Unverified50% confidenceFactExact time
若AI遗漏患者的药物过敏史、既往病史或用药剂量等关键信息，LLM裁判很可能毫无察觉，反而给出内容准确、无幻觉的高分评价
1
Sources
50%
Confidence
Long-term
Relevance
9/11/2026
First Seen
Sources
Related Entities
Related Claims
Unverified对于患者端医疗AI摘要产品，缓解幻觉风险的策略包括保留原始音频供回溯验证、对数字和药名进行实体识别校验、标注低置信度段落、声明摘要仅供参考75% similarUnverified一项聚焦AI临床病历的研究发现LLM裁判擅长验证信息的存在性，却难以发现信息缺失，研究者将此现象命名为遗漏盲区（Omission Blindness）74% similarUnverified都保装置无剂量计数器（旧款），用户难以直观判断剩余剂量，需根据首次使用日期自行估算用量或摇晃听声判断，容易出现药物用尽而不自知的情况72% similarUnverified现有评估机制会系统性地高估AI临床病历的质量，主要防范多写却几乎不防范少写71% similarUnverified如果主要需求是获得医生级别的排便异常预警或智能健康建议，该App侧重于高效记录而非智能诊断分析，可能无法满足期望71% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/909753API
curl https://kongchang.com/api/v1/knowledge/claims/909753MCP
get_claim(id=909753)