在醫療信息傳播中，復雜的專業術語和高階閱讀要求構成了患者理解的"語言壁壘"。美國醫學雜志建議醫療材料應適配6年級閱讀水平（Flesch-Kincaid評分），但現實中醫護機構如CDC、WHO發布的材料平均閱讀等級高達11-18級。這種認知鴻溝直接影響患者治療依從性，尤其在精神病學領域，清晰溝通對治療參與度具有決定性作用。盡管大型語言模型（LLMs）在心理健康篩查、雙相情感障礙（Bipolar Disorder）輔助診斷等領域已有應用，但其在醫療文本簡化這一基礎環節的可靠性尚未系統驗證。

美國國立衛生研究院國家藥物濫用研究所（NIDA）的Ankit Aich團隊聯合賓夕法尼亞大學研究人員，在《NPP—Digital Psychiatry and Neuroscience》發表研究，首次系統評估五種主流LLMs（GPT-3.5/4/4o、LLaMA-3、Mistral-7B）的醫療文本簡化能力。研究采用多階段實驗設計：首先通過提示工程優化確定零樣本學習（k=0）為最佳策略；隨后選取ADHD、流感、HIV、物質使用和疫苗五大主題的25篇權威文獻（來源CDC/WHO/Mayo Clinic等），要求模型將文本簡化為FK=6水平并保持200詞以上輸出；最終使用Py-Readability-Metrics量化閱讀等級偏差。

METHODOLOGY
研究采用對照實驗設計，以原始文本FK值為基線（表1顯示ADHD材料FK=11.4-18.9），比較模型輸出與目標值的差距。關鍵發現體現于分主題結果圖：在疫苗主題中GPT-4o對前兩篇文本簡化效果最佳（FK≈7），但對后三篇失效；ADHD主題中LLaMA-3產生非英語亂碼導致FK值異常；HIV和流感主題所有模型均未達標，且出現無關內容生成。

RESULTS
性能差異顯著：GPT系列模型平均偏差最�。℅PT-4o最低FK=3.2），但標準差顯示其不穩定；較小模型如LLaMA-3（σ=27.6）和Mistral-7B完全失效。定性分析發現，模型在簡化高FK基線文本（如物質使用主題FK=27.7）時表現最差，且存在主題漂移風險。

DISCUSSION
該研究揭示了LLMs在醫療簡化任務中的雙重局限：技術層面，現有模型無法穩定控制輸出復雜度；應用層面，其生成內容可能包含錯誤或無關信息。這對數字精神病學應用提出警示——即便GPT-4等先進模型，仍需結合人工審核才能確保信息準確性。研究建議未來開發應聚焦：1）融合領域知識的微調策略；2）閱讀等級約束的強化學習機制；3）多模態校驗系統。

這項研究為醫療AI部署設立了關鍵質量基準，證明當前技術尚未達到臨床級文本簡化要求。其意義不僅限于精神病學領域，更為糖尿病、心血管病等需長期健康管理的慢性病教育材料自動化生產提供了方法論參考。隨著LLMs在遠程醫療、可穿戴設備健康提示等場景的滲透，解決簡化一致性難題將成為提升數字醫療包容性的核心挑戰之一。