背景便携式心电图（ECG）设备的普及在用户与复杂的医疗数据之间造成了解读鸿沟。具备AI大语言模型（Large Language Model

LLM）的家庭AI心电仪成为弥合此鸿沟的潜在工具。本研究旨在通过分析大规模真实世界数据，探究用户在获取便携式ECG结果后与AI大模型的用户行为，包括对话意图、留存性及参与度。方法 本研究对2024年4月16日至2025年8月18日期间，来源于“问心无恙”家庭AI心电仪的480

532条真实世界对话记录进行了一项回顾性研究。数据经过清洗与预处理后，被整合为109

017个独立的对话会话。我们对1%的对话会话（1091组）进行随机抽样，采用“大模型辅助+人工审核”的方法分析用户意图。同时，我们对全体用户并得到AI解读结果后所表现出的用户行为的留存率与对话交互轮数进行了统计分析。结果 用户意图分析显示，“解读检验结果”（81.30%）、“治疗建议”（51.15%）和“病因询问”（41.89%）是最高频的三类意图。超过87%的对话包含两种及以上的多维意图。用户留存率分析发现，54.21%的用户进行了多次（≥2次）对话。从交互深度来看，大部分对话为2～5轮的中度互动（63.5%），而仅有1轮的浅层问询占24.38%。结论 研究证实，AI大语言模型在帮助用户跨越便携式ECG数据解读鸿沟方面正发挥着核心作用。用户表现出以结果解读为核心、多意图交织的复杂交互模式，并具备一定的长期使用意愿。这些发现为优化数字健康服务提供了实证依据，同时也警示了平台需高度关注用户对“治疗建议”的高频需求所伴随的潜在风险。