2026 年 8 月 31 日，arXiv 上提交了一篇编号 2608.31128 的论文，展示了一套名为 DIASENTINEL 的多智能体系统：输入电子健康记录（EHR），输出 2 型糖尿病（T2DM）一年期风险筛查结果和带引用依据的筛查报告，整个流程完全本地部署，患者数据不需要离开医院。

大语言模型（LLM）做临床决策支持有三类长期存在的风险：编造不存在的医学事实（幻觉）、给出没有依据的推荐、引用文献时出错。DIASENTINEL 的设计目标，就是逐一用工程手段压住这三类风险。

系统由四个模块组成

校准的风险预测。 系统先从 EHR 计算一年期 T2DM 风险评分，并对预测概率做校准，让输出分数可以作为真实风险概率使用。

确定性临床信号提取。 病历里的关键临床信号用确定性方法提取，不依赖模型的临场发挥，同一份病历在任何时刻跑出来的信号一致。

指南锚定检索。 系统检索美国糖尿病协会（ADA）指南，用 Reciprocal Rank Fusion（RRF）把多路检索结果融合排序，让每条建议都能落到指南的具体条款上，这是建议「有出处」的来源保障。

混合验证层。 规则检查先过滤硬性错误，再用 LLM 蕴含（entailment）验证判断「推荐是否真的被指南文本支持」。两层把关之后，推荐才进入报告。

两种使用界面

系统提供实时批量筛查仪表盘，医院可以一次跑完一批患者的筛查；也提供交互式患者报告界面，每条推荐都带指南引用、验证结果和原始 EHR 对照，医生可以逐条回溯。

本地部署：隐私与审计兼得

完全本地部署的取舍很明确：模型和患者数据都在医院网络内运行，隐私风险被压缩到最小；「每条推荐可回溯到指南原文和原始病历」的设计，让审计成为可能。对医院来说，这比黑盒模型直接给结论更容易接受。

DIASENTINEL 的价值不在某一项技术多新，而在组合方式：让模型在权威指南的约束下工作，并给每个结论留下可核查的证据链。这是 LLM 进入医疗这类严肃行业时可以复制的路线——不是让模型自由回答，而是让模型有据可答、有据可查。