在临床诊断中，答案的准确性、可验证性以及严格遵循官方指南是至关重要的。尽管大语言模型（LLM）在自然语言处理方面表现出色，但其生成的幻觉内容在高风险的医疗环境中会严重削弱其实用性。现有的检索增强生成（RAG）系统通常将所有证据平等对待，导致上下文噪声大、答案泛化，难以满足临床实践的需求。
为了应对这些挑战，研究人员开发了 ClinicBot——一种基于指南的临床聊天机器人，旨在将指南建议转化为可信赖的临床支持。该系统的核心创新包括三个方面：首先，它能够将临床指南结构化为语义单元，包括建议、表格、定义和叙述，并为每个单元明确标注来源；其次，ClinicBot 引入了证据优先级排序机制，根据临床重要性和指南结构而非文本相似性对检索内容进行排名，从而筛选出最相关的信息；最后，系统提供了一个基于 Web 的界面，能够将复杂指南转化为简洁、可操作的回答，并附带可验证的证据引用。
为了验证系统的有效性，研究人员使用真实患者的糖尿病问题以及基于美国糖尿病协会（ADA）2025 年糖尿病护理标准的风险评估工具进行了演示。演示结果表明，语义知识提取与分级证据排序相结合，能够在多智能体环境中可靠地处理大规模复杂临床指南。这项研究标志着在提高临床决策支持系统的可靠性和透明度方面迈出了重要一步，有望为医疗 AI 应用树立新的标准。系统目前在 arXiv 上以预印本形式发布（编号 2605.00846），由 Navapat Nananukul 和 Mayank Kejriwal 共同撰写。