关键词 大语言模型;慢性病;自我管理;范围综述
doi：10.12102/j.issn.1009-6493.2026.10.025
Application of large language models in the field of chronic disease self-management： a scoping review
ZHANG Shuai， WANG Han， ZHANG Kexin， ZHANG Liping， LIU Jiazhen， LAI Xiaoxing
Chinese Academy of Medical Sciences Peking Union Medical College Hospital， Beijing China
Corresponding Author LAI Xiaoxing， E-mail： laixx86@163.com
Abstract Objective： To conduct a scoping review of the application of large language models in the field of chronic disease self-management， and to provide a reference for future research. Methods： The Joanna Briggs Institute scoping review guideline was used as the framework. Databases including CNKI， Wanfang， VIP， PubMed， EMbase， and Web of Science Core Collection were searched. Literature screening and data extraction were performed. Results： A total of 10 articles were included. The summarized information indicates that the application forms of large language models in the field of chronic disease self-management included chatbots， intelligent interactive information support systems， precision recommendation systems integrated with medical data， and integrated image-language systems. The content elements included providing disease knowledge and self-management skills guidance， exercise management， diet management， medication management， activities of daily living management， health data monitoring， communication with healthcare professionals， and psychological support. The main application outcomes was related to self-management ability indicators， symptoms indicators， feasibility indicators， and other indicators. Conclusions： Large language models can enhance patients' self-management abilities， symptom indicators and psychological states. Large language models demonstrate high feasibility and patient acceptance. However， existing studies have limitations such as insufficient intervention depth， limited coverage of disease types， and ethical risks. Future efforts should optimize model functional design based on professional characteristics， strengthen ethical and privacy protection mechanisms， and explore the sustainability of large language models in chronic disease management to promote patient recovery and improve their quality of life.
Keywords large language models; chronic disease; self-management; scoping review
美国疾病控制和预防中心（Centers for DiseaseControl and Prevention， CDC）将慢性病定义为病程持续1年或1年以上，需要持续性护理和/或对病人日常生活和活动造成限制的疾病[1]。世界卫生组织（WHO）统计数据显示，慢性病每年至少导致4300万人死亡，由于慢性病具有患病率和死亡率较高、控制率和知晓率较低、疾病负担较重等特点，导致其成为影响全球健康的重点问题之一[2]。自我管理是慢性病治疗与控制的核心手段，是病人对疾病症状、治疗、生活方
式及慢性病特有的生理、心理、社会结局的管理 [3] 。人工智能（artificial intelligence， AI）技术的发展促成了大语言模型（large language models， LLMs）的诞生，LLMs是基于Transformer模型架构的语言模型，通过大规模数据训练和深度学习技术执行文本生成、语言对话、人机交互等复杂任务 [4] ，其中最具代表性的是美国OpenAI公司于2022年发行的聊天生成预训练转化器（chat generative pre-trained transformer， ChatGPT） [5] 。2025年1月，我国AI研发公司DeepSeek发布推理模型DeepSeek-R1，多项测试显示其达到或超越OpenAI [6] ，提示我国AI技术取得了重大突破，进一步促进了大模型技术的广泛应用，引起医疗、护理等领域的关注。技术的发展使人们的生活日新月异，同时也带来了自我管理手段的变革。本研究基于澳大利亚乔安娜布里格斯研究所的范围综述指南框架，对LLMs在慢性病管理中的应用研究进行范围综述，以期为后续研究提供参考。
1 资料与方法
1.1 确立研究问题
根据 PCC 原则确定研究问题。1） 研究对象 （population， P）： 慢性病病人; 2） 概念 （concept， C）： 涉及在慢性病病人自我管理中应用 LLMs 的相关内容; 3） 情境 （context， C）： 慢性病病人应用 LLMs 的自然场景， 包括医疗机构或家庭。
1.2 文献纳入与排除标准
纳入标准：1）研究对象为慢性病病人;2）干预措施为应用LLMs的慢性病自我管理;3）文献类型为原始研究。排除标准：1）非中英文文献;2）综述类研究;3）不能获取全文的文献;4）LLMs的应用脱离实际临床案例。
1.3 文献检索策略
计算机检索中国知网（CNKI）、万方数据库、维普数据库、PubMed、EMbase、Web of Science 核心数据库，采用主题词和自由词相结合的方式，检索时限为建库至2025年2月1日。英文数据库以PubMed为例，检索式为：“（chronic disease） OR （（self-management） OR （diet） OR （motion） OR （drug compliance） OR （medication-compliance） OR （emotion） OR （education）））
AND （（large language models） OR （chatbot） OR （ChatGPT））”。中文数据库以万方数据库为例，检索式为：“（主题：（LLMs）OR主题：（ChatGPT）OR主题：（DeepSeek）OR摘要：（深度求索））AND（题名或关键词：（慢性病）OR题名或关键词：（自我管理）OR题名或关键词：（自我照护））”。
1.4 文献筛选与数据提取
将检索获得的文献导入 EndNote X9 软件剔除重复文献，由 2 名经过循证培训的研究者严格按照文献纳入与排除标准独立进行文献筛选，筛选过程中发生分歧，与第 3 名研究者讨论，再决定文献的纳入或排除。对纳入的文献进行数据提取，提取信息包括作者、发表年份、国家、研究类型、研究场所、研究对象、样本量、试验组干预方法（LLMs 类型、内容要素）、对照组干预方法、结局指标等。
2 结果
2.1 文献检索结果
初步检索获得相关文献616篇，剔除重复文献、阅读文献摘要和文题进行初筛后剩余文献76篇，阅读全文复筛后，最终纳入10篇文献 [7-16] ，文献筛选流程及结果见图1。
图 1 文献筛选流程及结果
Figure 1 Literature screening process and results
2.2 纳入文献的基本特征（见表1）
表 1 纳入文献的基本特征
Table 1 Basic characteristics of the included studies
注：①为提供疾病知识和自我管理技能指导；②为日常生活活动管理；③为与医护人员沟通；④为提供心理支持；⑤为运动管理；⑥为健康数据监测；⑦为饮食管理；⑧为服药管理。
2.3 LLMs用于慢性病自我管理的主要形式
LLMs应用于慢性病病人自我管理领域的主要表现形式有4类。1）聊天机器人 [8-10，12-14] ：作为目前重要的人机交互模式，已广泛应用于医学领域，能够利用计算机学习技术分析病人需求，提供个性化的健康教育内容，是LLMs应用于慢性病病人自我管理的重要表现形式。2）智能交互式信息支持系统 [7，15] ：将AI与交互设计有机结合，通过个性化资源推送和智能排序，极大地优化了病人获取疾病管理相关信息的过程，并且这种信息不局限于文字，还包括图片、视频等方式。3）结合医疗数据的精准推荐系统 [16] ：通过分析病人的行为数据，了解病人关注点，推荐最适合病人的问卷内容。4）集成式图像-语言系统 [11，15-16] ：结合了LLMs和基于图像的深度学习技术，辅助医生进行疾病分级及并发症筛查，进一步为病人自我管理提供个性化建议。
2.4 LLMs用于慢性病自我管理的内容要素
LLMs应用于慢性病病人自我管理主要涉及8个方面内容。1）提供疾病知识和自我管理技能指导[7，9，11-15]：通过事先将疾病知识或自我管理技能编程到LLMs，再以消息或对话的形式传递给使用者，包括慢性病基础知识、自我管理目标、流程、意义等内容。2）运动管理[9，16]：向病人发送运动目标、形式、内容，提供运动指导的过程，并根据病人的提问进行个性化解答。3）饮食管理[16]：以对话形式向病人推荐更健康的饮食选择，在不改变消费的前提下协助病人调整饮食分配。4）服药管理[16]：根据病人的个体情况提供对应
药物的名称、作用功效、剂量频率的消息通知，在需要的时间提醒病人服药。5）日常生活活动管理 [7，11，14] ：根据病人日常生活活动情况（家务、出勤、穿衣等）进行管理，改善病人行为。6）健康数据监测 [10，15] ：对病人的血压、血糖等慢性病相关生理指标进行监测，还可通过深度学习功能对糖化血红蛋白等进行预测。7）与医护人员沟通 [7，11，15] ：分为主动沟通和被动沟通两种形式，主动沟通是病人可以通过LLMs植入平台与医务人员进行疾病相关的沟通；被动沟通是指医务人员发现LLMs对话、提醒或记录的生理指标存在异常或特殊情况时，主动通过平台与病人进行沟通。8）提供心理支持 [8，11-15] ：根据病人的性格特征生成个性化文本，向病人发送鼓励性消息，逐渐加深日常交流，改善病人心理状态。
2.5 LLMs用于慢性病自我管理的应用效果
LLMs用于慢性病自我管理的应用效果主要涉及4个类别。1）自我管理能力指标：4项研究[7，11，13，16]报告了自我管理能力指标，通过自我管理行为量表、自我效能量表、运动行为改变量表、社会适应量表等评价。3项研究[7，11，16]结果显示，应用LLMs有利于提高慢性病病人的自我管理能力；1项研究[13]将疼痛教育与聊天机器人干预联合，结果显示，干预前后病人的自我管理效能未得到显著改善。2）症状指标：10项研究[7-16]均报告了慢性病相关症状指标，如疼痛评分、焦虑抑郁评分、糖尿病痛苦评分，8项研究[7-13，16]结果显示，LLMs应用于慢性病病人自我管理对其疾病症状有不同程度的改善；2项研究[14-15]分别将抑郁症病人分为网络化认知行为疗法联合聊天机器人组和网络化认知行为疗法组、将糖尿病病人分为基于AI算法的个性化护理干预组和常规护理组，结果均显示两组症状差异无统计学意义（均 P>0.05 ）。3）可行性指标：9项研究[8-16]报告了可行性指标，涉及使用依从性、可接受性量表、病人体验问卷、病人满意度等，大部分研究[8-12，14，16]病人认为LLMs的使用是可接受且可以获益的；1项针对抑郁症病人的研究[8]发现，LLMs和常规护理在可行性方面差异无统计学意义（ P>0.05 ）。4）其他指标：5项研究[7，10，13-14，16]报告了生活质量、社会支持、糖化血红蛋白水平、主观幸福感、癌症基因检测完成度等指标。
3 讨论
3.1 LLMs在我国慢性病自我管理领域受到关注
本研究结果显示，纳入的研究主要来自我国 [7-8，16] ，其次为美国 [10，13] 和日本 [9，14] 。美国于2022年率先发布ChatGPT，引发全球范围的流行。我国研究者对此展现出了极高的关注度并积极开展了LLMs在慢性病自我管理领域的研究。2025年，我国发布了DeepSeek-R1，其解决了LLMs的闭架结构、高计算成本和对专业医疗环境有限适应性等问题[17]，可利用公开可用的开源数据集促进持续学习，增强对不断发展的医学知识和科学推理的适应性，为我国进一步探索LLMs在医疗领域中的应用实现技术上的重大突破。我国LLMs用于慢性病自我管理的研究主要聚焦糖尿病、癌症、抑郁症等慢性病的自我管理，且干预场景以门诊为主，可能与以上病种在我国患病率高从而引起广泛关注有关。国外研究多集中于明显伴随心理负担和躯体不适的慢性病，干预场景以居家为主。
3.2 LLMs在慢性病自我管理领域的应用处于起步阶段
LLMs在慢性病自我管理领域的研究纳入的慢性病种类较局限，集中于抑郁症、癌症、糖尿病等，这些疾病具有病程长、需长期进行心理支持或行为干预的特点，与LLMs在情感交互和个性化指导方面的优势相契合。已有研究发现，LLMs能够高精度理解和生成类似人类情感的文本，针对性检测病人的情绪状态和潜在的心理健康问题，这种情感交互优势主要以聊天机器人的形式体现[18]。聊天机器人对缓解抑郁情绪效果较好，病人对与机器人进行情感交互接受度较高，认为聊天机器人“友好”“响应迅速”“具有同理心”[19]。接受聊天机器人干预的病人，常会随着自我效能的增加而提高对治疗方案和促进健康行为的依从性，有利于进一步控制疾病症状。本研究发现，目前针对慢性病病人自我管理的LLMs多以聊天机器人、电子教练等智能交互为主要表现形式，涵盖知识教育、运动管理、服药提醒等8类要素，但缺乏足够的干预深度，如饮食管理仅通过“对话推荐”，缺乏与营养数据库的实时联动；心理支持多依赖固定文本模板，缺乏动态适配病人情绪变化的功能；此外，多数研究干预周期较短，未追踪长期效果，缺乏对LLMs在慢性病病人自我管理中可持续性的验证，且在心血管疾病、呼吸系统疾病等具有专科特点的慢性病中应用价值未被充分探索，仍有待进一步研究。
3.3 LLMs在慢性病自我管理领域的可行性及应用价值
3.3.1 提升慢性病病人自我管理能力
慢性病病人自我管理能力的建立是一个漫长且持续的过程，涵盖了症状监测、治疗依从性以及生活方式调整等多个方面。LLMs凭借其多样化的应用形式（如聊天机器人、智能交互式信息支持系统、结合医疗数据的精准推荐系统和集成式图像-语言系统等）可以为病人提供持续性、个性化的健康支持和健康教育，从而增加病人对疾病的自我管理能力[7，11，16]。LLMs最突出的优势在于能够适配慢性病病人制定和执行的长期健康计划进行实时症状监测，记录行为轨迹并提供专业建议，从而有效协助病人控制疾病症状，如在慢性疼痛管理中，聊天机器人不仅能够基于行为改变策略提供放松及缓解疼痛的技巧，还能在病人对疼痛管理产生疑问时，快速从既定的数据库中搜寻信息并予以解答;病人因疼痛难以维持管理行为时，能够通过分析病人的个性及管理习惯，针对性地给予鼓励与心理支持，从而帮助病人减轻疼痛[9，11，13]。此外，LLMs还具有较强的应用可塑性，能够适配不同慢性病的专科特点进行应用形式的调整，如在慢性疼痛病人的干预中，对于需要心理支持与安慰的病人，LLMs可以被开发为聊天机器人形式加强对话间情绪疏导;对于需要缓解疼痛症状的病人，LLMs可以被开发为专属教练形式，通过情感分析算法识别病人情绪波动，阶段性、针对性地推送放松训练或引导内容。
3.3.2 通过优化资源配置以提高医疗工作效率
医疗工作效率的提高和资源的优化配置是提升医疗服务效率的关键。LLMs凭借出色的自动化能力能够处理常规的健康咨询，提供初步的健康支持，有利于使医疗专业人员从烦琐的工作中解脱，将更多时间和精力集中于处理复杂和紧急的医疗情况，有效减轻医疗专业人员负担，使医疗资源得到更加高效的分配。已有研究结果显示，与人工制定的护理方案相比，经过LLMs算法制定的护理方案成本降低 1/3[15] 。此外，将LLMs系列功能融入医学专业自开发的智能交互式信息支持系统，还能协助医护人员追踪、分析慢性病病人的长期医疗数据，为医生提供更加准确的诊断建议和治疗方案，辅助医护人员迅速、准确地做出诊断，提高医疗服务效率 [16，20] 。
3.3.3 促进健康行为转变的跨学科整合
健康行为促进与慢性病管理具有紧密联系 [21] ，LLMs对行为科学理论与临床数据的融合能力较强，有利于促进健康行为的跨学科整合。LLMs具有强大的深度学习能力，能够针对不同慢性病病人特点，学习并融合相对应的健康行为转变理论并加以应用，如在慢性病运动管理方面结合跨理论模型对病人进行自动分类，通过渐进式对话引导病人设定可实现的目标 [22] 。这种数据驱动下的动态反馈是LLMs应用于慢性病自我管理中突出的优势之一。
3.4 LLMs在慢性病自我管理领域应用的局限性及展望
LLMs在慢性病自我管理领域中展现出了较高的应用价值，但也存在一定局限性与风险。1）聊天机器人的应用形式可能呈现重复性、乏味性的内容互动。He等[8]研究表明，研究对象尤其是年轻群体对于与聊天机器人“XiaoE”的互动感受具有较大的波动，试验初期“XiaoE”对于研究对象表现出很强的吸引力，但在试验中期这种吸引力迅速消失，可能与模板中反复且乏味的聊天形式和聊天内容有关。但脱离模板过于自动化的聊天机器人可能对病人的行为造成无法估量的影响。因此，平衡LLMs驱动下聊天机器人的自动化程度和功能是未来技术发展方向，今后研究可尝试引入部分游戏化要素辅助维持聊天机器人对病人的吸引力，如绘制卡通形象、设置目标成就等，还可引入语音、视频和表情识别功能增添情感交互以保证聊天机器人的吸引力。2）病种覆盖较少与推广性不足。LLMs涉及慢性病种类较局限，且以短期干预为主，缺乏长期效果验证，这可能与研究者为了保证干预准确性未使用目前市场上发展较成熟的LLMs（如DeepSeek和ChatGPT），而是选择了自行研发LLMs，耗费了较高的人力经济成本有关。目前功能较成熟的LLMs仅能针对广泛的慢性病提供一般意见，故今后应对模型的预训练给予重视，可尝试联合临床专家嵌入循证知识库，适当延长干预周期，从而验证LLMs在慢性病长周期管理中的可持续性。3）LLMs在慢性病自我管理领域展现出了较高的伦理挑战。慢性病自我管理过程具有漫长且复杂的特点，长期监测血压、血糖等敏感数据易引发病人隐私泄漏风险，且模型基于复杂算法生成的个性化建议内部决策过程缺乏透明性，难以追溯医疗责任。今后研究需结合慢性病周期长特点，设计分级数据加密，强化病人自主授权，在为病人生成个性化建议时增加深度思考过程，直观展示建议的依据来源。
4 小结
本研究总结了LLMs在慢性病自我管理中的应用现状与潜力，LLMs可通过多样化交互形式与个性化功能支持提升病人的自我管理能力，控制疾病与心理症状，优化医疗资源配置和医疗工作效率，但当前研究也面临技术局限性、病种覆盖狭窄及伦理风险等挑战。未来研究需扩展慢性病涵盖种类，延长干预周期，适当融合技术规避伦理风险，通过技术创新与伦理规范的协同，使LLMs为慢性病病人自我管理过程提供更安全、便捷的技术支持。
参考文献：
[1] Centers for Disease Control and Prevention. About chronic diseases [EB/OL]（2024-11-4）[2025-03-12]. https：//www.cdc.gov/chronic-disease/about/？CDC_AAref_Val=https：//www.cdc.gov/chronicdisease/about/index.htm.
[2] World Health Organization. Noncommunicable diseases[EB/OL]. （2024-12-23） [2025-02-12]. https：//www.who.int/news-room/fact-sheets/detail/noncommunicable-diseases.
[3] ALLEGRANTE J P， WELLS M T， PETERSON J C. Interventions to support behavioral self-management of chronic diseases[J]. Annu Rev Public Health， 2019， 40：127-146.
[4] SAVAGE T， WANG J， SHIEH L. A large language model screening tool to target patients for best practice alerts： development and validation[J]. JMIR Med Inform， 2023， 11：e49886.
[5] EYSENBACH G. The role of ChatGPT， generative language models， and artificial intelligence in medical education： a conversation with ChatGPT and a call for papers[J]. JMIR Med Educ， 2023， 9：e46885.
[6] 邓建鹏， 赵治松. DeepSeek 的破局与变局： 论生成式人工智能的监管方向 [J]. 新疆师范大学学报， 2025， 46（4）： 99-108.
[7] 蒋璐璐， 王喜益， 徐洁慧， 等. 智能交互式护理信息支持系统的构建及在乳腺癌患者中的应用研究 [J]. 中华护理杂志， 2023， 58（6）： 654-661.
[8] HE Y H， YANG L， ZHU X K， et al. Mental health chatbot for young adults with depressive symptoms during the COVID-19 pandemic： single-blind， three-arm randomized controlled trial[J]. J Med Internet Res， 2022， 24（11）： e40719.
[9] ANAN T， KAJIKI S， OKA H， et al. Effects of an artificial intelligence-assisted health program on workers with neck/shoulder pain/stiffness and low back pain： randomized controlled trial[J]. JMIR MHealth and UHealth， 2021， 9（9）： e27535.
[10] KAPHINGST K A， KOHLMANN W K， LORENZ CHAMBERS R， et al. Uptake of cancer genetic services for chatbot vs standard-of-care delivery models： the BRIDGE randomized clinical trial[J]. JAMA Netw Open， 2024， 7（9）： e2432143.
[11] ULRICH S， GANTENBEIN A R， ZUBER V， et al. Development and evaluation of a smartphone-based chatbot coach to facilitate a balanced lifestyle in individuals with headaches （BalanceUP App）： randomized controlled trial[J]. J Med Internet Res， 2024， 26：e50132.
[12] JANG S， KIM J J， KIM S J， et al. Mobile app-based chatbot to deliver cognitive behavioral therapy and psychoeducation for adults with attention deficit： a development and feasibility/usability study [J]. Int J Med Inform， 2021， 150： 104440.
[13] JONASSAINT C R， LALAMA C M， CARROLL C P， et al. Digital cognitive behavioral therapy vs education for pain in adults with sickle cell disease[J]. Blood Adv， 2024， 8（24）：6257-6266.
[14] YASUKAWA S， TANAKA T， YAMANE K， et al. A chatbot to improve adherence to Internet-based cognitive-behavioural therapy among workers with subthreshold depression： a randomised controlled trial[J]. BMJ Ment Health， 2024， 27（1）： e300881.
[15] KELLY R C， PRICE H， PHIRI P， et al. Delivering biopsychosocial health care within routine care： spotlight-AQ pivotal multicenter randomized controlled trial results[J]. J Diabetes Sci Technol， 2025， 19（1）：91-97.
[16] LI J J， GUAN Z Y， WANG J， et al. Integrated image-based deep learning and language models for primary diabetes care[J]. Nat Med， 2024， 30（10）：2886-2896.
[17] TEMSAH A， ALHASAN K， ALTAMIMI I， et al. DeepSeek in healthcare： revealing opportunities and steering challenges of a new open-source artificial intelligence frontier[J]. Cureus， 2025， 17（2）： e79221.
[18] ROMAEL HAQUE M D， RUBYA S. An overview of chatbot-based mobile mental health apps： insights from app description and user reviews[J]. JMIR MHealth and UHealth， 2023， 11：e44838.
[19] TAWFIK E， GHALLAB E， MOUSTAFA A. A nurse versus a chatbot—the effect of an empowerment program on chemotherapy-related side effects and the self-care behaviors of women living with breast cancer： a randomized controlled trial[J]. BMC Nurs， 2023， 22（1）： 102.
[20] 肖仰华， 徐一丹. 大规模生成式语言模型在医疗领域的应用： 机遇与挑战 [J]. 医学信息学杂志， 2023， 44（9）： 1-11.
[21] 宋智慧， 唐明霞. 正念疗法在慢性病管理和健康行为促进中的应用研究进展 [J]. 护理研究， 2018， 32（23）： 3676-3679.
[22] UETOVA E， HEDERMAN L， ROSS R， et al. Exploring the characteristics of conversational agents in chronic disease management interventions： a scoping review[J]. Digit Health， 2024， 10：20552076 241277693.
（收稿日期：2025-04-11;修回日期：2026-02-13）
（本文编辑 陈琼）
