AI工具在医疗实践中正迅速成为标准，但大多数医生并未从中获得最佳结果。原因并非技术本身，而在于我们如何提出问题。
当你向AI系统寻求医疗指导时，你实际上是在咨询一个拥有海量医学知识的复杂工具。然而，如同任何会诊一样，回答的质量很大程度上取决于你如何构建问题。
许多医生将AI当作一个简单的医学搜索引擎：快速输入模糊的问题并得到基础答案。但AI系统更像是专业顾问；只有在提供全面的临床背景和具体需求时，它们才能给出最深刻的见解。
好的AI辅助和卓越的AI辅助之间的差异，往往归结于你如何设计提示语。以下是五个基于证据的策略，可以显著提升AI在临床中的实用性。
随着AI工具越来越多地融入医疗工作流程——从诊断协助到治疗规划——全球的医生们发现，有效的提示不仅关乎获取好的答案，还关乎获得安全、准确且符合情境的医疗指导。
以下是每位医生在为医疗目的提示AI系统时必须掌握的五个不可妥协的规则。
1. 始终提供完整的临床背景（切勿孤立提问）
问题：
没有背景的通用医学查询会导致泛泛而谈，甚至可能带来危险的建议。
解决方案：
将模糊的提示转化为全面的临床描述。
不要这样问：
“哪些抗生素可以治疗肺炎？”
应该这样问：
“67岁男性，患有社区获得性肺炎，表现为有痰咳嗽、体温101.8°F、白细胞计数14,000，胸片显示右下叶实变。患者对青霉素过敏（出现荨麻疹），肾功能正常（肌酐0.9），近期无住院史。根据当地的抗药性模式和患者因素，您推荐什么抗生素方案？”
为何重要：
医疗决策存在于复杂的患者因素、并发症、过敏史和当地流行病学的网络中。AI擅长模式识别，但前提是提供了完整的模式。信息不完整会导致建议不完整，甚至可能有害。
提示技巧：
使用SBAR格式（情况、背景、评估、建议）来构建复杂的临床提示。
实际应用：
内科医生Martinez博士在学会这一原则后改变了她的方法。她不再问“如何治疗心力衰竭？”而是这样提问：“72岁女性，新诊断的心力衰竭伴射血分数降低（EF 35%），表现为劳力性呼吸困难和双下肢水肿。合并症包括糖尿病（控制良好，HbA1c 6.8%）、轻度慢性肾病（eGFR 55），无已知药物过敏。目前服用二甲双胍和每日10mg赖诺普利。今日血压145/85，心率78，无急性失代偿迹象。请推荐基于证据的心力衰竭管理计划，包括药物调整方案和监测参数。”
AI回应质量的差异是显著的，从泛泛的教科书信息转变为针对特定患者复杂性的个性化、分步骤管理计划。
2. 明确说明你的角色和决策层级
问题：
AI系统不会自动根据谁在提问或其决策权限调整回答。
解决方案：
始终明确自己的角色及决策范围。
示例：
- “作为一名急诊医学住院医师向主治医生汇报，请帮我整理[某种情况]的鉴别诊断。”
- “作为一名家庭医生转诊至心脏病科，请问我在转诊信中应包含哪些关键信息？”
- “作为主要主治医生进行治疗决策，请评估[某治疗方案]的风险和收益。”
为何有效：
不同的医疗角色需要不同类型的信息。医学生需要教育性解释，住院医师需要下一步指导，而主治医生则需要全面分析以支持自主决策。AI可以根据这些需求调整回应的复杂性和重点。
关键点：
不要假装比实际拥有的权威或经验更多。如果你是住院医师，就不要以主治医生的身份提问。AI的回答应匹配你的实际执业范围。
高级技巧：
对于复杂病例，考虑使用“视角提示”。例如：“作为一名家庭医生，我在关于[某种疾病]的推荐中看到矛盾之处。请帮助我理解心脏病专家与内分泌专家可能的不同处理方式，以及哪些因素应指导我的转诊决策。”
这种方法可以帮助你理解专科医生的观点，同时保持适当的界限并提高临床推理能力。
3. 请求基于证据的理由和局限性
问题：
即使证据薄弱或存在冲突，AI也可能听起来很自信。
解决方案：
始终要求提供推荐背后的理由及其局限性。
有效的提示结构：
- “基于当前证据，针对[某种疾病]的推荐方法是什么？”
- “此推荐的局限性是什么？”
- “有哪些最近的研究或指南支持这一方法？”
- “在哪些临床场景中此推荐可能不适用？”
示例：
“对于一名55岁的2型糖尿病新诊断患者（HbA1c 8.2%），推荐一线治疗方案。请包括推荐的证据基础、应筛查的禁忌症，以及可能需要调整此方法的情况。”
为何至关重要：
医学建立在证据之上，但并非所有证据都同样可靠。了解推荐的强度及其局限性有助于做出明智的决策，并适当告知患者不确定性。
实际实施：
创建一个基于证据的提示清单：
- 推荐的证据水平是什么？（随机对照试验、观察性研究、专家意见）
- 研究的人群是谁？他们与我的患者有多相似？
- 报告结果的置信区间和临床意义是什么？
- 是否有最新的系统综述或荟萃分析可能改变推荐？
- 治疗所需人数（NNT）和伤害所需人数（NNH）是多少？
示例：
“基于当前证据，对于一名58岁的女性（LDL 145，无糖尿病，10年动脉粥样硬化心血管疾病风险8.5%），他汀类药物在一级预防中的NNT是多少？支持这一推荐的研究的主要局限性是什么？我该如何向她解释绝对风险降低与相对风险降低的区别？”
4. 使用AI增强而非取代临床推理
问题：
过度依赖AI可能导致临床思维技能退化并忽略细微差别。
解决方案：
将提示视为请求对思维的帮助，而非替代思维。
强大的提示结构：
- “我正在考虑[你的临床推理]。我可能忽略了哪些因素？”
- “我的鉴别诊断包括[A、B、C]。鉴于[特定临床发现]，我还应该考虑哪些其他诊断？”
- “我计划采用[治疗方案]。我应该预期哪些潜在并发症或药物相互作用？”
在使用AI之前：
在完成自己的临床评估之前，不要急于提示AI。
使用AI时：
利用AI测试你的推理，识别盲点并考虑替代方案。
使用AI之后：
批判性地评估AI建议，结合你的临床判断和患者特定因素。
记住：
AI是一种复杂的医学参考工具，而非医学培训、临床经验或医生判断的替代品。
“临床推理三明治”方法：
- 预AI评估：形成自己的临床印象和管理计划。
- AI咨询：利用AI挑战你的思维并识别差距。
- 后AI整合：将AI见解与你的临床判断综合起来。
示例工作流程：
“我正在评估一名45岁的男性，过去3周感到疲劳和关节疼痛。我的鉴别诊断包括病毒感染综合征、早期自身免疫疾病和甲状腺功能障碍。我计划进行全血细胞计数、代谢面板检查、TSH、ESR、CRP和ANA检测。我还应该考虑哪些其他诊断？哪些其他测试可能有帮助？哪些警示信号应促使更紧急的评估？”
这种方法确保AI增强了而不是取代了你的临床推理过程。
5. 始终包括安全检查和警示信号
问题：
AI系统可能不会优先考虑安全问题或可能错过关键警告信号。
解决方案：
明确请求安全分析和警示信号识别。
必要的安全提示：
- “哪些警示信号或警告标志应立即升级？”
- “这种治疗方法的最严重潜在并发症是什么？”
- “在什么情况下应让患者紧急就诊或住院？”
- “这种治疗需要哪些安全监测？”
示例：
“一名45岁的抑郁症男性，考虑开始使用舍曲林。在开处方前，我应完成哪些安全评估？需要哪些监测？患者及其家属应注意哪些警告信号？”
高级安全提示：
“如果这是你最脆弱的患者——老年、多种并发症、社会支持有限——你会强调哪些额外的安全考虑？”
为何能挽救生命：
医学的第一原则是“首先，不伤害”。AI系统应帮助你识别和减轻风险，而不仅仅是提供建议。
安全优先的提示框架：
- 对任何AI推荐，始终问“可能会出什么问题？”
- 请求具体的监测参数和时间表。
- 询问药物相互作用、禁忌症和特殊人群。
- 询问需要立即干预的迹象。
- 考虑问：“如果这是你最高风险的患者，你会采取哪些额外的预防措施？”
培养安全习惯：
使安全查询自动化。即使是常规病例，也要在提示结束时加上：“我遗漏了哪些安全考虑？”这一简单补充可以揭示重要的盲点并强化防御性医疗实践。
总结：提示作为一项临床技能
有效的医学提示不仅是获取更好的AI回应，更是发展一种系统化的临床决策方法，安全且有效地利用AI。
记住：
- AI是增强临床推理的工具，而非替代品。
- 输出质量完全取决于输入质量。
- 患者安全必须明确纳入每个医学提示中。
- 你的医学培训和判断仍然无可替代。
随着全球的急诊医生、家庭医生和专科医生不断学习这一教训，有效的医学提示不仅是获取更好的AI协助——在这个过程中，你也会成为一名更好的医生。
进阶提示策略
链式推理提示：
对于复杂病例，分解你的思考过程。“带我逐步推导一名35岁女性胸痛、呼吸急促和单侧腿肿的诊断推理，考虑到她最近8小时飞行和口服避孕药的使用。”
比较分析提示：
“在这临床场景中，比较D-二聚体、Wells评分和PERC规则在诊断肺栓塞中的准确性，并解释每种工具在何时最适用。”
场景学习：
“如果患者的症状在初始治疗后恶化，你的下一个三个诊断考虑是什么？为什么？”
这些高级技术帮助你更系统、全面地思考临床问题。
避免常见陷阱
“谷歌症状”陷阱：
避免像“什么导致胸痛？”这样的提示。相反，提供临床背景并提出具体问题。
过度依赖综合征：
不要让AI取代你的临床评估。用它来增强，而非替代你的医学判断。
泛泛复制粘贴提示：
根据具体临床情况定制每个提示。泛泛提示只会得到泛泛答案。
忽略局限性：
始终询问AI推荐的局限性和确定性。
融入临床工作流程
电子病历集成考虑：
许多AI工具现在可以与电子病历集成，使内容丰富的提示更容易。
团队提示：
考虑如何与临床团队分享AI见解以进行协作决策。
文档增强：
利用AI帮助构建临床文档和鉴别诊断推理。
质量改进：
跟踪AI辅助决策如何影响你的诊断准确性和患者结果。
(全文结束)
