在臨床診斷中，答案的準確性、可驗證性以及嚴格遵循官方指南是至關重要的。儘管大語言模型（LLM）在自然語言處理方面表現出色，但其生成的幻覺內容在高風險的醫療環境中會嚴重削弱其實用性。現有的檢索增強生成（RAG）系統通常將所有證據平等對待，導致上下文噪聲大、答案泛化，難以滿足臨床實踐的需求。
為了應對這些挑戰，研究人員開發了 ClinicBot——一種基於指南的臨床聊天機器人，旨在將指南建議轉化為可信賴的臨床支援。該系統的核心創新包括三個方面：首先，它能夠將臨床指南結構化為語義單元，包括建議、表格、定義和敘述，併為每個單元明確標註來源；其次，ClinicBot 引入了證據優先順序排序機制，根據臨床重要性和指南結構而非文本相似性對檢索內容進行排名，從而篩選出最相關的資訊；最後，系統提供了一個基於 Web 的介面，能夠將複雜指南轉化為簡潔、可操作的回答，並附帶可驗證的證據引用。
為了驗證系統的有效性，研究人員使用真實患者的糖尿病問題以及基於美國糖尿病協會（ADA）2025 年糖尿病護理標準的風險評估工具進行了演示。演示結果表明，語義知識提取與分級證據排序相結合，能夠在多智慧體環境中可靠地處理大規模複雜臨床指南。這項研究標誌著在提高臨床決策支援系統的可靠性和透明度方面邁出了重要一步，有望為醫療 AI 應用樹立新的標準。系統目前在 arXiv 上以預印本形式釋出（編號 2605.00846），由 Navapat Nananukul 和 Mayank Kejriwal 共同撰寫。