文章核心总结与创新点一、主要内容研究背景：大型语言模型（LLMs）已成为临床决策支持（CDS）中快速普及的工具，三分之二的美国医生正在使用，2025年预计超1亿美国人将接受使用该类工具的医生提供的诊疗服务。但LLMs的临床安全性缺乏系统评估，现有基准多聚焦医疗知识和诊断推理，未充分关注其输出对患者的实际伤害风险。核心基准构建：开发了NOHARM（Numerous Options Harm Assessment for Risk in Medicine）基准，基于100个真实的初级保健到专科咨询病例，覆盖10个医学专科，由29名董事会认证医生（含23名专科医生）对4249个临床管理选项进行12747条详细注释，标注每个选项的临床适当性（获益vs伤害）及伤害严重程度。关键研究发现：31款主流LLMs中，严重伤害发生率最高达22.2%（95%CI 21.6-22.8%），遗漏性伤害（未推荐必要诊疗行为）占严重错误的76.6%。LLM的安全性与现有AI或医学知识基准仅中度相关（r=0.61-0.64），模型参数、发布时间等常见指标无法可靠预测临床安全性。最优模型在安全性上优于全科医生（平均差异9.7%，95%CI 7.0-12.5%），多智能体协同方案（结合开源模型、专有模型和RAG系统）比单一模型减少8.0%的伤害。安全性与"克制性"（避免模棱两可诊疗建议的能力）呈倒U型关系，过度精准或过度宽松的模型均会降