便携式心电设备让人们在家中就能获取心电数据，但报告上的专业术语和异常提示，仍可能让普通用户难以理解。结果意味着什么、风险有多大、是否需要进一步检查？这些问题往往需要连续解释。

大语言模型能够以自然语言回应这些疑问。不过，当它进入真实的居家健康场景后，用户究竟会怎样提问、如何继续追问，又会在何时表达担忧，仍缺少大规模真实世界证据。

2026年10月7日，北京大学洪申达课题组联合北京师范大学、安徽心之声医疗科技有限公司、四川外国语大学及中央财经大学等单位，在Nature旗下期刊 npj Digital Medicine在线发表题为“Real-world user interactions with large language models for explaining home electrocardiogram reports”的研究论文。

研究基于问心无恙®平台采集的16个月真实使用数据，分析了 26,419名用户的109,017次会话、323,470轮有效对话，考察用户使用特征、需求演化、确认与担忧表达以及交互修复行为，为医疗大模型的解释方式和风险沟通设计提供依据。

从心电检测到报告解释

研究基于问心无恙®平台开展。用户通过便携式单导联设备采集心电信号，经微信小程序上传后，由云端AI模块分析并生成结构化报告。大语言模型结合报告、用户问题、近期对话上下文及检索到的医学知识，提供自然语言解释。

其中，心电信号分析与语言解释由不同模块完成。大语言模型主要围绕已有报告进行解释；涉及异常结果、高风险症状或个体化诊疗决策时，系统提示用户接受专业医学评估，并提供医生复核入口。

研究纳入2024年4月16日至2025年8月18日的真实使用记录，通过数据清洗、会话划分、意图识别和定量与定性结合的分析，考察用户使用特征、需求演化、确认与担忧表达以及交互修复行为。

图1 居家AI心电系统与大语言模型报告解释流程（来源：本研究论文对应原图）

一 用户使用延伸到日常生活

研究发现，60.01%的交互发生在非工作时间，晚间21时的使用最为集中；57.90%的用户来自一、二线以外的城市及地区。这些分布提示，居家医疗对话系统可能在常规医疗服务之外，为用户提供额外的信息支持。

在研究期间，54.21%的用户发起过至少两次独立会话；64.93%的会话包含2至5轮对话。用户经常在得到第一条解释后继续交流。

图2 用户使用分布与交互特征（来源：本研究论文对应原图）

二 咨询需求从报告解读走向医学知识

报告解读是最常见的需求，出现在58.59%的会话中。同一次会话还可能包含术语解释、病因、症状、生活方式和后续行动等多种需求。以报告解读开始的会话，在进入第二轮前的结束比例仅为3.43%；其中38.32%在第二轮转向医学知识咨询。这说明，用户当前的检测结果可以成为持续交流的具体起点。

研究还观察到反复出现的“行动咨询转向知识理解”路径。用户询问检查、治疗或是否需要就医后，可能进一步回到基础概念，尝试先理解相关医学信息，再考虑下一步。

图3 用户意图分布及多轮对话中的需求变化（来源：本研究论文对应原图）

三 风险担忧在对话中逐渐显现

在行动咨询转向知识咨询的相邻对话中，询问系统准确性和可靠性的确认表达比例，从3.08%降至0.07%。同时，与风险担忧相关的表达，在首轮、中间轮和末轮分别占4.48%、8.07%和5.85%，呈现先增加、后部分回落的变化。

它们提示，用户的风险疑问可能在得到初步解释后才变得明确；对话结束时，也可能仍需要更清晰的风险说明和下一步指导。医疗大模型因此需要关注担忧在对话中的变化，解释风险及不确定性，并在需要临床判断时衔接专业评估。

四 用户常通过简化问题继续交流

研究进一步分析了214,453对相邻用户问题，通过语义相似度和文本长度变化识别交互修复策略。简化问题占全部相邻问题对的28.16%，比补充背景、重复追问或切换话题更常见。

对随机抽取的300对简化问题进行人工编码后，研究发现，85.7%的案例涉及提炼关键词或重新表述。用户通常保留核心问题，同时减少修饰、背景或过于具体的条件，也可能将宽泛的请求改为更聚焦的概念、风险或行动问题。

这为系统设计提供了一个可观察的线索：用户反复缩短、改写问题时，系统可以尝试突出主要结论、降低解释复杂度，并澄清用户当前最需要的信息。不过，问题变短也可能是正常追问，不能一概认定为前一条回答失败。

图4 相邻用户问题中的交互修复策略（来源：本研究论文对应原图）

为居家医疗大模型提供交互设计依据

基于上述发现，研究提出围绕检测结果进行渐进解释、识别风险担忧、支持交互修复以及衔接医生复核等设计建议。系统可以从用户当前的报告出发，逐步解释医学概念及相关风险，再根据需求提供后续行动和健康管理信息；当用户反复缩短、重复或改写问题时，调整解释层次并澄清其核心疑问。对于需要临床判断的问题，应明确系统能力边界，并提示用户寻求专业医学评估。

本研究为居家医疗大模型的人机交互设计提供了真实世界依据。由于数据来自单一平台的回顾性记录，且匿名对话未与医生复核记录及后续临床结局关联，研究尚不能据此判断实际诊疗获益。相关设计建议仍需在不同平台、人群和医疗服务场景中进一步验证。

论文与代码

文章链接：https://www.nature.com/articles/s41746-026-03330-w

代码链接：https://github.com/AlfaShun/AI-ECG-Interaction-Dynamics