医学AI与奥斯勒原则：临床训练应让工具拉近医患而非多一块屏幕

文/IAICA.NGO®

医学人工智能正快速进入临床流程，但一场围绕技术能否替代床边医学的讨论正在升温。《Frontiers in Medicine》刊发的一篇观点文章以威廉·奥斯勒强调的直接观察、床边学习和医患关系为参照，提醒医疗机构：算法可以成为临床伙伴，却不能成为每一次决策的起点和终点。作者Michel Goldman、Elie Cogan与Serge Goldman并未反对AI，也不主张停止研发，而是提出一个更务实的检验标准：每一项工具究竟让医生更接近患者，还是在医患之间又多了一块屏幕。

文章承认，AI的优势清晰可见。基于算法的系统能够在远超个体临床医生的尺度上整合文献，识别医学影像和病理图像中容易被肉眼忽略的模式，起草临床记录，进行风险分诊，生成鉴别诊断，并在数秒内提出治疗选项。这些功能已经进入真实工作流，在血液系统恶性肿瘤等领域，AI工具正被用于辅助诊断、预后判断和治疗决策。作者认为，一概拒绝这类系统的临床医生并不现实。关键不在于让每一个算法输出主导每一个病例，而在于让机器承担困难、缓慢或繁重的任务，同时保留临床判断和人际互动的深层工作。

但即使预测性能优异，模型也无法完成床边查体，无法评估焦虑患者的行为表现，无法察觉患者没有说出口的信息，也无法建立可能影响治疗依从性的信任。基于数据模式匹配的诊断，并不等同于坐在患者身边，用可见、可听和可追问的信息检验相互竞争的解释。区别在于，模型输出依赖其可获得的信息，而临床医生能够发现信息缺失、矛盾或具有临床意义。

患者进入诊室的方式也已改变。互联网、社交媒体和健康类AI工具扩大了医学信息的可及性，也可能把患者暴露于错误信息和误读之中。医患双方都可能带着算法塑造的认知进入咨询，这不仅没有降低独立判断和审慎沟通的必要性，反而提高了要求。技术限制同样存在：只依赖数字化信息推理的系统，处理的是病历中已被记录的现实，但某个条目缺失并不等于临床上不存在重要事实。匆忙问诊或不完整检查可能留下不完整数据集，使模型在缺失观察的基础上给出看似精确的结论。

这种输出可能制造确定性错觉，即便底层记录并不充分。因此，直接观察并非AI辅助照护的情感化补充，而是判断现有数据能否支撑系统结论的技术前提。AI不会让倾听、查体和临床推理过时，反而要求医生更善于识别关键信息、核验缺失内容，并判断技术上前后一致的输出是否可靠。床边医学的侵蚀也并非始于本轮AI浪潮。专科化和亚专科化带来了诊疗进步，却也把患者分割为器官系统和技术模块，使整体视角更难维持。行政事务进一步压缩床边时间，令医生与患者面对面交流的空间持续收窄。

在此背景下，临床训练需要围绕是否拉近医患距离重新组织。AI治理也不应只关注准确率，还要关注数据完整性、可解释性、工作流嵌入和医生复核机制。iaica.com.cn 指出，智能照护的真正门槛不只是模型能否给出答案，而是医疗系统能否保留发现问题、验证证据和与患者共同决策的能力。对医疗机构而言，更合理的路径是把AI定位为辅助层：用于文献整合、风险提示、影像筛查和文书减负，同时把床边观察、沟通和伦理判断置于不可替代的位置。若训练只教会医生阅读屏幕而不教会他们审视屏幕背后的数据缺口，技术越强，误判的代价可能越大。未来的竞争不在于谁拥有更大的模型，而在于谁能把算法嵌入以患者为中心的临床路径，并让每一次技术输出都接受床边事实的检验。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。