随着人工智能在医疗领域的广泛应用，传统的医患关系发生改变，介于患者和医生二者之间的双重关系，由于医疗人工智能的参与，形成了新型的“医生-医疗人工智能-患者”共同参与的医患关系[1]。以大语言模型（large language model，LLM）为代表的生成式人工智能在医疗场景中的应用，在自然语言理解与生成方面的能力显著增强，从而为医患沟通提供了新的技术支撑。医疗人工智能是医疗场景中人工智能应用的统称，其中LLM驱动的对话式系统是重点讨论的类型。而LLM技术应用于医患沟通，临床实验表明该技术具备有效的沟通能力，甚至在社交智力指标上超越博士生，并在临床推理文档质量上优于医师，能够精确评估急诊科患者的病情严重程度[2]。新型的医患沟通模式旨在使用新技术充当医患之间的中介，医患之间以更高效的沟通模式交流病症，起到及时治疗疾病的效果。

1 LLM人工智能助力新型医患沟通的显著影响

现阶段LLM技术应用于聊天机器人软件，已经在医疗决策、医学教育及患者咨询病情等方面提供了便捷高效的服务[3]。较之基于模板和语法及检索式的传统聊天机器人，LLM可以适应更复杂多样的沟通场景，在医疗场景中的应用也从早期的健康问答已拓展至疾病筛查、慢性疾病管理、心理支持、医学教育和临床培训等多个领域[4]。LLM人工智能则通过参与建构新型医患关系、帮助患者及时自检防患未然维护健康及优化医疗资源的合理配置，正在塑造新型医患沟通模式。

1.1 改变传统医患沟通模式

传统的医患沟通模式主要涉及“医”“患”两个主体，从一般意义上理解就是医师与患者之间的交流与对话。围绕这两个基本主体，有研究提出了4种不同类型的沟通模式，即家长式、信息式、解释式和协商式[5]。从医患沟通的历史进程看，家长式的沟通是最早出现的沟通模式，而信息式、解释式和协商式无不是对前者忽视患者主体性的改革，更强调患者的自身偏好、医疗数据信息透明与非强迫互动的特征。

虽然在不同国家、不同经济发展地区，这4种医患沟通模式发展进程有所不同，但新型医患沟通模式不只是家长式的修正，而是在“医”“患”之间增添新的中介性主体。伴随着人工智能ChatGPT、DeepSeek等应用越来越多地参与进医疗实践，Triberti等[6]用“第三者”描述人工智能技术应用在医患关系中可能造成的复杂关系，旨在指出人工智能在医疗决策中的不可忽视作用。“医生-医疗人工智能-患者”新型医患沟通模式则围绕这一背景展开。

人工智能作为中介性的新型医患关系主体，分别参与“患者-医疗人工智能”“医生-医疗人工智能”与“患者-医疗人工智能-医生”的结构之中。“名医人工智能”“百度医生”等各类医疗型人工智能在互联网上的涌现，改变传统的医患沟通结构[7]。而将患者-人工智能与医生-人工智能连接起来的也正是医患主体对于对方“好医生”和“好病人”的期待，患者受制于经济、地理等各方面因素无法直接同名医沟通了解病情，医疗型人工智能通过对名医的数据模拟实现交流；医生则期待“好病人”更多利用人工智能了解自己的病情，在诊断过程中可以实现效率的最大化[8]。

医疗人工智能在新型医患沟通领域作为中介发挥作用，也离不开LLM技术的应用。LLM的运行是从文本语料库中学习单词序列出现的概率，结合上下文推理生成符合人类逻辑的内容，具有理解患者语言表达、解读病理报告的能力[9-10]。得益于自然语言处理模型效能的提升、计算能力的增强及大规模数据集的普及，LLM应用于人工智能同人类沟通的效率有所提高。基于ChatGPT、DeepSeek开发的各种医疗型聊天人工智能，以及内置于各种人工智能应用中的智能体，均能够根据患者描述的症状给出初步的诊断建议，并以人工智能通话沟通病情等方式提供更贴合真实医患沟通的场景，照顾患者个性化的情绪需求。临床试验证明通过LLM与人工智能的功能整合，医患沟通的时间明显缩短，患者的理解力和沟通效率得到显著提升，医师解释病理报告的平均时间也显著缩短，沟通时间减少了70%以上[9]。四种基本类型的医患沟通模式都可以为LLM所掌握，Zohny等[11]利用LLM做出了针对不同沟通习惯患者的人工智能医师，诚然所运用沟通策略没有发生改变，但这一尝试已然迈向了新型医患沟通模式。

1.2 减少错失最佳治疗期的风险

治疗窗口期直接关系到患者的生命健康。在医学领域，患者的不及时就诊与医生的诊断失误往往会导致错失最佳治疗时间，严重时则危及患者生命[12]。而这两方面的问题都有医患主体间没有及时沟通的原因，应用LLM医疗型人工智能作为医患沟通的中介，在一定程度上将助力在时空维度上保证患者及时就诊程度；在准确性上避免医师的诊断失误。

LLM医疗型人工智能通过跨域时空的“患者—人工智能”沟通机制，及时为患者提供初步诊断建议。研究显示，20%～55%的癌症患者因未能及时就医，错失了最佳治疗时机[13]。显然患者常因经济与时间或是缺乏医学知识未能有意识地审视身体状况，没有同医师及时取得沟通。LLM医疗型人工智能是解决时空之间沟通障碍的有效手段，通过收集医师的沟通与诊断数据孪生出人工智能体，帮助患者形成即时检测身体的习惯。与此同时，名医资源多集中在大城市，且诊疗时间较之沟通需求相对有限，LLM医疗型人工智能可基于脱敏的本地问诊对话数据和专家标注，学习常见的沟通框架与风险提示，用于初诊前信息收集和在非就诊时段提供分诊建议，不断提高医患沟通，缓解“一号难求”的现实困境[14]。

LLM医疗型人工智能也可以有效破解因沟通问题致使医师诊断失误。诊断失误是指未能对患者的健康问题做出正确且及时的解释，沟通失效方面表现为诊断不准确或漏诊，未能将解释传达给患者[15]。LLM医疗型人工智能可以在诊断前，先同患者进行沟通，对身体状况起到初步自查的作用。同时，LLM医疗型人工智能也可以就病理报告进行分析，通过其解释显著提高报告的可读性和患者的理解能力，医师与患者之间的沟通平均时间至少减少70%，从35 min缩短至10 min，患者的理解水平也获得显著提高[9]。

1.3 提升医疗服务可及性与沟通效率

医疗资源分配不均作为医疗系统中的突出问题，一直是困扰医疗行业发展的重要因素。在我国，东部地区的三甲医院数量约占全国总数的43%，而中西部地区低于这一比例，导致资源分布严重不均[16]。因此患者在偏远地区难以获得高质量的医疗咨询服务，而大城市患者过多导致资源紧张，影响了沟通效率。

新型医患沟通模式通过应用LLM医疗型人工智能，打通医患沟通时空间的距离，进一步优化医疗资源配置。新型医患沟通模式相较于传统沟通模式的重要变化在于，通过技术中介的应用，将优质的医师诊断延伸至每一位患者身边，从而增强医师资源的覆盖范围，并有效降低患者的就医成本。研究表明，LLM医疗型人工智能相较于医师，具备更高的诊断准确率，且处理时间缩短了44.6%[17]。新型医患沟通模式的推进将使患者仅需通过电子设备便能获得精准的诊疗交流，进而鼓励更多患者选择在本地进行就诊和检查验证，有效缓解医疗资源集中地区的压力。除此之外，针对医疗资源配置失衡在临床实践中的具体表现，如医师高负荷的事务性工作，LLM医疗型人工智能的应用能够在患者自诊阶段实时记录问诊对话，并生成专业性的电子健康记录。这一记录将有效助力医师提升沟通效率，减轻工作负担。同时，在医师与患者直接沟通之外，医院的各种诊断沟通环节中，LLM医疗型人工智能能够及时通过电子设备与患者保持联系，高效处理预约安排、体检化验及出院后的跟进诊疗。这一举措有效减少了因年龄因素或信息理解难度而引发的额外沟通成本，从而可以有效提升患者的满意度和就医积极性。

2 LLM人工智能助力新型医患沟通的现实挑战

LLM医疗型人工智能在提升医患沟通效率的同时，也蕴含着一定风险。例如，人工智能算法黑箱加剧医患沟通不信任，“幻觉”降低沟通准确性；LLM医疗型人工智能的应用界定与规范不明确，导致医患双方在沟通中的主体性被削弱；人工智能在沟通过程生成的数据被占用与泄露，造成危害患者权益受伤的问题。

2.1 模型限制影响沟通效能

算法作为LLM医疗型人工智能的核心，不仅因模型本身的限制而成为技术发展的瓶颈，也对医患之间的沟通造成了潜在的危害。医患沟通的主要目的是通过交流了解患者病因，提升治疗的准确性，但是LLM医疗型人工智能的应用造成的过程不透明，可能会造成医患双方的怀疑。在具体的实践中，人工智能的黑箱问题直接影响医患双方的信任。对于患者，由于开发者较少公开相关数据，模型的预训练数据透明度较低，导致交流信息来源不明确，准确性也难以保证。尤其知情同意方面，算法会被怀疑是否可模拟同等环境中医患的沟通情况，并具备同医师一般同理心。

除此之外，LLM医疗型人工智能在与患者交流时，也会出现输出聊天内容捏造或完全不正确的情况。原因在于，LLM受制于训练数据局限性、概略分布生成机制等各种结构性问题容易出现事实不准确或误导性的“幻觉”，在医学中表现为编造事实、在病历记录中添加未提及的症状或治疗，以及在问诊场景中给出误导性的诊断推理[18]。一项研究表明，LLM医疗型人工智能在有关获得性免疫缺陷综合征相关的隐球菌性脑膜炎患者提供的疾病管理方案中，包含了可能导致患者死亡风险增高的错误用药指导，甚至可能增加患者的死亡风险[19]。而且拼接的沟通记录也会影响医患之间的沟通，患者对某一错误内容的偏执性认同可能严重阻碍正常的医患交流，医师需要更多的时间解释疾病相关概念，这将加重沟通负担。

2.2 医患主体性弱化对诊疗效果的影响

医患主体性弱化主要指在病史叙述、风险理解、价值权衡与治疗选择中的主导地位被技术所牵引，其结果体现在信息采集质量下降与患者对医师的依从性降低，进而影响诊疗效果。LLM医疗型人工智能的发展，导致传统的医患沟通主体结构发生剧烈的改变。

医师在沟通过程主体性的削弱会造成医患信任危机进一步加剧。利用LLM人工智能模拟医师问诊正成为一种流行趋势，这离不开互联网时代形成的习惯模式，患者在就诊前普遍收集信息对比自身病情，并寻求治疗的做法密切相关[20]。患者不再仅仅是收集信息，而是转变为与数字模拟医师进行沟通，不只是信息量上的差异。例如，在AMIE双盲实验过程中，LLM医疗型人工智能展示出诊断准确性与沟通技巧方面等同于甚至超越初级医生表现，患者感觉确实在与一位医师交流[21]。不妨设想，未来搭载LLM医疗型人工智能的数字孪生医师，具备同医师沟通一般的能力，是否具有取代医师的主体性的特质。医患沟通是医患间的互动式交流，也是医患双方增进理解信任的过程，其中最重要的莫过于医师具备独属人类的同理心。LLM医疗型人工智能在临床试验中固然具备超越人类医师的准确沟通能力，但并没有实验可以证明人工智能具备同理心，Hildebrand[22]指出同理心这种情感源于对人类情感投入的珍视，是LLM无法企及或复现的。并且由于LLM幻觉的存在，也无法确证LLM医疗型人工智能生成的对话是否如同医师关注患者实际情况的内容。尽管如此，LLM医疗型人工智能的便捷性与准确性也会持续吸引患者去使用，而同医师疏远，影响治理效果。

与此同时，患者对LLM医疗型人工智能过度依赖也将削弱患者的主体性地位。在LLM人工智能尚未得到应用前，患者为了在同医师沟通中不至于失去主体表达与对自身健康负责的需要，在互联网上收集疾病信息，这一信息中介无疑增强患者的主体性地位。除此之外，面对医师时，根据医师的言行与话语，患者也可以简单判断医师是否有独断的行为。然而，患者同LLM医疗型人工智能的交流模拟真实的沟通场景，这就难以避免沟通过程中人工智能采取家长式的交流，由于患者的沟通对象不再具有身体情感线索，人工智能将可以隐蔽地进行独断沟通。Zohny等[11]提出根据患者的需要切换4种不同类型的沟通模式，可以有效避免家长式的独断，但医患沟通过程是人与人之间的交流，LLM医疗型人工智能无法像现实中的医师一样，采取灵活的交流，读懂患者的身体情感线索，并依据患者展开交流。当患者把模型输出视为权威诊断时，可能弱化其主动叙述病情与表达偏好的意愿，导致信息呈现模板化及细节遗漏，并降低其参与共享决策的程度，最终体现为依从性下降等问题。

2.3 技术应用中的权利减损

LLM医疗型人工智能的广泛应用，在为医患沟通带来便利的同时，也引发了患者权利受损的复杂问题。这种损害患者权益的现象往往具有隐匿性，与技术算法的固有缺陷密切相关。具体来说，在LLM医疗型人工智能与患者交流的过程中，存在因算法黑箱和监管不力导致的数据泄露风险。这些数据涵盖患者的各类隐私和生物信息，若因安全防护不足而泄露，并被用于非法用途，将对患者造成难以估量的损损失。此外，用于构建临床基础模型的电子健康记录、生物样本库或基因组数据库，往往未能充分覆盖医疗服务获取困难的群体，从而可能导致在不同患者群体间表现不平等[23]。

患者的权利也会因责任归属不明受到损害。LLM医疗型人工智能充当沟通中介主体的过程中，可能因为各方面的原因生成信息错误，而对医疗决策产生消极影响。但在归责进程中，由于沟通的主体不再是医患之间，而扩散到各种不同的责任方，致使责任归属主体模糊化。医师主体性的削弱也造就了医患沟通中医师责任的减弱，为了规避风险，医师可能采纳LLM医疗型人工智能同患者交流给出的诊断意见，而减少自己的专业判断。这些影响的扩大将不仅危害医患之间的信任，也会严重损害患者的生命健康权利。

3 LLM人工智能助力新型医患沟通的规范路径

新型医患沟通模式的建构应该遵循“以人为本、生命至上”的价值导向。因此需要明确人工智能在医患沟通中的地位、为使用者提供LLM医疗型人工智能规范教育，以及建立以患者为中心的立体化协调机制，从而实现和谐有效的医患沟通。

3.1 明确新型医患沟通过程中各主体地位

LLM医疗型人工智能发挥不同作用，直接决定其在新型医患沟通模式中发挥怎样的作用。若要求LLM医疗型人工智能取代医师，它将以医患沟通的主体地位出现；若只作为收集数据的工具，它将以沟通的中介形式出现。显然，这两种模式都不符合LLM医疗型人工智能发展现状。LLM医疗型人工智能不仅具备理解和生成自然语言的能力，而且在与患者交流的过程中能够扮演“医生”的角色，这正是LLM人工智能在自主性和角色定位维度上的显著体现，因此不能将其简单归结为工具性的中介[24-25]。尽管如此，也不能将LLM医疗型人工智能同医师画等号。一项试验表明，虽然LLM医疗型人工智能在回答患者癌症相关问题时，在语言表现程度接近医师，但并不具备医师一般的医学判断能力，且它在共情能力的评分较低，无法理解患者对生命的焦虑与担忧，而医师的回答更具关怀感[25]。

故此而言，LLM医疗型人工智能应作为中介主体的形式，参与新型医患沟通模式的建构。作为对医师主体功能的部分模拟，其同患者进行主动的沟通协调交流。与此同时，也必须让医患双方建立起认识，LLM医疗型人工智能仅能在协调层面充当医患沟通的“伙伴”，由于人工智能与人类之间的特殊关系，其无法具备协作或社会性属性，始终无法获得与医师相同的主体性地位[26]。

除此之外，LLM医疗型人工智能应作为中介主体建立，这一过程离不开医师在新型医患沟通中主导地位的不断确立。这一主导地位需要医师在医患沟通中充分认识自己的伦理责任与情感陪伴。虽然，LLM医疗型人工智能的应用，提升了医患沟通的效率，医师也希望患者对自己的症状提前具有一定了解，但是，不能忽视医师应具有更多的责任，及其无法被任何技术替代的作用。需要医师清晰认知和与患者沟通过程中判断力，纠正可能产生的伦理问题，并随时保持批判的目光，审视“患者-医疗人工智能”沟通的输入、输出信息。不仅如此，医患沟通除了诊断疾病的作用，也在于医师情绪情感的提供以慰藉疾病带来的不安。在新型医患沟通模式运作过程中，LLM医疗型人工智能这一技术中介主体无法模拟真正的人类医师的情感，只能利用算法起到些许安慰的作用。因而就需要医师不断提升自身共情能力，以最大的同理心与患者展开沟通，提升医患之间的信任，建构具有人文关怀的新型医患沟通模式。

3.2 前置性教育嵌入技术产品的使用规范

前置教育旨在将“患者-医疗人工智能”和“医生-医疗人工智能”两端建立起相应的使用规范，通过教育的方式提前防止因LLM自身技术限制造成的危害。从人工智能在教育领域的应用来看，既包括在不同行业间掌握和运用人工智能的方法，也包括为了科研目的推动人工智能技术的进步[27]。这些教育归根到底旨在告知使用者如何用人工智能，而不是让使用者理解人工智能可能产生的影响。

LLM医疗型人工智能应用前置教育是一种更具参与性的教学方法，它要求LLM医疗型人工智能更具有专业性。目前患者容易接触到的LLM人工智能应用，也不同程度配备医患沟通功能，例如豆包和ChatGPT应用中的医生智能体，患者可以直接进行沟通，却没有任何方式提醒患者，这类应用可能存在技术限制。因此在“患者-人工智能”之间缺乏相关知识的培训，而有可能加重患者对人工智能的依赖。前置教育则是规范化使用LLM医疗型人工智能的手段，患者被要求在使用应用前必须学习产品的相关特性。例如，了解LLM医疗型人工智能存在的算法黑箱或是幻觉答案，并通过对应的测试才能使用医疗型智能体。这一方式可以使患者更了解自己应该如何同人工智能进行沟通，提升沟通的有效性。除此之外，医师也应该学习了解LLM医疗型人工智能的技术与伦理知识，尤其是明白其在新型医患关系中充当的中介主体地位，通过前置教育和专业知识相结合，医师能够更准确地判断患者与人工智能交流的沟通报告信息，并据此做出决策。

3.3 建立以患者为中心的立体化协调机制

新型医患沟通模式的良性发展，依赖于多方主体的共同参与，需围绕患者构建立体化的协调机制。见图1。当前，LLM医疗型人工智能在应用过程中，出现的损害患者权利的问题，主要源于技术限制和监管不力。立体化协调机制就是针对这些问题，形成监管、医院、平台、医患沟通多维度治理框架，保障患者同各方沟通过程中权利不受损害。

图1 以患者为中心的立体化协调机制

LLM医疗型人工智能是由算法驱动和构建的，患者实质上是在与算法进行对话交流。而算法的构建又高度依赖于数据的质量和规模，因而确保数据的准确性和算法的透明性显得尤为重要。就相关监管部门来说，需要设定LLM医疗型人工智能准入标准，规范市面上具有医患沟通功能的不同类型医生智能体，并定期收集产生不公正、偏倚算法信息，反馈企业纠偏校正。LLM医疗型人工智能同有条件的医院建立深度联系，患者可以选择使用具有医院认证的沟通应用，并据此形成具有法律效用的问责机制。医院协同监管，对人工智能平台进行筛选，医师带头评估LLM医疗型人工智能，以制订使用规范[28]。医院也同样就医患关系进行监管，这需要长期广泛的数据收集，研究LLM医疗型人工智能应用中满意程度、医疗费用、沟通时长，分析是否真正有利于医患沟通和谐有序，并及时对监管部门与平台进行反馈。人工智能平台则在医师与患者之间建立起协调反馈系统，与医师不断合作以优化LLM 医疗型人工智能模型适配程度，也在患者端不断进行临床试验以提升产品的有效性。除此之外，人工智能平台需要根据《生成人工智能服务管理暂行办法》，自觉提高算法透明度，合乎道德地收集患者沟通数据，负责保证患者的权利。与此同时，通过与地方政府合作，将LLM医疗型人工智能应用的覆盖范围扩展到贫困偏远地区，确保不同程度的群体可以平等地进行新型医患沟通。

4 小结

随着LLM医疗型人工智能在医患沟通领域的应用，传统的医患沟通模式将受到前所未有的冲击。LLM人工智能技术为医患间沟通带去了现实的挑战，主要来自技术、认识、监管三方面的原因。由于模型限制所导致的黑箱效应和幻觉现象，可能导致沟通数据泄露或内容严重错误，进而误导患者。对新型医患沟通模式认识不清，也会造成医师与患者的主体性受到损害，可能形成隐性“家长式”沟通。此外，监管不严也可能带来沟通数据被占用和隐私权危机。因此，对待具体挑战，应该形成针对性的规范路径。通过明确新型医患沟通模式的主体性关系、应用前置教育作为使用规范，以及建立以患者为中心的立体化协调机制，利用技术优势，进一步形成准确高效、信任和谐的新型医患沟通模式。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] 张如意，周运翱，彭迎春. “医生-医疗人工智能-患者”新型医患关系建构路径探析[J]. 中国医学伦理学，2025，38（1）：103-108.

[2] SUFYAN N S，FADHEL F H，ALKHATHAMI S S，et al. Artificial intelligence and social intelligence：preliminary comparison study between AI models and psychologists [J].Front Psychol，2024，15：1353022.

[3] LARANJO L，DUNN A G，TONG H L，et al. Conversational agents in healthcare：a systematic review [J]. Am Med Inform Assoc，2018，25（9）：1248-1258.

[4] THIRUNAVUKARASU A J，TING D S J，ELANGOVAN K，et al. Large language models in medicine [J]. Nat Med，2023，29（8）：1930-1940.

[5] EMANUEL E J，EMANUEL L L. Four models of the physician-patient relationship [J]. JAMA，1992，267：2221-2226.

[6] TRIBERTI S，DUROSINI I，PRAVETTONI G. A “third wheel” effect in health decision making involving artificial entities：a psychological perspective [J]. Front Public Health，2020，8：117.

[7] HALTAUFDERHEIDE J，RANISCH R. The ethics of Chat-GPT in medicine and healthcare：a systematic review on large language models（LLMs）[J]. NPJ Digit Med，2024，7（1）：183.

[8] 黄一洲，谭郑雨. 生成式人工智能对于医患关系的伦理重构[J]. 医学与哲学，2024，45（3）：49-53.

[9] YANG X，XIAO Y，LIU D，et al. Enhancing doctor-patient communication using large language models for pathology report interpretation [J]. BMC Med Inform Decis Mak，2025，25：36.

[10] LYU Q，TAN J，ZAPADKA M E，et al. Translating radiology reports into plain language using ChatGPT and GPT-4 with prompt learning：results，limitations，and potential [J].Visual Computing for Industry，Biomedicine，and Art，2023，6（1）：9.

[11] ZOHNY H，ALLEN J W，WILKINSON D，et al. Which AI doctor would you like to see? Emulating healthcare provider-patient communication models with GPT-4：proof-of-concept and ethical exploration [J]. J Med Ethics，2025：jme-2024-110256.

[12] HANNA T P，KING W D，THIBODEAU S，et al. Mortality due to cancer treatment delay：systematic review and meta-analysis [J]. BMJ，2020，371.

[13] GYELTSHEN T，TEH H S，LOO C E，et al. Factors influencing presentation delay among cancer patients：a crosssectional study in Malaysia [J]. BMC Public Health，2024，24：1260.

[14] MORSE K E，OSTBERG N P，JONES V G，et al. Use characteristics and triage acuity of a digital symptom checker in a large integrated health system：populationbased descriptive study [J]. J Med Internet Res，2020，22（11）：e20549.

[15] WU A W，PAPIEVA I，MCDONALD K，et al. Getting the diagnosis right：World Patient Safety Day 2024 [J]. J Patient Safety Risk Management，2024，29（4）：174-177.

[16] 邹文卿，高雪晗. 智能医疗对构建新型医患关系的影响及对策研究[J]. 医学与哲学，2025，46（1）：25-29.

[17] PARK H J，WOO C Y，LIM S，et al. Comparisons between a large language model-based real-time compound diagnostic medical AI interface and physicians for common internal medicine cases using simulated patients [J].arXiv preprint，2025，arXiv：2505.20609.

[18] ONG J C L，CHANG S Y H，WILLIAM W，et al. Medical ethics of large language models in medicine [J]. NEJM AI，2024，1（7）：AIra2400038.

[19] SCHWARTZ I S，LINK K E，DANESHJOU R，et al. Black box warning：large language models and the future of infectious diseases consultation [J]. Clin Infect Dis，2024，78（4）：860-866.

[20] 吕小康，徐恺琳. 网络时代的“好病人”：医生眼中的“百度病患”与网络医学信息[J]. 社会科学研究，2025（1）：100-108.

[21] TU T，PALEPU A，SCHAEKERMANN M，et al. Towards conversational diagnostic AI [J]. arXiv Preprint，2024，arXiv：2401.05654.

[22] HILDEBRAND C. On the risks of depersonalizing consent and the safe implementation of LLMs in medical decision-making [J]. J Med Ethics，2025.

[23] ONG J C L，CHANG S Y H，WILLIAM W，et al. Medical ethics of large language models in medicine [J]. NEJM AI，2024，1（7）：AIra2400038.

[24] GEANTĂ M，BĂDESCU D，CHIRCA N，et al. The potential impact of large language models on doctor-patient communication：a case study in prostate cancer [J].Healthcare，2024，12（15）：1548.

[25] HANCOCK J T，NAAMAN M，LEVY K. AI-Mediated Communication：definition，research agenda，and ethical considerations [J]. J Comput Mediat Commun，2020，25（1）：89-100.

[26] YADEN D B，GIORGI S，JORDAN M，et al. Characterizing empathy and compassion using computational linguistic analysis [J]. Emotion，2024，24（1）：106.

[27] SCHMIDT P，LOIDOLT S. Interacting with Machines：can an artificially intelligent agent be a partner? [J]. J Philos Technol，2023，36：55.

[28] LIZÉE A，BEAUCOTÉ P A，WHITBECK J，et al. Conversational medical AI：ready for practice [J]. arXiv Preprint，2024，arXiv：2411.12808.

Large language model artificial intelligence helps new doctor-patient communication mode practical challenges and technical approaches

ZHANG Xiang WANG Yuxue

School of Marxism, Guangzhou University of Chinese Medicine, Guangdong Province, Guangzhou 510006, China

[Abstract] With the widespread adoption of large language model (LLM) artificial intelligence in doctor-patient communication, it will help form a new doctor-patient communication model of “doctor-medical artificial intelligencepatient”, it is also conducive to patients communicating their diseases in a timely and efficient manner, as well as optimizing the rational allocation of medical resources.However, this different doctor-patient communication model from the traditional one may face many challenges in reality due to the limitations of the model itself, the ambiguous cognition of the doctor-patient communication subjects and the insufficient supervision, which in turn affects the people-oriented doctor-patient communication effect. By conducting an in-depth analysis of the causes of problems arising in the application process of LLM artificial intelligence, finding appropriate normative paths, clarifying the roles of each subject in terms of understanding, enhancing patients' understanding of this technology through pre-education, forming a patient-centered three-dimensional coordination mechanism to strengthen supervision, and establishing a new doctorpatient communication model that is precise, efficient, and full of humanistic care.

[Key words] Large language model artificial intelligence; Doctor-patient communication; Doctor-patient trust; Risks and challenges

[中图分类号] R192.3

[文献标识码] A

[文章编号] 1673-7210（2026）03（b）-0013-07

DOI：10.20047/j.issn1673-7210.25101762

[基金项目] 广东省教育科学规划课题（2025JKDJ021）；广州中医药大学马克思主义学院硕士研究生“揭榜挂帅”创新项目“医学人文”研究专项立项课题（2025YXRW003）。

[作者简介]

张相（2000-），男，硕士；研究方向：医学人文。

[通讯作者] 王玉学（1973-），男，教授，硕士生导师；研究方向：教育法治、中医药政策法律。

（收稿日期：2025-10-26）

（修回日期：2025-12-30）