MyoCardBench：用于评估大语言模型在临床真实心血管护理场景中的真实世界数据基准

研究人员开发了MyoCardBench，这是一个基于真实世界数据的心血管护理基准，包含2263个来自13个任务的数据集，由16名心脏病医生标注。在零样本设置下评估了7个大型语言模型，GPT-5.4以62.55的宏观平均分排名第一，Gemini 3.1 Pro和Qwen 3.6 27B紧随其后。表现最好的任务是CardioAuxReport（86.38），最差的为CardioECGRead（17.25）和CardioEthics（17.34）。

此前医学大模型基准多依赖考试知识或孤立任务，无法反映心血管护理的纵向、多模态和安全关键特性。MyoCardBench首次覆盖整个护理连续体，使用真实临床数据和专家验证，提供了更贴近实际工作流的标准化评估方法。

基准包含13个任务特定数据集，涵盖辅助报告、急诊处理、伦理判断等环节，由资深心脏病医生构建参考答案并交叉审核。零样本设置下所有模型按统一标准生成输出，开放式任务通过关键点覆盖率和综合临床质量双维度评分，从而系统对比模型在不同临床能力上的差距。

该基准为心血管AI产品提供了可量化的临床能力评估框架，帮助开发团队识别模型在ECG解读、伦理决策等关键环节的不足，并指导针对低分任务（如CardioECGRead）的专项训练或模型选型。

• 基于MyoCardBench评估结果，优先将GPT-5.4或Qwen 3.6 27B集成到心血管辅助报告生成产品中，利用其高CardioAuxReport得分提升效率。
• 针对CardioECGRead和CardioEthics低分任务，投入专项数据标注和模型微调，开发临床可用的心血管诊断辅助工具。

• 论文中提到的GPT-5.4是否对应实际版本（如GPT-4 Turbo）？名称是否存在笔误？
• MyoCardBench的数据集是否包含多模态信息（如心电图波形图像）？其规模能否覆盖所有心血管亚专业？
• 该基准的评分体系（关键点覆盖率和综合临床质量）与真实临床结局相关性如何？