医疗 AI 不再只考“猜病名”，它开始面对第二次复诊

第二次见面，才知道第一次说的话算不算数

第一次就诊时，一个人带来症状、化验单和焦虑。医生需要判断可能是什么，也需要决定先做什么。两周后他回来，情况已经变化：一种药没有起效，另一项检查出现新结果，病人没有完全照计划服药，原先看似合理的解释也许必须推翻。

很多医疗 AI 测试停在第一次见面。系统读完一段病例，给出诊断或答案，研究者把它与标准答案比较。这样的测试适合测知识和一次性推理，却避开了临床工作最难的一部分：时间。疾病会发展，治疗会产生作用与副作用，人会改变主意，指南也可能给出条件性的下一步。管理不是把一次答案说得更长，而是承认昨天的判断可能需要更新。

2026 年 6 月，Nature 发表一项关于 AMIE 的研究。AMIE 是 Google 研究团队开发的对话式医疗 AI 系统。本次研究把它从单次诊断对话推向多次就诊的疾病管理：系统需要根据病程变化、治疗反应和药物信息，在连续场景中提出检查、治疗和随访安排。

研究采用随机、盲法的虚拟客观结构化临床考试。AMIE 与 21 名基层医疗医生在 100 个多次就诊病例场景中接受比较，这些场景依据英国 NICE 指南和 BMJ Best Practice 设计，由专科医生评价管理推理。论文还建立药物问答基准 RxQA，题目来自美国和英国的国家级药物资料，并由执业药师验证。

结果显示，在这个特定模拟环境里，AMIE 的管理推理被评为不劣于参与医生，并在治疗与检查建议的精确性、与指南的一致性等指标上取得较高评价。在更困难的药物问题上，系统也表现出优势。最容易传播的写法是“AI 超过医生”。但如果只留下这句话，就会把研究真正推进的部分删掉：它改变的是考试题型，也因此暴露了新的边界。

从答案到时间线

一次性诊断测试像一张照片。多次就诊管理更像一段影片。系统不仅要识别画面里有什么，还要理解前后变化：症状减轻是否与治疗有关，指标波动是否需要立刻处理，一项建议在第一次合理，到了第三次是否已经过时。

为了让系统不只依靠模型内部记忆，研究利用长上下文、检索和结构化推理，把临床指南与药物资料放进工作过程。这里的“检索”不是装饰性的引用。疾病管理里，一个药是否适合，取决于剂量、禁忌、合并用药、肾功能、孕期状态和随访要求。模型若只记得药名与疾病的常见关联，很容易给出听起来正确却缺少条件的答案。

多轮场景还迫使系统处理自我修正。第一次建议若没有效果，它是否会重复原方案？新的证据出现后，它能否承认原先判断权重下降？病人说自己做不到某项生活方式改变时，系统会不会机械复制指南？这些问题不像“标准答案”那样干净，却更接近医学作为一段关系，而不是一次知识竞赛。

论文公开了 120 个 OSCE 场景，其中 20 个用于验证、100 个用于评价，并提供相应的系统输出；RxQA 的一部分也开放在代码仓库。这使外部研究者至少可以检查题目结构和输出，而不是只看到一张总分图。与此同时，论文明确说明没有开源模型代码和权重，理由包括防止医疗环境中的无人监管使用。这意味着结果可以被阅读和质疑，但系统本身无法被任何医院直接复现。

模拟考场里的胜利

OSCE 是医学教育中常用的结构化考试：受试者面对标准化病例或演员，在规定时间里完成问诊、判断和沟通。它的优势是可控。每位参与者接触相同信息，评价者可以盲法比较，指南也能变成明确标准。

可控也是它与现实之间的距离。真实门诊不会保证信息完整。病人可能忘记药名，化验单来自不同系统，症状描述受语言、文化和信任影响。医生还会看到一个人如何走进诊室、呼吸、停顿，护士会补充电话里的情况，电子病历里可能有十年前的错误。虚拟病例能模拟复杂性，却无法复制医疗机构的拥挤、时间压力和责任结构。

研究中的 21 名医生也是一个需要保留的口径。它足以进行受控比较，却不能代表所有国家、所有专科和所有经验层级的临床人员。100 个评价场景依据特定指南体系设计，也不等于覆盖疾病世界。系统与指南一致，说明它在这把尺子上表现良好；但现实中还有指南未覆盖的共病、资源限制和患者偏好。

更重要的是，评分者看到的是建议质量，而不是建议造成的长期结果。一个方案在文本上精准，不代表患者会接受、药物可以获得、复查能按时完成，也不代表真实不良事件更少。研究者自己写明，走向真实世界仍需要进一步研究。这不是例行免责声明，而是证据层级的界线。

开药不是把药名填进空格

药物推理是本研究特别强调的能力。AMIE 通过外部药物资料获得帮助，医生同样可以查阅信息。这个设置比闭卷考试更接近临床：好医生并不靠背完全部药典证明专业，而是知道什么时候查、查什么、如何把通用资料放进具体人的处境。

但对话系统获得药物能力后，风险也更集中。药名、剂量和调整建议看起来非常可执行。一段流畅回答可能让使用者忽略它没有检查过真实病历、过敏史或最新检验。系统越擅长给出完整方案，界面越需要清楚标示哪些信息来自指南、哪些是推理、哪些条件缺失，以及何时必须转交医生。

这也解释了为什么“人类在环”不能只写在产品说明里。监督者需要时间查看依据，系统需要保存引用版本和对话历史，医院需要规定谁能批准建议、谁能修改、错误如何报告。如果 AI 节省了问答时间，却让医生在更多病例上快速盖章，监督可能变成新的流水线。

医生真正拥有的是可追问性

把 AMIE 的研究理解成一场人机擂台，会错过医疗管理的关系本质。病人第二次回来，不只是为了获得另一个正确答案。他会问：上次为什么这样判断？现在为什么改变？如果我不愿意承担这个副作用，还有什么选择？医生需要把知识、资源和价值偏好放在同一张桌上，并为决定承担责任。

对话式 AI 可以帮助整理时间线、提醒指南条件、暴露遗漏和生成供讨论的方案。它甚至可能在受控任务上比一些医生更一致。但一致不是完整的照护，文本评分也不是健康结果。系统进入临床的合理位置，可能不是独自坐在医生的位置上，而是让医生与患者更清楚地看见：我们依据什么，哪里还不确定，下一次回来时要观察什么。

第一次见面考知识。第二次见面考记忆、修正和责任。医疗 AI 终于开始面对第二次复诊，这是研究的增量；它能不能面对现实中第三次、第五次以及一个人多年生活的变化，仍是尚未回答的问题。

下一场考试应当离开完美病例

从虚拟 OSCE 走向临床，不必一步跳到自主诊疗。更稳妥的路径，是把系统拆成不同风险等级的任务，逐层验证。

低风险层可以先测试病程摘要与信息核对。系统把多次就诊、检查和用药变化整理成时间线，医生检查它是否漏掉转折点、把否定信息写反或混淆了剂量。这里的结果可以用遗漏率、严重错误率、医生修订时间和跨系统记录的一致性衡量。摘要写得顺畅并不重要，能否让下一位接手者准确知道发生过什么才重要。

第二层是提醒与备选方案。系统根据指南标出需要复查的指标、潜在相互作用和可讨论的下一步，但不直接形成处方。研究应记录医生接受、修改和拒绝建议的比例，更要分析拒绝原因。若人类总在同一种患者上推翻模型，可能说明训练与评价遗漏了资源、共病或偏好的条件。拒绝不是系统失败后应被隐藏的噪声，而是改进边界的证据。

更高风险层才涉及患者对话和具体管理建议。此时需要真实世界前瞻性研究，明确谁在场监督、哪些问题必须转人工、建议如何写入病历、患者是否理解系统身份。评价不能只由专家读文本，还要看患者是否完成随访、是否出现可避免伤害、医生工作量是否下降，以及不同语言、年龄和数字素养人群是否受到不同比例的错误影响。

系统还必须经受“资料并不完美”的测试：过期药单、相互矛盾的记录、缺失化验、患者临时改变计划、指南之间不一致。真实医疗的能力不只是给出建议，而是知道证据不够时停下来。一个能说“我缺少肾功能结果，不能安全建议剂量”的系统，可能比每次都答满的系统更有临床价值。

模型更新也会让一次验证迅速过期。医院需要保留版本、提示、检索文档和输出日志，监测错误是否随人群与时间变化。若底层模型换代，不能因为产品名字没变就沿用旧结论。每一个版本都应回答：它在哪些人、哪些任务、哪种监督条件下被测试过。

医学教育喜欢明确的考试结束铃。疾病管理没有。下一次复诊、下一项新证据、下一次系统更新都会重新打开问题。AMIE 的研究把考试延长了一段；真正的临床验证要证明，系统在不完整、变化和责任压力下仍知道何时帮助、何时退后。

来源与边界

• 核心事实来自 Nature 论文、Google Research 论文页面与公开的 RxQA 材料。
• 研究为随机、盲法虚拟 OSCE，比对 21 名基层医生和 100 个评价场景；不是现实世界随机临床试验。
• “不劣于”与部分评分更高只适用于论文定义的任务、评价者和指标；不得写成系统全面超过医生或可自主诊疗、开药。