力短缺、优化资源分配提供新思路。

信息产业变革，大数据的积聚及网络设施的演进，驱动人工智能加快与医学领域融合^［1］。护理作为医疗体系的重要环节，亟需通过技术升级应对人力短缺、效率瓶颈及服务质量提升等挑战。DeepSeek作为国内专注于通用人工智能（artificial general intelligence，AGI）^［2-5］研发的企业，其技术路线覆盖深度学习、强化学习与多模态模型等方向，具备在护理场景中落地的潜力。本文通过分析现有AGI技术在护理中的应用案例，结合DeepSeek的技术特性，提出其潜在临床护理中的适用场景，针对潜在风险提出应对策略，为护理智能化转型提供新思路。

1 DeepSeek 在护理临床工作中的适用场景

护理工作复杂多变，AGI技术的应用，一定程度上满足了临床需求，如：提高工作效率^［6-11］，提供精准护理服务^［12-15］，减少护士重复性工作，提高患者满意度^［16-17］，缩短时间成本^{［11，18-19］}，推动临床护理教学模式的变革^［20-21］。

DeepSeek根据用户指令直接生成文本内容，排除过渡性信息，缩减用户筛选、判断信息，并保存先前的对话信息，进行与当前话题连贯和相关的对话，为用户提供即时、准确和个性化的信息，能自我学习和递归改进自身代码，提高自我改进的能力^［22-24］，研究团队使用DeepSeek过程中，发现其具备超强的学习功能，承认自身不足，识别简单的诱导性问题的能力。DeepSeek的技术路线涵盖的关键方向，匹配相应的临床护理工作适用场景，见表1。

表一 DeepSeek技术路线与临床护理匹配的适用场景

技术路线类别	具体实施内容	临床护理匹配的适用场景
算法创新
深度学习优化	- 引入高效优化器（如AdamW、LAMB）和正则化技术（如Dropout、Label Smoothing） - 采用混合精度训练（Mixed Precision Training）减少内存占用并加速计算	- 优化护理数据分析，提升患者风险评估和病情预测的准确性 - 加速护理决策支持系统的响应速度
强化学习	- 利用深度Q网络（DQN）、策略梯度方法 - 应用于机器人控制等复杂环境中的自主决策任务	- 开发智能护理机器人，协助患者康复训练或日常护理 - 优化护理资源调度，如护士排班、病床预约分配、门诊分诊、通过护理电子病历系统建议派发护理专业小组专业、多学科MDT等会诊、护理查房任务
迁移学习	- 将自然语言处理等领域的知识迁移到计算机视觉等领域 - 减少对新领域数据的需求，加速模型收敛	- 将其他医疗领域（如影像诊断）的模型迁移到护理领域，用于患者病情监测或护理效果评估 - 减少对护理领域标注数据的依赖，快速构建各专科个性化护理专用模型
模型架构
大规模预训练模型	- 开发和应用GPT-4、BERT等大规模预训练模型 - 提升自然语言处理、计算机视觉等任务的表现	- 构建护理知识问答系统，帮助护士快速获取护理指南、行业标准、医学知识 - 开发患者语音或文本交互系统，用于病情记录或心理支持等评估
多模态模型	- 构建CLIP、DALL-E等多模态模型 - 处理文本、图像、音频等多种数据类型，增强综合认知能力	- 结合患者病历文本、影像数据和生理信号，提供全面的护理决策支持 - 开发多模态患者监测系统，基于电子健康记录：患者病史、用药记录、实验室结果等；传感器数据：可穿戴设备采集的生理数据；护理记录：患者活动能力、跌倒史、DVT风险因素（如卧床时间、手术史）；影像数据：预测防跌倒模型、深静脉血栓模型等
数据处理
高质量数据集	- 构建和利用ImageNet、COCO、WebText等高质量、多样化数据集 - 提升模型的泛化能力和鲁棒性	- 构建护理领域专用数据库：如患者护理记录、护理查房、会诊、疑难病历讨论、康复评级、护理风险评估单、专科护士人才库等 -多种护理场景（如急诊、重症监护、家庭护理）中测试模型性能，确保其泛化能力；为不同患者群体（如老年人、儿童、慢性病患者）构建个性化模型，同时保留通用特征；在模型开发过程中引入护士和护理专家的意见，确保模型符合实际护理需求；收集患者反馈，优化模型的个性化推荐和交互功能。
数据隐私与安全	- 采用差分隐私（Differential Privacy）、联邦学习（Federated Learning）等技术 - 确保用户隐私和数据安全，符合GDPR等法律法规	- 在护理数据共享和分析中保护患者隐私 - 开发符合医疗数据安全标准的护理信息系统
计算资源
高效计算平台	- 开发和利用NVIDIA DGX、Google TPU Pod等高效计算平台 - 支持大规模模型的训练和部署	- 支持护理领域大规模数据分析，如患者群体健康趋势预测 - 加速护理模型的训练和部署，提升护理效率
分布式计算	- 采用Horovod、Ray等分布式计算技术 - 提升计算资源利用率和模型训练速度，处理更大规模的数据和模型	- 支持多中心或跨区域的护理数据协同分析 - 提升护理资源调度和管理的效率
应用场景
行业解决方案	- 护理措施执行效果、护理创新流程改进、护理质控评估 - 护理教育领域：个性化学习推荐系统	- 开发个性化护理方案，根据患者病情和历史数据提供定制化护理建议 - 构建护理质量评估系统，监测护理效果并优化护理流程
智能助手	- 开发虚拟客服、语音助手等智能临床护理助手产品 - 提供对话式人工智能语音系统：提升用户体验	- 开发护理助手，帮助护士完成日常任务（如：记录患者数据、提醒用药） - 提供健康宣教，围手术期宣教等床旁医疗、护理健康宣教，通过语音或文本互动缓解患者焦虑，协助患者获取疾病、手术等相关信息，辅助护理健康宣教实施
合作与开源
护理多学科交叉合作	- 与高校、创新科技公司、专业研究机构合作 - 推动AI技术的创新与发展，开展联合研究项目和学术交流	- 与护理学院或医学院，高校，医疗器械公司等，合作开发基于AI的护理研究项目 - 推动护理领域的技术创新，如智能护理设备或护理数据分析工具
护理领域技术开源	- 积极参与GitHub、Hugging Face等开源社区 - 共享模型、工具和数据集，促进AI技术的普及和应用	- 开源护理领域专用模型和工具，如患者风险评估模型、护理知识图谱 - 促进护理领域的技术共享和协作，推动护理AI的普及

2 DeepSeek 在医疗场景中的实际应用案例

2.1 智能辅助诊断与导诊

广州市科学技术局报道：广东省妇幼保健院推出“小悦医生”AI智能体，覆盖导诊、辅助诊断场景，通过人机协同提升服务效率；南方医科大学第五附属医院将DeepSeek-R1大模型与实验室管理系统整合，应用于病理科、检验科的辅助诊断实践。

2.2 临床数据整合与个性化治疗

钟祥市人民医院在肺栓塞护理中，整合患者数据生成个性化方案，预测呼吸机/感染风险，制定抗凝监测，心理干预措施，实现“一人一策”；襄阳市中心医院通过DeepSeek与护理系统融合，管理妊娠期高血压患者，整合可穿戴设备数据动态优化饮食方案，患者血压控制效率提升60%。

2.3 检验分析与诊断支持

广东医科大学附属医院：研发检验智能审核系统，通过DeepSeek多维度分析检验报告，提供精准解读及鉴别诊断建议，提升报告可靠性。

2.4 术后康复与营养管理

广东医科大学附属医院开发ERAS营养评估系统，基于深度学习分析患者数据，定制个性化营养方案，缩短术后住院时间，降低经济负担。与市面上较为成熟的GPT-4技术相比较，DeepSeek具有一定优势：①响应速度与效率：DeepSeek优化了代码调试的上下文记忆，适用于高频调试场景；采用动态稀疏激活，计算效率更高，硬件资源占用更低。②专业领域准确率：DeepSeek采用合成数据增强或逻辑推理专项优化；三维嵌入技术，中文理解更精准。③成本：DeepSeek 使用模型蒸馏或渐进式训练降低算力需求；动态稀疏激活减少70%计算量，长期成本优势显著。其凭借中文优势、长文本处理能力和低成本，预计在护理领域的文档自动化、健康教育、风险预警等场景具备落地潜力，通过垂直领域微调，可进一步释放其在护理流程优化中的价值。

3 DeepSeek 在临床护理工作应用中的局限性、面临的挑战及应对策略

3.1 在护理工作中面临产生错误和偏见的风险

DeepSeek对医疗术语理解偏差，如中文医疗文本存在领域特异性（如医嘱中的“qd”指每日一次）、多模态歧义性（如“禁食”在医嘱与护理记录中的不同含义）、以及方言干扰（如地方性病症俗称）等。有报道，AGI技术的应用造成健康伤害、医疗信息误导等不确定因素^［25-26］。DeepSeek基于数据库的生成式对话模型，根据指令的上下文进行对话及编辑内容，缺乏充分理解疾病和治疗之间复杂关系所需的医学专业知识和背景，评估不准确或建议不合理，可能导致护理计划偏倚，病人接受不合适的治疗、护理、康复措施。多源异构信息系统对应不同的数据标准、大量数据信息分散而无法融合互通、信息系统未覆盖护理业务全流程、数据采集存在有缺失和断点等^［27］。国外护士能参与到各种AGI系统和设备的开发和应用过程^［28］，而国内护理信息化人才的缺乏，限制了护士在AGI研发的参与。

应对策略：参考2023 年AMSE会议和 2024年IMC会议公布的指南^［3］，应用DeepSeek开展护理工作前，需进行“AGI +护理”的培训，拟构建全新的护患关系模式^［29］，提升临床护士对AGI真伪的判断能力和规范应用的技能。构建医疗术语动态扩展库，建立术语标准化映射表，开发上下文消歧算法；结合Bi-LSTM与领域知识图谱进行语义消歧；通过迁移学习实现区域方言到标准术语的实时转换等技术，修正DeepSeek对医疗术语理解偏差。联合多学科专业人员合作交流，共同制定合适的专科患者的个性化护理方案，护理文书及评估表，风险评估表等AGI适配方案^［30］。

3.2 患者隐私保护和伦理安全受到挑战

有报道，人工智能黑箱问题 ^{［ 31-34 ］} 导致ChatGPT无法追踪医疗决策出错的根源，大规模的安全漏洞将会带来严重的伦理问题^［35-39］。DeepSeek的黑箱问题本质是深度学习模型的复杂性与医疗场景对决策透明性刚性需求之间的根本矛盾，如：神经网络特征空间的不可解释性，护理决策依赖的潜在特征（如：患者微表情、非结构化文本隐含信息）难以映射到临床知识体系；动态推理路径的不可追踪性；模型可能隐式学习到非伦理的决策模式（如：基于患者支付能力推荐不同护理等级），因此必须警惕其潜在的后果^［40］。在护理临床应用中，患者个人信息、实验和影像数据、诊断报告、各种风险评估单等资料，存在泄露个人隐私，违法患者知情同意权等问题^［41］。

应对策略：参照《中华人民共和国个人信息保护法》第十五条和第十六条，遵守信息保护的要求，取得患者知情同意^［42-43］。依据人工智能的专家共识^［44-45］，建立应用于临床护理的全流程伦理风险审查规则、伦理评估框架，签署知情同意书。利用技术手段解决模型黑箱问题，如：通过医疗知识图谱嵌入技术，构建SNOMED CT与NANDA护理诊断的双向映射；开发决策热力图生成器，显示模型关注的关键临床指标；在损失函数中加入伦理正则项；采用对抗学习消除敏感属性（医保类型、种族等）的影响；建立审计系统，部署实时伦理检测模块；构建人机协同-认知对齐框架，反事实推理模拟，决策可信度评分等综合技术方案。

3.3 与医院信息系统（HIS）的接口兼容性

医院现有HIS系统存在数据孤岛（35%护理数据未电子化）、协议碎片化（HL7 v2/v3、FHIR混用）、实时性要求高（响应延迟）等问题。实现DeepSeek与HIS接口兼容的前提，需要构建FHIR标准化适配器；开发边缘计算模块，降低云端依赖等智能中间件开发。具体实施技术路径：单向数据抽取-通过ODBC/JDBC对接结构化护理记录；双向交互-基于FHIR R4构建护理操作API网关；深度整合-如：实现与移动护理终端、智能床垫等指令级交互。

3.4 DeepSeek与已有AGI技术的差异及跨平台互补方案

官网公开AGI技术，如：OpenAI ChatGPT-适合语言交互和文本生成的应用；Google DeepMind-专注于强化学习和深度学习；IBM Watson-能提供从医疗到金融等多个行业的A I解决方案-；Microsoft AI-提供Azure AI服务、Cognitive Services等多种AI工具和平台；Baidu AI-提供从自动驾驶到自然语言处理等多种AI技术和服务，在中文处理方面具有优势；DeepSeek 较适合数据驱动的护理应用，在中文处理方面具有优势。根据对HuggingFace 的比较分析^［46］，DeepSeek在各种任务中都优于 GPT-4 和 OpenAI 。其不足在情感交互和语言交互方面表现较弱，护理工作的应用可针目前AGI技术进行跨平台互补策略取长补短，建议互补方案，如表2。

表二 DeepSeek与已有AGI技术跨平台互补的预计效果及匹配应用场景

系统组合	互补方案	应用场景
DeepSeek + 讯飞星火	- DeepSeek：数据分析与患者历史记录管理。 - 讯飞星火：自然语言处理与语音识别，支持护理人员通过语音快速记录患者信息。 - 预计效果：提高数据录入效率，减少人工记录错误。	患者入院信息登记、护理记录更新、医嘱执行记录。护理教学、授课的PPT快速制作。
DeepSeek + 豆包	- DeepSeek：患者健康数据分析与预测。 - 豆包：智能问答与知识库支持，帮助护理人员快速获取临床护理知识。 - 预计效果：提升护理人员对复杂病例的处理能力，优化护理决策。	疑难病例护理、护理知识查询、护理方案制定。
DeepSeek + ChatGPT	- DeepSeek：患者数据整合与趋势分析。 - ChatGPT：生成自然语言报告与患者沟通支持。 - 预计效果：自动生成护理报告，提升与患者的沟通效率，减少护理人员的工作负担。	护理报告生成、患者健康教育、心理护理支持。
DeepSeek + Microsoft AI	- DeepSeek：患者健康数据分析与个性化护理方案生成。 - Microsoft AI：图像识别与病历管理，支持影像数据分析。 - 预计效果：结合影像数据与健康数据，提供更全面的护理方案。	影像数据辅助诊断、个性化护理方案制定、慢性病管理。
DeepSeek + IBM Watson	- DeepSeek：患者数据分析与护理流程优化。 - IBM Watson：临床决策支持与文献分析，提供基于证据的护理建议。 - 预计效果：结合大数据与临床证据，提升护理决策的科学性与准确性。	临床决策支持、护理流程优化、循证护理实践。
DeepSeek + Google DeepMind	- DeepSeek：健康数据实时监控与预警。 - Google DeepMind：深度学习与预测分析，支持疾病早期预警与个性化治疗建议。 - 预计效果：实时监控患者健康状况，提前预警潜在风险，优化护理干预时机。	危重症监护、术后护理、慢性病管理、疾病早期预警。

上述跨平台互补预计效果及应用场景，仅仅限于各AGI官方对产品性能及应用介绍综合分析，提出的设想方案。DeepSeek需要在实际应用中不断优化，寻找更合适的技术支持，将其实施于相应的临床护理应用场景。

4 展望

全球老龄化加剧和医疗资源需求的剧增，使护理行业面临效率提升、人力短缺和服务质量优化等挑战^［47-48］。本土化AI模型-DeepSeek 引起了广泛关注^［49］，有希望推动护理专业向智能化、个性化和高效化方向发展，减少重复性工作；提供早期预警，潜在并发症风险提示，提升护理响应速度；根据疾病需求、患者分级护理、护士工作量、医院资源等，自动生成最优化的排班计划和资源分配方案；利用可穿戴设备、物联网、手机端，实时监测患者的生命体征，血糖，造瘘口等情况，有助远程指导患者自我紧急处置，优化医疗资源的使用；制定个性化的护理计划，疾病健康教育，康复指导等^［50］。

DeepSeek尚处发展阶段，未有与临床护理应用匹配的成熟模式，需严谨对待。未来对接护理领域，仍面临诸多壁垒和挑战，需要卫生主管部门完善监管，积极应对其技术和伦理问题，保障数据的安全性和可靠性^［51］，完善AI使用的临床应用培训及应急预案，以维护患者、医护人员、AGI之间的良性关系。

1、步宏．积极推动人工智能在病理学的应用［J］．中华病理学杂志，2021，50（4）：307-309．

2、MITCHELL%E2%80%83M%EF%BC%8EDebates%E2%80%83%20on%E2%80%83the%E2%80%83%20nature%E2%80%83%20of%E2%80%83%20artificial%E2%80%83%0Ageneral%E2%80%83intelligence%EF%BC%BBJ%EF%BC%BD%EF%BC%8EScience%EF%BC%8C2024%EF%BC%8C383%0A%EF%BC%886689%EF%BC%89%EF%BC%9Aeado7069%EF%BC%8E

3、MASTERS%E2%80%83K%EF%BC%8CHERRMANN-WERNER%E2%80%83A%EF%BC%8CFESTL%02WIETEK%E2%80%83T%EF%BC%8Cet%E2%80%83al%EF%BC%8EPreparing%E2%80%83for%E2%80%83%20artificial%E2%80%83%20general%E2%80%83%0Aintelligence%EF%BC%88AGI%EF%BC%89in%E2%80%83health%E2%80%83professions%E2%80%83education%EF%BC%9A%0AAMEE%E2%80%83guide%E2%80%83No%EF%BC%8E172%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMed%E2%80%83Teach%EF%BC%8C2024%EF%BC%8C46%0A%EF%BC%8810%EF%BC%89%EF%BC%9A1258-1271%EF%BC%8E

4、SLAVIN%E2%80%83B%E2%80%83B%EF%BC%8EAn%E2%80%83architectural%E2%80%83approach%E2%80%83to%E2%80%83modeling%E2%80%83%0Aartificial%E2%80%83general%E2%80%83intelligence%EF%BC%BBJ%EF%BC%BD%EF%BC%8EHeliyon%EF%BC%8C2023%EF%BC%8C%0A9%EF%BC%883%EF%BC%89%EF%BC%9Ae14443%EF%BC%8E

5、FEI%E2%80%83N%EF%BC%8CLU%E2%80%83Z%EF%BC%8CGAO%E2%80%83Y%EF%BC%8Cet%E2%80%83al%EF%BC%8ETowards%E2%80%83%20artificial%E2%80%83%0Ageneral%E2%80%83intelligence%E2%80%83via%E2%80%83a%E2%80%83multimodal%E2%80%83foundation%E2%80%83model%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENat%E2%80%83Commun%EF%BC%8C2022%EF%BC%8813%EF%BC%89%EF%BC%9A3094%EF%BC%8E

6、侯绪娜，隋伟玉，韩凤萍，等．基于AI语音的传染性疾病临床护理数据采集系统的构建及应用［J］．护理学报，2022，29（19）：20-24

7、KUNG%E2%80%83T%E2%80%83H%EF%BC%8CCHEATHAM%E2%80%83M%EF%BC%8CMEDENILLA%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0APerformance%E2%80%83of%E2%80%83ChatGPT%E2%80%83on%E2%80%83USMLE%EF%BC%9APotential%E2%80%83for%E2%80%83%0AAI-assisted%E2%80%83medical%E2%80%83education%E2%80%83%20using%E2%80%83large%E2%80%83language%E2%80%83%0Amodels%EF%BC%BBJ%EF%BC%BD%EF%BC%8EPLoS%E2%80%83Digit%E2%80%83Health%EF%BC%8C2023%EF%BC%8C2%EF%BC%882%EF%BC%89%EF%BC%9A%0Ae0000198%EF%BC%8E

8、SALLAM%E2%80%83M%EF%BC%8EC%20h%20atG%20P%20T%E2%80%83%20utilit%20y%E2%80%83%20i%20n%E2%80%83%20h%20e%20alt%20h%20c%20a%20r%20e%E2%80%83%0Aeducation%EF%BC%8Cresearch%EF%BC%8Cand%E2%80%83practice%EF%BC%9ASystematic%E2%80%83review%E2%80%83%0Aon%E2%80%83the%E2%80%83promising%E2%80%83perspectives%E2%80%83and%E2%80%83valid%E2%80%83concerns%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AHealthcare%EF%BC%88Basel%EF%BC%89%EF%BC%8C2023%EF%BC%8C11%EF%BC%886%EF%BC%89%EF%BC%9A887%EF%BC%8E

9、Dos%E2%80%83Santos%E2%80%83F%E2%80%83C%EF%BC%8CJohnson%E2%80%83L%E2%80%83G%EF%BC%8CMadandola%E2%80%83O%E2%80%83O%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EAn%E2%80%83example%E2%80%83of%E2%80%83leveraging%E2%80%83AI%E2%80%83for%E2%80%83documentation%EF%BC%9AChatGPT-generated%E2%80%83nursing%E2%80%83care%E2%80%83plan%E2%80%83for%E2%80%83an%E2%80%83older%E2%80%83adult%E2%80%83%0Awith%E2%80%83lung%E2%80%83cancer%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Am%E2%80%83Med%E2%80%83Inform%E2%80%83Assoc%EF%BC%8C%0A2024%EF%BC%8C31%EF%BC%889%EF%BC%89%EF%BC%9A2089-2096%EF%BC%8E

10、JUNG%E2%80%83H%EF%BC%8CPARK%E2%80%83H%E2%80%83A%EF%BC%8CLEE%E2%80%83H%E2%80%83Y%EF%BC%8EImpact%E2%80%83%20of%E2%80%83%20a%E2%80%83%0Adecision%E2%80%83%20support%E2%80%83%20system%E2%80%83%20on%E2%80%83fall-prevention%E2%80%83%20nursing%E2%80%83%0Apractices%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Patient%E2%80%83Saf%EF%BC%8C2023%EF%BC%8C19%EF%BC%888%EF%BC%89%EF%BC%9A%0A525-531%EF%BC%8E

11、KLEESIEK%E2%80%83J%EF%BC%8CWU%E2%80%83Y%EF%BC%8CSTIGLIC%E2%80%83G%EF%BC%8Cet%E2%80%83al%EF%BC%8EAn%E2%80%83%0Aopinion%E2%80%83on%E2%80%83ChatGPT%E2%80%83in%E2%80%83health%E2%80%83care-written%E2%80%83by%E2%80%83humans%E2%80%83%0Aonly%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Nucl%E2%80%83Med%EF%BC%8C2023%EF%BC%8C64%EF%BC%885%EF%BC%89%EF%BC%9A701-703%EF%BC%8E

12、BHATTARAM%E2%80%83S%EF%BC%8CSHINDE%E2%80%83V%E2%80%83S%EF%BC%8CKHUMUJAM%E2%80%83P%E2%80%83P%EF%BC%8E%0AChatGPT%EF%BC%9AThe%E2%80%83next-gen%E2%80%83tool%E2%80%83for%E2%80%83triaging%3F%E2%80%83%EF%BC%BBJ%EF%BC%BD%EF%BC%8EAm%E2%80%83%0AJ%E2%80%83Emerg%E2%80%83Med%EF%BC%8C2023%EF%BC%8869%EF%BC%89%EF%BC%9A215-217%EF%BC%8E

13、CHANG%E2%80%83D%EF%BC%8CXU%E2%80%83H%EF%BC%8CREBAZA%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8EProtecting%E2%80%83%0Ahealth-care%E2%80%83%20workers%E2%80%83from%E2%80%83%20subclinical%E2%80%83%20coronavirus%E2%80%83%0Ainfection%EF%BC%BBJ%EF%BC%BD%EF%BC%8ELancet%E2%80%83Respir%E2%80%83Med%EF%BC%8C2020%EF%BC%8C8%0A%EF%BC%883%EF%BC%89%EF%BC%9Ae13%EF%BC%8E

14、李民，马良玉，陈宇娟，等．生命体征智能采录系统在监护患者护理中的应用研究［J］．中国医疗设备，2024，39（6）：68-74．

15、郭彩霞，郭彩旭，史晓宁，等．ChatGPT赋能护理实践：前景、风险及对策［J］．协和医学杂志，2023，14（6）：1170-1174．

16、袁方，马瑞霞，任海玲，等．智能导诊机器人的设计与实现［J］．数字技术与应用，2021，39（11）：176-180．

17、D%E2%80%99AMICO%E2%80%83R%E2%80%83S%EF%BC%8CWHITE%E2%80%83T%E2%80%83G%EF%BC%8CSHAH%E2%80%83H%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AI%E2%80%83asked%E2%80%83a%E2%80%83ChatGPT%E2%80%83to%E2%80%83write%E2%80%83an%E2%80%83editorial%E2%80%83about%E2%80%83how%E2%80%83we%E2%80%83%0Acan%E2%80%83incorporate%E2%80%83chatbots%E2%80%83into%E2%80%83%20neurosurgical%E2%80%83%20research%E2%80%83%0Aand%E2%80%83patient%E2%80%83care%E2%80%A6%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENeurosurgery%EF%BC%8C2023%EF%BC%8C92%0A%EF%BC%884%EF%BC%89%EF%BC%9A663-664%EF%BC%8E

18、SNOSWELL%E2%80%83C%E2%80%83L%EF%BC%8CSNOSWELL%E2%80%83A%E2%80%83J%EF%BC%8CKELLY%E2%80%83J%E2%80%83T%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EArtificial%E2%80%83intelligence%EF%BC%9AAugmenting%E2%80%83telehealth%E2%80%83with%E2%80%83%0Alarge%E2%80%83language%E2%80%83models%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Telemed%E2%80%83Telecare%EF%BC%8C%0A2025%EF%BC%8C31%EF%BC%881%EF%BC%89%EF%BC%9A150-154%EF%BC%8E

19、%E2%80%83%20LIU%E2%80%83J%EF%BC%8CWANG%E2%80%83C%EF%BC%8CLIU%E2%80%83S%EF%BC%8EUtility%E2%80%83%20of%E2%80%83%20ChatGPT%E2%80%83in%E2%80%83%0Aclinical%E2%80%83practice%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Med%E2%80%83Internet%E2%80%83Res%EF%BC%8C2023%0A%EF%BC%8825%EF%BC%89%EF%BC%9Ae48568%EF%BC%8E

20、LA%E2%80%83CERRA%E2%80%83C%EF%BC%8CDANTE%E2%80%83A%EF%BC%8CCAPONNETTO%E2%80%83V%EF%BC%8Cet%E2%80%83%0Aal%EF%BC%8EEffects%E2%80%83of%E2%80%83high-fidelity%E2%80%83simulation%E2%80%83based%E2%80%83on%E2%80%83life%02threatening%E2%80%83%20clinical%E2%80%83%20condition%E2%80%83%20scenarios%E2%80%83%20on%E2%80%83learning%E2%80%83%0Aoutcomes%E2%80%83of%E2%80%83%20undergraduate%E2%80%83and%E2%80%83%20postgraduate%E2%80%83%20nursing%E2%80%83%0Astudents%EF%BC%9AA%E2%80%83systematic%E2%80%83review%E2%80%83and%E2%80%83meta-analysis%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ABMJ%E2%80%83Open%EF%BC%8C2019%EF%BC%8C9%EF%BC%882%EF%BC%89%EF%BC%9Ae025306%EF%BC%8E

21、MOLU%E2%80%83B%EF%BC%8EImproving%E2%80%83nursing%E2%80%83students%E2%80%99%E2%80%83learning%E2%80%83outcomes%E2%80%83in%E2%80%83neonatal%E2%80%83resuscitation%EF%BC%9AA%E2%80%83quasi%02experimental%E2%80%83%20study%E2%80%83comparing%E2%80%83AI-assisted%E2%80%83care%E2%80%83%20plan%E2%80%83%0Alearning%E2%80%83with%E2%80%83traditional%E2%80%83instruction%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Eval%E2%80%83Clin%E2%80%83%0APract%EF%BC%8C2025%EF%BC%8C31%EF%BC%881%EF%BC%89%EF%BC%9Ae14286%EF%BC%8E

22、%E2%80%83%20BOSTROM%E2%80%83N%EF%BC%8EThe%E2%80%83superintelligent%E2%80%83will%EF%BC%9AMotivation%E2%80%83%0Aand%E2%80%83instrumental%E2%80%83rationality%E2%80%83in%E2%80%83advanced%E2%80%83artificial%E2%80%83agents%0A%EF%BC%BBJ%EF%BC%BD%EF%BC%8EMines%E2%80%83Mach%EF%BC%8C2012%EF%BC%8C22%EF%BC%882%EF%BC%89%EF%BC%9A71-85%EF%BC%8E

23、%E2%80%83%20KAYAALP%E2%80%83M%E2%80%83E%EF%BC%8CPRILL%E2%80%83R%EF%BC%8CSEZGIN%E2%80%83E%E2%80%83A%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADeepSeek%E2%80%83versus%E2%80%83ChatGPT%EF%BC%9AMultimodal%E2%80%83%20artificial%E2%80%83%0Aintelligence%E2%80%83revolutionizing%E2%80%83scientific%E2%80%83discovery%EF%BC%8EFrom%E2%80%83%0Alanguage%E2%80%83editing%E2%80%83to%E2%80%83autonomous%E2%80%83content%E2%80%83generation%02Redefining%E2%80%83innovation%E2%80%83in%E2%80%83research%E2%80%83and%E2%80%83practice%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0AKnee%E2%80%83Surg%E2%80%83Sports%E2%80%83Traumatol%E2%80%83Arthrosc%EF%BC%8C2025%EF%BC%8C33%0A%EF%BC%885%EF%BC%89%EF%BC%9A1553-1556%EF%BC%8E

24、TANIGUCHI%E2%80%83T%EF%BC%8CYAMAKAWA%E2%80%83H%EF%BC%8CNAGAI%E2%80%83T%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AA%E2%80%83whole%E2%80%83brain%E2%80%83probabilistic%E2%80%83generative%E2%80%83model%EF%BC%9AToward%E2%80%83%0Arealizing%E2%80%83%20cognitive%E2%80%83%20architectures%E2%80%83for%E2%80%83%20developmental%E2%80%83%0Arobots%EF%BC%BBJ%EF%BC%BD%EF%BC%8ENeural%E2%80%83Netw%EF%BC%8C2022%EF%BC%88150%EF%BC%89%EF%BC%9A293-312%EF%BC%8E

25、陈玲，张晨，史玉华，等．新质生产力视域下高职护生老年护理核心能力协同嵌合式培养路径探析［J］．卫生职业教育，2025，43（2）：7-10．

26、KNOPP%E2%80%83M%E2%80%83I%EF%BC%8CWARM%E2%80%83E%E2%80%83J%EF%BC%8CWEBER%E2%80%83D%EF%BC%8Cet%E2%80%83al%EF%BC%8EAI%02enabled%E2%80%83medical%E2%80%83education%EF%BC%9AThreads%E2%80%83of%E2%80%83change%EF%BC%8C%0Apromising%E2%80%83futures%EF%BC%8Cand%E2%80%83%20risky%E2%80%83%20realities%E2%80%83%20across%E2%80%83four%E2%80%83%0Apotential%E2%80%83future%E2%80%83worlds%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJMIR%E2%80%83Med%E2%80%83Educ%EF%BC%8C2023%0A%EF%BC%889%EF%BC%89%EF%BC%9Ae50373%EF%BC%8E

27、王迪芬，刘頔．人工智能促进医疗大数据助力人民健康保障［J］．中华危重病急救医学，2020，32（10）：1155-1159．

28、NG%E2%80%83Z%E2%80%83Q%E2%80%83P%EF%BC%8CLING%E2%80%83L%E2%80%83Y%E2%80%83J%EF%BC%8CCHEW%E2%80%83H%E2%80%83S%E2%80%83J%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AThe%E2%80%83%20role%E2%80%83of%E2%80%83artificial%E2%80%83intelligence%E2%80%83in%E2%80%83enhancing%E2%80%83clinical%E2%80%83%0Anursing%E2%80%83care%EF%BC%9AA%E2%80%83scoping%E2%80%83review%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83%20Nu%20rs%E2%80%83%0AManag%EF%BC%8C2022%EF%BC%8C30%EF%BC%888%EF%BC%89%EF%BC%9A3654-3674%EF%BC%8E

29、刘萍，郭娜．ChatGPT在护理领域的应用进展及启示［J］．护理学报，2024，31（21）：39-43．

30、李烁烁，李清扬，周忠涛，等．人工智能在COPD病人延续性护理中的应用进展［J］．循证护理，2024，10（14）：2535-2539．

31、王晓敏，刘婵娟．人工智能赋能教育的伦理省思［J］．江苏社会科学，2023（2）：68-77．

32、陈子瑜，程国斌．医疗人工智能中的算法黑箱及其核心伦理问题［J］．医学与哲学，2024，45（12）：6-10．

33、赵力佳，王颖斌．负责任创新中医疗人工智能应用技术的伦理审视［J］．医学与哲学，2024，45（1）：26-30．

34、彭运朋，徐毅华．医疗人工智能对知情同意的挑战与应对［J］．医学与哲学，2023，44（10）：25-29．

35、王斌，田士来，王小成，等．以ChatGPT为代表的人工智能技术在医学教育中的机遇与挑战［J］．医学教育研究与实践，2023，31（4）：402-405．

36、李锟鹏，杨海秀．医疗人工智能临床应用的伦理审视［J］．医学与哲学，2023，44（7）：27-31．

37、余艳琴，徐慧芳，郝金奇，等．医学人工智能引发的相关伦理问题分析［J］．中国医学科学院学报，2020，42（1）：128-131．

38、申喜凤，李美婷，南嘉乐，等．医学人工智能发展态势分析及问题浅析［J］．科技管理研究，2023，43（7）：193-198．

39、%E2%80%83%20BALAS%E2%80%83M%EF%BC%8CWADDEN%E2%80%83J%E2%80%83J%EF%BC%8CH%C3%89BERT%E2%80%83P%E2%80%83C%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AExploring%E2%80%83the%E2%80%83%20potential%E2%80%83%20utility%E2%80%83%20of%E2%80%83AI%E2%80%83large%E2%80%83language%E2%80%83%0Amodels%E2%80%83for%E2%80%83medical%E2%80%83ethics%EF%BC%9AAn%E2%80%83expert%E2%80%83panel%E2%80%83evaluation%E2%80%83%0Aof%E2%80%83GPT-4%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Med%E2%80%83Ethics%EF%BC%8C2024%EF%BC%8C50%EF%BC%882%EF%BC%89%EF%BC%9A%0A90-96%EF%BC%8E

40、王晨琪，肖洪玲，吴亚轩，等．大语言模型在护理领域的应用及展望［J］．护士进修杂志，2024，39（12）：1296-1300．

41、TEMSAH%E2%80%83A%EF%BC%8CALHASAN%E2%80%83K%EF%BC%8CALTAMIMI%E2%80%83I%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0ADeepSeek%E2%80%83in%E2%80%83healthcare%EF%BC%9ARevealing%E2%80%83opportunities%E2%80%83and%E2%80%83%0Asteering%E2%80%83%20challenges%E2%80%83%20of%E2%80%83%20a%E2%80%83%20new%E2%80%83%20open-source%E2%80%83%20artificial%E2%80%83%0Aintelligence%E2%80%83frontier%EF%BC%BBJ%EF%BC%BD%EF%BC%8ECureus%EF%BC%8C2025%EF%BC%8C17%0A%EF%BC%882%EF%BC%89%EF%BC%9Ae79221%EF%BC%8E

42、吉萍，郭锐，许卫卫，等．医疗人工智能产品研发的伦理审查与法律考量［J］．医学与哲学，2020，41（5）：15-18．

43、李润生．医疗人工智能临床应用中医生告知义务的触发条件与衔接机制［J］．深圳大学学报（人文社会科学版），2023，40（1）：92-100．

44、夏光辉，曹艳林，陈炳澍，等．大模型人工智能技术在医疗服务领域应用的专家共识［J］．中国卫生法制，2023，31（5）：124-126．

45、浙江大学，中国食品药品检定研究院，海军军医大学第二附属医院．人工智能医疗器械性能评价通用方法专家共识（2023）［J］．协和医学杂志，2023，14（3）：494-503．

46、%E2%80%83%20PENG%E2%80%83Y%EF%BC%8CMALIN%E2%80%83B%E2%80%83A%EF%BC%8CROUSSEAU%E2%80%83J%E2%80%83F%EF%BC%8Cet%E2%80%83al%EF%BC%8E%0AFrom%E2%80%83GPT%E2%80%83to%E2%80%83DeepSeek%EF%BC%9ASignificant%E2%80%83gaps%E2%80%83%20remain%E2%80%83in%E2%80%83%0Arealizing%E2%80%83AI%E2%80%83in%E2%80%83healthcare%EF%BC%BBJ%EF%BC%BD%EF%BC%8EJ%E2%80%83Biomed%E2%80%83Inform%EF%BC%8C%0A2025%EF%BC%88163%EF%BC%89%EF%BC%9A104791%EF%BC%8E

47、梁辰毓．C医院护理人员的流失问题及对策研究［D］．南宁：广西大学，2020．

48、陈妞，陈莹，郭瑾，等．人工智能在危重症护理中的应用现状及挑战［J］．中华急危重症护理杂志，2022，3（3）：276-279．

49、CONROY%E2%80%83G%EF%BC%8CMALLAPATY%E2%80%83S%EF%BC%8EHow%E2%80%83China%E2%80%83created%E2%80%83%0AAI%E2%80%83model%E2%80%83DeepSeek%E2%80%83and%E2%80%83shocked%E2%80%83the%E2%80%83world%EF%BC%BBJ%EF%BC%BD%EF%BC%8E%0ANature%EF%BC%8C2025%EF%BC%8C638%EF%BC%888050%EF%BC%89%EF%BC%9A300-301%EF%BC%8E

50、%E9%9F%A6%E8%89%AF%E6%B0%91%EF%BC%8C%E6%9D%A8%E6%BE%B3%E7%A5%A5%EF%BC%8C%E6%AF%9B%E5%96%86%EF%BC%8C%E7%AD%89%EF%BC%8E%E5%9F%BA%E4%BA%8E%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%9A%84%0A%E5%A4%96%E9%AA%A8%E9%AA%BC%E6%9C%BA%E5%99%A8%E4%BA%BA%E5%BA%94%E7%94%A8%EF%BC%BBJ%2FOL%EF%BC%BD%EF%BC%8E%E6%9C%BA%E7%94%B5%E5%B7%A5%E7%A8%8B%E6%8A%80%E6%9C%AF%EF%BC%8C%0A1-11%EF%BC%BB2025-05-22%EF%BC%BD%EF%BC%8Ehttp%EF%BC%9A%2F%2Fkns.%E2%80%83cnki.%E2%80%83net%2Fkcms%2F%0Adetail%2F44.1522.%E2%80%83TH.%E2%80%8320241128.%E2%80%831321.%E2%80%83006.%E2%80%83html%EF%BC%8E

51、马应卓，王俊，刘彤，等．大语言模型在护理学领域应用的范围综述［J］．护理学杂志，2024，39（19）：124-129．

1、广州市卫生健康科技项目西医类 - 一般引导项目（20231A011005）；广州市第一人民医院红棉计划项目（2023HL05）()