---
title: "AI 病历助手基准测试：Hanah 与另外六款 AI 病历助手"
description: "13 段录音诊疗分别播放给 Hanah、Heidi、Lyrebird、Freed、PatientNotes、CliniScripts 和 Preve。每份转录稿、病历和评分都已公布，并附有每项评分的理由。"
source: https://hanah.health/zh/benchmark/
---

基准测试

# AI 病历助手基准测试：Hanah 与另外六款 AI 病历助手

测试日期：2026年10月6日 · 13 段录音诊疗 · 7 款 AI 病历助手

我们把同样的 13 段录音诊疗分别播放给 Hanah、Heidi、Lyrebird、Freed、PatientNotes、CliniScripts 和 Preve，然后对照实际说过的内容为每份病历评分。每份转录稿、病历和评分都公布在本页，并附有每项评分的理由。

100% 的 Hanah 病历没有重大幻觉标记 其他六款 AI 病历助手的平均值为 48%。

少 66% 具有临床意义的转录错误 每次诊疗 0.59 处，平均值为 1.75 处。

多 11% 已涵盖的必要临床细节 93.7%，平均值为 84.2%。

## 结果

各款 AI 病历助手按其病历记录到的必要临床细节比例排序。评分对象是每款病历助手针对每段录音第一条提示词生成的病历。

| AI 病历助手 | 已涵盖的临床细节 | 包含全部临床细节的病历 | 每份病历的重大幻觉标记 | 无严重幻觉标记的病历 | 每次诊疗的显著转录错误 | 词错误率（英语诊疗） |
| --- | --- | --- | --- | --- | --- | --- |
| Hanah13 份病历 | 93.7% | 62% | 0.00 | 100% | 0.59 | 1.6% |
| Heidi13 份病历 | 91.4% | 38% | 0.23 | 77% | 1.15 | 3.3% |
| CliniScripts13 份病历 | 90.8% | 62% | 0.23 | 77% | 0.69 | 2.1% |
| Lyrebird13 份病历 | 90.2% | 46% | 0.62 | 62% | 1.92 | 3.4% |
| Freed†12 份病历 | 85.7% | 42% | 0.83 | 33% | 1.25 | 19.4% |
| PatientNotes13 份病历 | 74.7% | 15% | 2.77 | 8% | 1.92 | 3.9% |
| Preve*10 份病历 | 72.2% | 30% | 1.10 | 30% | 3.54 | 6.7% |
| 其他六款的平均值 | 84.2% | 39% | 0.96 | 48% | 1.75 | 6.4% |

\* Preve 的评分基于其标准临床病历，因为只有在上传示例 PDF 建立模板之后，它才会遵循自定义指令。转录稿少于 600 个字符时 Preve 不会生成病历，因此它在最短的三段录音上没有病历。

† 在最短的那段录音上，Freed 点击停止后仍在继续录音，两次尝试都没有生成转录稿或病历。Freed 的评分基于其余 12 段。

严重转录错误是指盲评员判断可能误导临床医生的错误：药物、剂量、数字、侧别或症状错误，否定词或红旗征丢失，或临床内容遗漏。词错误率对每个词一视同仁，包括语气词。

颌骨手术复查主要用普通话进行。凡是提供输入语言设置的 AI 病历助手，都将输入语言设为普通话。在这段录音上，Heidi 的严重转录错误最少（三次运行中每次 3 处），其次是 CliniScripts（4 处）和 Hanah（三次运行中 4 到 5 处）。PatientNotes 为 9 处，Freed 为 7 处，Lyrebird 为 14 处，Preve 为 24 处。Preve 没有输入语言设置，Freed 则自行检测语言。

## 按诊疗查看

记录到的临床细节比例，下方为严重幻觉标记的数量。选择一段诊疗，即可阅读每份病历和评分。

| 诊疗 | Hanah | Heidi | CliniScripts | Lyrebird | Freed | PatientNotes | Preve |
| --- | --- | --- | --- | --- | --- | --- | --- |
| ICU 交接班口述 | 100%无严重标记 | 100%无严重标记 | 100%无严重标记 | 100%无严重标记 | 100%2 处严重标记 | 75%2 处严重标记 | 无病历 |
| ICU 交接班口述（病房噪音） | 100%无严重标记 | 100%无严重标记 | 100%无严重标记 | 92%无严重标记 | 75%1 处严重标记 | 75%2 处严重标记 | 无病历 |
| 社区护士家访 | 100%无严重标记 | 100%无严重标记 | 79%无严重标记 | 100%1 处严重标记 | 100%1 处严重标记 | 64%1 处严重标记 | 86%1 处严重标记 |
| 营养师，肠易激综合征复查 | 92%无严重标记 | 92%无严重标记 | 100%无严重标记 | 92%无严重标记 | 100%无严重标记 | 75%1 处严重标记 | 92%1 处严重标记 |
| 膝痛，简短诊疗 | 83%无严重标记 | 83%无严重标记 | 83%无严重标记 | 83%无严重标记 | 无病历 | 100%无严重标记 | 无病历 |
| 膝关节置换术前康复 | 100%无严重标记 | 88%无严重标记 | 100%无严重标记 | 100%1 处严重标记 | 100%1 处严重标记 | 100%2 处严重标记 | 100%1 处严重标记 |
| 肌筋膜治疗，嘈杂房间中的 50 分钟 | 100%无严重标记 | 88%无严重标记 | 56%无严重标记 | 100%无严重标记 | 81%1 处严重标记 | 94%2 处严重标记 | 100%无严重标记 |
| 职业治疗居家安全评估 | 100%无严重标记 | 100%1 处严重标记 | 100%无严重标记 | 93%无严重标记 | 93%1 处严重标记 | 93%3 处严重标记 | 93%4 处严重标记 |
| 哮喘患儿，家长英语有限 | 100%无严重标记 | 86%无严重标记 | 100%无严重标记 | 100%无严重标记 | 100%2 处严重标记 | 93%4 处严重标记 | 71%1 处严重标记 |
| 颌骨手术复查（普通话和英语） | 81%无严重标记 | 88%无严重标记 | 88%1 处严重标记 | 69%3 处严重标记 | 62%无严重标记 | 47%9 处严重标记 | 25%1 处严重标记 |
| 四轮摩托车摔伤（户外） | 86%无严重标记 | 86%1 处严重标记 | 100%1 处严重标记 | 93%2 处严重标记 | 93%1 处严重标记 | 64%5 处严重标记 | 64%2 处严重标记 |
| 橄榄球膝关节术前康复 | 83%无严重标记 | 100%无严重标记 | 100%无严重标记 | 100%1 处严重标记 | 67%无严重标记 | 50%3 处严重标记 | 100%无严重标记 |
| 橄榄球腘绳肌损伤，场边评估 | 100%无严重标记 | 86%1 处严重标记 | 93%1 处严重标记 | 86%无严重标记 | 86%无严重标记 | 86%2 处严重标记 | 79%无严重标记 |

## 每份病历、转录稿和评分

选择一段诊疗和一款 AI 病历助手。您可以播放录音、阅读参考转录稿，并查看每项清单判定和幻觉标记及其给出的理由。

诊疗 ICU 交接班口述 ICU 交接班口述（病房噪音） 社区护士家访 营养师，肠易激综合征复查 膝痛，简短诊疗 膝关节置换术前康复 肌筋膜治疗，嘈杂房间中的 50 分钟 职业治疗居家安全评估 哮喘患儿，家长英语有限 颌骨手术复查（普通话和英语） 四轮摩托车摔伤（户外） 橄榄球膝关节术前康复 橄榄球腘绳肌损伤，场边评估

加载中……

## 测试方法

### 录音

这 13 段录音是 Hanah 的准确率语料库，与我们[透明度页面](https://hanah.health/zh/au/trust/transparency/)上版本发布结果所用的是同一套。内容包括有无病房噪音的 ICU 交接班口述，物理治疗、营养治疗、职业治疗、肌筋膜治疗和社区护理诊疗，一名家长英语有限的哮喘患儿，一段在户外录制的四轮摩托车摔伤，一段在嘈杂治疗室中进行、约有七分钟语音的 50 分钟肌筋膜治疗，以及一段主要用普通话进行的颌骨手术复查。每段录音都有逐字参考转录稿，以及一份病历必须记录的细节清单。

### 录音

每款 AI 病历助手都在 Chrome 中各自的网页应用里运行，并登录标准账户。录音通过浏览器的麦克风输入播放，每款都使用同一个文件。录音结束后，将每段录音的提示词逐字输入到该病历助手自己的文档或聊天功能中，例如“Generate SOAP notes please”和“Summarise this consult in two sentences for a referral letter”。2026年10月6日，每款 AI 病历助手对每段录音各运行一次；如需选择输入语言，则设为英语。对于普通话复查，有输入语言设置的病历助手设为普通话：Heidi 设为 English and Chinese (Mandarin)，Lyrebird 和 PatientNotes 设为 Chinese (Mandarin, Simplified)。CliniScripts 在选择中文和英语时两次尝试都没有生成转录稿，因此使用其标准设置。Heidi 和 Hanah 各运行普通话复查三次，其转录结果取平均值。

### 由 Claude 评审团评分

病历由 Anthropic 的模型 Claude 评分。对于每段录音，所有 AI 病历助手的输出都被打乱顺序、以字母代替并去除产品名称，然后按照固定评分标准对照参考转录稿评分。每个清单项目标记为是、部分或否。转录稿无法支持的每一处陈述都列为幻觉标记：可能改变诊疗或错误描述临床情况的（虚构的症状、检查发现、药物、诊断或计划，或侧别、药名错误）为严重，其余为轻微。所有录音评分完毕后才揭盲。完整的评分标准见我们的[测评方法](https://hanah.health/zh/au/trust/wer-methodology/#mth-comparative)。

### 转录错误

每份转录稿都与逐字参考稿逐词对齐。语气词的差异不计，其余每处差异由 Claude 进行盲评，按照上文关于严重转录错误的规则判断。词错误率由代码计算，采用与我们自己的[版本发布报告](https://hanah.health/zh/au/trust/wer-methodology/#mth-layer-a)相同的严格归一化，将等价的书写形式视为相同的词：22 mm 与 22 millimetres、美式与英式拼写、中文数字与阿拉伯数字、简体字与繁体字。中文按字计分。