作者：Nguyen Phu Nghia
2026年1月，美国犹他州宣布了一项全国首创的合作，允许人工智能系统支持患者的处方药续期，这使得AI从建议角色迈向了直接参与临床工作流程。同样，麻省总医院布莱根分院实施了一项由AI支持的初级护理计划，其中AI代理收集患者病史，生成初步诊断和治疗建议，并将结构化的摘要转发给医生，从而实现快速的远程医疗咨询。与此同时，公众对AI工具的信任度似乎正在迅速增长：越来越多的人开始向AI寻求健康建议，有时对其建议寄予相当大的信心。AI正在医疗保健领域以惊人的广度得到应用，不仅提供行政任务的自动化，还在临床推理支持方面提供新的能力。
在个人层面，这种转变同样迅速展开。据预测，AI将在2026年通过减少临床医生收集和整合数据的时间、帮助组织证据以及建议可能的护理路径，从而改变临床工作流程。专门的鉴别诊断工具已经在开发中，以协助临床医生生成和优先排序可能的诊断列表，实际上通过扩大对潜在病症的考虑范围，影响了早期的推理步骤。这些应用可以帮助临床医生发现更广泛的选项或减少查找数据的时间，但同时也引发了关于人类判断应在何时以及何处发挥决定性作用的问题。
一名实习医生坐在电脑前，翻阅着一位新患者的电子病历。病史并不清晰。症状相互交织。没有显而易见的答案等着从教科书中找到。有那么一刻，他们犹豫了。在写下任何评估文字之前，他们打开了一个AI工具，输入：“最可能的鉴别诊断是什么？”几秒钟内，一份精炼的鉴别诊断列表就出现了，甚至列出了可能有助于确认最终诊断的检查以及下一步应该做什么。
这些答案正确吗？也许。
它们何时会出错？又有谁会意识到这一点？
风险不仅仅在于AI可能不准确。更深层次的风险在于，是AI首先进行了思考，而它的推理完全依赖于我们选择输入的信息。在美国的一项全国性研究中，分析了42,579,676次因胸痛到急诊科就诊的记录，最终只有5.1%被诊断为急性冠脉综合征，而超过一半的患者被发现有非心脏性病因。当医生第一次遇到胸痛患者时，首要任务是同时考虑多种可能性，并为问题构建一个合理的初始框架。
这第一次尝试的重要性有时超乎我们的想象。这是临床医生开始接手一个病例，判断力开始形成的时刻。如果跳过这一步，学习者就会从构建解释转变为监督输出，从创造转变为比较。这可能会感觉高效，但随着时间的推移，差异会逐渐累积。如果每次都由AI生成第一个鉴别诊断，那么受训者就没有机会练习如何自己生成一个。没有这种练习，这项技能可能永远无法完全发展。这就是“从未习得技能”：一种因为总有其他东西先行一步而从未真正扎根的能力。这就像一直开着自动驾驶学习开车，当自动驾驶关闭时，你不会希望那是你第一次真正尝试驾驶。
临床工作也有类似的要求。随着AI系统进入手术室等高风险环境，有关错误和意外后果的担忧已被提出。初级临床医生，尤其是在培训早期，可能还不具备足够的经验来发现背景上的差距或错误的假设。如果他们自己的推理能力发展不足，那么监督就会变得脆弱。
那么，我们应该怎么做？
临床推理应该始于独立的人类判断。然后，AI可以挑战、扩展或压力测试这种推理。但这个过程必须回到临床医生那里，进行情境解读、承担责任和义务。我们不是在培养医生与机器竞争，而是在培养他们与强大、不完美且缺乏情境意识的工具一起工作。他们的价值将取决于他们能否质疑、调整并在必要时超越这些工具。
如果我们允许AI每次都提供第一个想法，我们就有可能培养出一代擅长编辑但较少练习从头开始推理的临床医生。临床护理中的第一个想法通常是笨拙的、片面的、有时是错误的，并且几乎总是需要修改。坚持这个想法可能会让人感到不适，它需要时间，并伴随着怀疑。然而，正是在这个不完美的开端中，判断力才得以慢慢发展。这也是责任开始的地方。我们不应该让AI夺走这一点。
论文标题：初级医生如何在人工智能时代保障自身临床能力的发展？
作者：Nghia Phu Nguyen¹, Van-Phu Tran¹, Ai Cao My Bui²·³, Phillip Tran¹·⁴, Hoang Nguyen¹·⁵
附属机构：¹越南芹苴市南芹苴大学健康科学学院；²越南胡志明市医药大学医学院；³越南胡志明市大学医学中心门诊与心血管影像科；⁴美国亚利桑那州亚瓦派地区医疗中心心血管科；⁵美国加利福尼亚州加州大学洛杉矶分校/查尔斯·德鲁医学院
利益冲突：无声明
社交媒体：Nghia Phu Nguyen LinkedIn
【全文结束】