NPJ Digital Medicine | EviNurse：面向循证护理的医疗智能体

NPJ Digital Medicine 是 Nature Portfolio 旗下的开放获取国际同行评议期刊，创刊于2015年，聚焦数字医学与数字健康领域，关注数字和移动健康技术的临床应用、人工智能与机器学习、临床信息学和虚拟医疗等研究。该刊被 Science Citation Index Expanded（SCIE）、Scopus 和 PubMed Central 等数据库收录；根据期刊官网公布的 2025 年数据，其 Journal Impact Factor 为 18.0，5 年影响因子为 19.7。

近日，复旦大学数据智能与社会计算课题组（Fudan DISC）联合复旦大学循证护理中心合作完成的研究《A domain-specific large language model for evidence-based nursing: development and multi-method evaluation of EviNurse》被 NPJ Digital Medicine录用。研究团队构建了基于护理证据的高质量数据集 NursData 并系统评估了面向循证护理的大语言模型 EviNurse，探索如何让高质量护理证据更及时地回应临床中的具体问题。

论文题目：

A domain-specific large language model for evidence-based nursing: development and multi-method evaluation of EviNurse

发表期刊：npj Digital Medicine

DOI：https://doi.org/10.1038/s41746-026-03229-6

作者：Junyi Ruan, Shangzhe Dai, Zhijie Bao, Zhongyu Wei, Weijie Xing

合作单位：复旦大学护理学院、复旦大学大数据学院、上海创智学院

Github地址：https://github.com/Creeper12345/EviNurse

模型地址：https://huggingface.co/Agnania/EviNurse-32B

数据集地址：https://huggingface.co/datasets/Agnania/NursData-MCQ

依托NursData的高质量数据支撑，团队构建了超百万级别的大模型指令微调样本对。该训练样本集从多来源护理证据文档中提炼关键知识信息，使用指令合成、思维链构造、小样本学习等多种数据构造方法产生符合护理领域实际应用需求的训练样本，确保模型在注入通用模型所缺乏的护理证据知识的同时，更好地对齐人类偏好，满足临床应用场景。

团队同时采用了检索增强技术来进一步增强模型回复的可信度及可解释性。基于NursData，团队构建了超70万条的护理证据向量知识库，并针对护理证据场景设计了双重检索、覆盖性补全、元信息增强等检索方案，可有效减缓大语言模型在使用过程中的幻觉问题，优先获取较高等级的证据，提高证据可靠性和有用性。

专家评价从 491 题简答题池中有目的地选取 25 题，每个内科、外科、妇产科、儿科及急危重症护理专科各 5 题，由相应专科的 3 位专家独立评价，共计 15 位专家参与。结果显示，EviNurse 在专家评价中整体显著优于通用大语言模型（P < 0.001），在可靠性和满意度方面表现最强；在外科、儿科及急危重症护理中，模型间的表现差异尤为明显。

真实世界可用性评价共纳入来自中国大陆各省不同临床场景的 316 名护士。问卷覆盖模型质量、信息质量、界面质量、用户满意度、使用意愿和净获益六个维度。EviNurse 在六个维度均显示出良好可用性；由于量表中较低得分代表更好的使用体验，这一结果提示其在真实护理情境中具有良好的可接受性和应用潜力。