大模型管理围术期抗凝：单独回答不够，接入规则后明显更准

停不停抗凝药、停多久、是否桥接、何时恢复，是围术期最容易“看似简单、实则高风险”的决策之一。2026年发表的一项研究比较了三种大语言模型在口服抗凝患者非心脏手术管理中的表现，并观察结构化临床决策支持（CDS）能否降低错误。

40个场景带来了什么结果？

两名心脏科医生构建了40个基于指南的病例，其中20个涉及直接口服抗凝药，20个涉及华法林。未接入CDS时，三种模型达到完整指南一致的比例分别为 60%、55%和50%，不足以替代临床判断。

加入结构化CDS表格后，准确率分别提高至 80%、100%和85%，且每个模型的改善均有统计学意义。这里最值得注意的并不是“哪家模型第一”，而是可靠知识结构对模型表现的提升远大于单纯聊天。

对麻醉科的现实启示

大模型更适合做自然语言入口：读取病例、追问缺失信息、把指南规则转化为清晰的待办清单；真正决定停药间隔与桥接策略的核心，应由版本可追溯的指南规则、肾功能、手术出血风险和血栓风险共同约束。

为什么仍不能直接照抄答案？

本研究场景数量有限，模型版本会快速更新，且“100%”只代表特定测试集。真实病例常有急诊手术、药物依从性不明、肝肾功能波动和多学科意见冲突。任何系统都应显示依据、版本和不确定性，并保留人工复核。

一句话总结：围术期抗凝领域，大模型的安全价值来自“模型 + 结构化规则 + 医生”，而不是模型单打独斗。

参考文献：Performance of large language models and clinical decision support in perioperative management of oral anticoagulants. 2026. DOI｜PubMed

本文用于医学信息交流，不构成个体用药或停药建议。