Page 13 - 《中国医疗器械杂志》2026年第2期

Chinese Journal of Medical Instrumentation 2026年 第50卷 第2期

医 疗 机 器 人

表2 Multi-RevRobot核心任务性能测试结果
Tab.2 Multi-RevRobot core task performance test results
对比基准
任务类别 测试指标 测试结果 备注
（传统人工/软件）
报告生成平均耗时 5~90 min 数周至数月 生成报告的时长随纳入研究数量增加而上升
证据报告生成 报告内容平均完整性
（病种/年度/ >95% 依赖研究者经验，波动大 一键生成PPT
MA/NMA） 可视化图表自动生成成 100% 需额外使用统计软件 包括森林图、漏斗图、概率排序图等
功率 （如R，RevMan）
问答准确率 >90% N/A
智能问答 基于预设标准问题的测试
问答响应速率 3~15 s N/A
导航成功率 >85% N/A 包含静态避障、动态规避行人
导航与移动
平均任务移动速度 0.6 m/s N/A 兼顾安全与效率
单次充电连续工作时间 ≥10 h 满足典型工作班次需求 中等交互强度，屏幕常亮
系统稳定性
云端连接成功率 >95% 依赖本地网络条件 24 h测试

Multi-RevRobot在证据报告自动生成效率、专 人设计中展现出良好性能，但当前系统仍存在若干
业领域智能问答准确性、结构化环境下的导航可 局限性：
靠性以及续航能力等方面展现出显著优势，初步验 （1）当前EVDS数据库及其子库（如AICED-
证了其作为中医药临床证据智能转化助手的应用 CPM）主要聚焦于中成药的现代临床研究证据
潜力。相较于传统方式，该系统能大幅缩短证据 （RCT、Meta分析等），对于针灸以外的其他特色
获取与产出周期，降低专业知识应用门槛。Multi- 疗法（如推拿、刮痧）的高质量证据仍较为缺乏。
RevRobot生成的Meta分析流程总览（应用验证） 知识库的更新周期约为10~12个月。
如图9所示。 （2）系统的自然语言理解能力仍受限于现有

语言模型的泛化能力，在处理中医药特有的复杂术
语、模糊表述（如患者描述的“上火”“气虚”症
状）以及涉及多轮问答时仍存在挑战。
（3）当前交互以中文为主，对多语言的支持
尚在开发初期。
①创建报告 ②填写基本信息
（4）SLAM在极端干扰环境（如强光直射摄
像头、密集移动人群造成的激光雷达散射、强电磁
干扰区域）下的定位精度和稳定性可能下降。对于
③从数据库检索并选择
⑤创建Meta分析指标 ④对数据进行标化 符合纳排标准的文献 极小或高反光障碍物的识别仍存在误判或漏判的
(a) Multi-RevRobot生成的Meta分析流程（1~5步）
(a) Process of meta-analysis generation by Multi-RevRobot (steps 1–5) 风险。
6.3.2 未来展望

⑥一键生成 未来将从以下方向持续优化Multi-RevRobot
系统：
（1）扩充中医药领域多类型的研究，拓宽
分析图片
Meta
Multi-RevRobot系统的数据源。探索利用AI文献自
动挖掘与结构化技术（如改进的关系抽取、证据自
动分级），提升系统的广度、深度和更新效率。
⑦生成报告
(b) Multi-RevRobot生成的Meta分析流程（6~7步） （2）引入多模态大语言模型（multi-modal
(b) Process of meta-analysis generation by Multi-RevRobot (steps 6–7)
large language model， MLLM） ， 融 合 视 觉 、 语
图9 Multi-RevRobot生成的Meta分析流程总览（应用验证）
Fig.9 Overview of the meta-analysis workflow generated by Multi- 音、传感器等多源信息，提升对复杂语境和模糊表
RevRobot (application verification) 述的理解力。加强多语言支持，特别是中医药术语

6.3 系统局限性与未来展望 的精准翻译与跨文化交互能力。
6.3.1 局限性 （3）探索多传感器（如热成像、毫米波雷达）
尽管Multi-RevRobot在知识驱动的服务型机器 的深度融合算法，提升在极端干扰环境下的鲁棒性。

127