一位50多岁的患者来到我的眼科诊所，主诉一只眼睛有闪光感。她还没坐下就平静地告诉我，她已经知道这是什么问题了：视觉先兆性偏头痛。她已经通过ChatGPT研究了好几天。等我见到她时，她的描述已经采用了先兆症状的语言：闪烁、锯齿状、持续大约20分钟，也许之后眼后部有轻微不适。但检查后，我发现她有视网膜撕裂。她需要当天进行激光治疗以保护视力。
当我让她回到最初（在她输入ChatGPT之前注意到了什么？），先兆症状的故事开始瓦解。最初的症状更短暂、更外围、反复出现的闪光，特别是在黑暗中更为明显。聊天机器人不仅没有编造完全错误的信息，而是做了更微妙的事情：它提供了一个看似合理的模板，用该模板的语言提问，并帮助她将模糊的记忆套入错误的疾病中。
关于患者和人工智能（AI）的通常担忧是，聊天机器人会告诉他们不真实的信息。这种担忧是真实的，但这只是差点让这位患者失去视力的原因之一。这里更重要的问题是故事的连贯性。生成式AI通常不会像Google搜索那样给患者提供10个相互矛盾的链接。它提供一个单一的、流畅的叙述，包括发病、机制和结论，然后在对话中不断完善这个叙述，直到一切都能吻合。
这并非边缘案例。2026年KFF的一项民意调查显示，32%的美国成年人表示在过去一年中曾使用AI聊天机器人获取健康信息，而许多询问身体或心理健康问题的人之后没有再咨询医生。医生们越来越多地描述，在短暂的就诊时间里，大部分时间都在让患者回溯聊天机器人告诉他们的内容。连贯性本身就具有说服力。
Google时代的患者带着碎片化的信息前来。这种模糊性使问题对医生保持开放。而AI时代的患者则带着结论性的叙述前来，这是基于聊天机器人的对话——网络搜索从未提供过这样的东西。它提出引导性问题并将答案纳入其中，使故事在每次交流中变得更加紧密。
"闪光是否在视野中呈锯齿状？"
"是否持续了大约20分钟？"
"之后是否有头痛？"
每一个同意性的提示都邀请患者提供以前不存在的细节。
这里它不再是一个信息问题，而变成了一个记忆问题。麻省理工学院和加州大学欧文分校2024年的一项研究显示，通过与生成式聊天机器人的来回对话回忆事件的人，形成的错误记忆是对照组的三倍多，而且他们对这些错误记忆的信心在一周后仍然很高。该研究的合著者、心理学家Elizabeth Loftus博士毕生致力于展示暗示如何重塑回忆。她描述的机制正是我现在在诊所中看到的：一个易受暗示的患者、一个流利且令人愉快的对话者、引导性问题，以及一个固化在记忆中的故事。这就是为什么我最终花了大量时间试图区分患者实际经历的和对话教会她记住的内容。
而且，这种锚定效应不仅限于患者。一个清晰、自信的叙述也会对医生产生影响。在《美国医学会杂志》（JAMA）的一项随机临床案例研究中，当医生看到带有偏见的AI诊断预测时，即使显示了模型的解释，其诊断准确性也显著降低。AI的过早假设之所以危险，正是因为它们可以同时影响医患双方。
对这一问题的应对应从三个方面展开。
在诊室中，医生应该询问患者是否对自身状况有任何想法或结论，以及这些想法的来源。如果患者提到使用了AI工具，医生应学会在不借用AI词汇的情况下重新引出原始症状。这就是为什么聊天机器人使用情况应纳入社会史。
对患者而言，使用AI最安全的方式不是问"我得了什么病？"而是"哪些症状我不应忽视？我应该向医生询问什么？"聊天机器人应帮助准备就诊，而不是结束就诊。
对于企业和政策制定者而言，消费健康AI应被设计为保留不确定性，并在真实使用案例中进行测试，而不仅仅是在仅模型的环境中。2026年《自然医学》（Nature Medicine）的一项研究显示，使用大型语言模型的公众在识别相关疾病或选择正确行动方案方面并不比对照组更好，尽管这些模型在单独测试时表现更好。这些系统应展示鉴别诊断、避免引导性问题、识别危险信号，并在涉及视力问题、胸痛、神经症状、怀孕、自杀倾向或其他高风险情况时推动评估。
我的患者保住了视力，因为检查结果与她对自己眼睛所相信的故事相矛盾。这只是勉强过关。下一位患者可能带来一个如此流畅的故事，以至于我忍不住想要相信它，或者他们可能已经反复练习过多次，以至于即使仔细询问也无法完全揭示真相。
我们花了2年时间担心AI会告诉患者错误的信息。更困难、更隐蔽的问题是，它会告诉他们连贯的信息，而他们会将这种连贯的版本记为事实。我们的工作不再仅仅是纠正记录，而是要查明是谁撰写了这些记录。
【全文结束】