在我们最近关于教育的专栏《思想控制：在人工智能时代，谁在教谁？》中，我们观察到人工智能在教师与学生之间引入了第三种存在。类似的变革如今正在医学领域发生。技术可以比医生更高效地分发医学信息。
因此，患者不再只是带着症状前来就诊。他们越来越多地带着解释、诊断、治疗建议以及在咨询医生前通过人工智能系统获得的信心前来。然而在临床诊疗中，患者很少仅仅寻求信息。他们在不确定性条件下寻求的是 reassurance（安心感）、判断、责任承担和指导。他们带来的不仅是症状或担忧，还有具体情况、恐惧、限制条件、权衡取舍以及对风险的承受能力。
一位患者最近就诊时主诉眼睛发痒并流泪。在检查前，她提出自己可能患有结膜结石。
不久之前，这样的问题会立即让人联想到患者是医生、护士或医疗保健专业人士。而今天，它暗示了完全不同的含义。它表明，在来看医生之前，患者经常花时间咨询ChatGPT或其他AI模型，并带着几年前大多数患者不熟悉的词汇和鉴别诊断前来。AI已以"数字孪生"或"第二意见"甚至有时是"第一意见"的形式，在患者面前扮演不同角色。
公众讨论大多集中在AI是否会取代医生、患者是否应该信任聊天机器人生成的医疗建议，或政府是否应加速在医疗系统中采用AI。
AI正通过让医患双方都能接触到许多相同的信息来源来改变他们之间的关系，在此过程中，它有可能将原本以治愈为中心的伙伴关系转变为以知识为中心的智力竞赛。
几代以来，医学一直运作在一个框架内：医生拥有通过多年培训、临床经验和持续教育获得的专门信息。患者寻求医生不仅因为他们能获取信息，更因为专业人士能够解释信息、将其应用于个人情况、确定最佳行动方案，并在不确定性中行使判断力。信任源于理解医生能够帮助患者穿越症状、诊断、治疗和结果的复杂景观。
如今，医生和患者越来越多地在临床诊疗中由AI相伴。
当知识变成竞赛
信息的民主化本身并非问题。知情的患者往往能成为自身健康的更强有力倡导者，并在临床决策中更积极地参与。问题出现在当获取信息与理解混淆，当临床诊疗变成确定谁的信息来源更优越的练习，而非专注于理解问题和恢复健康的协作努力时。
当患者和医生开始将彼此视为知识竞赛中的对手，医学的目的便微妙地转变。患者提出由聊天机器人生成的证据。医生以培训和经验回应。患者以另一篇文章、另一个提示、另一个AI生成的解释进行反驳。医生为诊断或治疗建议辩护。本应是共同追求治愈的过程逐渐变成关于谁拥有更多专业知识的辩论。
AI不应成为交到对立双方手中进行信息竞赛的刀具。它应该成为一把手术刀。
AI应该根据相同的标准来评判。
它的价值将不由它能回答多少问题、能多有说服力地生成解释，或能多有效地用信息淹没人类来决定。它的价值将由它是否帮助医患双方获得更精确的诊断、更个性化的治疗、更少不必要的干预，最终获得更好的结果来决定。
医生花费大量时间执行对直接患者护理贡献甚微的行政任务。文书要求、编码义务、预先授权、病历审查、处方管理和法规遵从消耗了本可用于患者的数小时。人工智能可以减轻这些负担，让医生将更多注意力集中在坐在他们面前的个体上。
AI还可以作为强大的认知助手，能够审阅庞大的医学文献，识别相关证据，总结研究发现，并帮助临床医生驾驭不断扩大的科学知识宇宙。在放射学、病理学、皮肤病学和眼科等专业领域，机器学习系统在图像解释和模式识别方面已经展示出令人印象深刻的能力。
知识不是理解
然而，知识和理解仍然是根本不同的概念。
大型语言模型（LLMs）擅长生成语言，因为它们能在海量数据中识别模式。它们并不像医生那样真正理解疾病，也不完全理解经常决定治疗方案成功或失败的文化、社会、情感和经济现实。
每位医生都被教导在评估症状时"考虑马而不是斑马"，这提醒人们常见病症通常比罕见疾病更有可能。AI使这一原则复杂化，因为它能立即生成包括统计上不太可能但情感上引人注目的不常见诊断在内的广泛可能性列表。
眼睛发痒的患者可能会担心罕见的自身免疫性疾病，而季节性过敏才是更可能的解释。当AI提出模糊的可能性作为诊断干扰因素时，医生可能面临类似的挑战。AI的价值不应是生成最长的可能诊断列表，而是区分信号与噪音，并识别在患病个体而非仅仅疾病本身的背景下真正值得关注的可能性。
照顾第一代移民家庭的医生可能能识别出从未明确表达的心理健康担忧，因为文化污名阻碍了公开讨论。
医生可能意识到患者不愿接受手术反映了照顾责任、宗教信仰、财务限制、交通挑战或对医疗机构的历史不信任。这些因素往往与实验室值、影像学检查或临床指南一样决定结果。
LLMs能在人群中识别模式，但通常难以理解影响个人决策的深刻个人情况。它们可能了解人口统计组中的疾病患病率，却忽略了塑造特定患者如何体验疾病、评估风险或定义生活质量的文化细微差别。AI可以帮助阐明可能性。
医生帮助患者应对后果。
隐私和保密性引入了另一层可能侵蚀医生和患者信任的复杂性。医疗记录包含一些最敏感的信息，包括身体和心理健康、家族史、遗传学和个人行为的细节。随着患者越来越多地与AI系统互动，关于谁拥有这些信息、如何存储和使用它，以及患者是否完全理解分享它的含义的重要问题出现了。
契约，而非合同
医疗AI的未来也可能与当今LLM格局大不相同。在精心策划的医学文献、专业特定证据和机构协议上训练的小型语言模型，最终可能比在互联网广泛部分训练的大型通用系统更有用。
例如，假设聊天机器人评估的是特定医生诊所的患者群数据，而非一般人群；其建议可能更适合坐在诊室中的个体。
而LLM预测下一个可能的词，AI的新兴前沿则是"世界模型"，它试图预测现实如何展开。世界模型不仅可以描述诊断，最终还可能帮助预测特定患者的疾病可能如何随时间发展，以及替代治疗策略如何影响这一轨迹。这对于理解疾病如何在患者之间表现以及个性化治疗尤其相关。
这些发展并不改变医学的核心目的。
患者寻求医疗保健不仅仅是因为他们缺乏信息。他们需要判断、背景、同理心、安心感、责任承担和在不确定性中的指导。无论算法多么复杂，都无法完全承担对他人的责任，这可能是医学实践与AI之间永远无法弥合的关键差距。
患者护理的未来将不是由谁赢得知识之战决定，而是由理解决定。以及医生、患者和智能机器是否仍专注于最重要的一点：治愈。
在那些不适和不确定的时刻，治愈不仅依赖于知识，还依赖于关系。医生的角色从来不仅仅是诊断疾病。它还包括陪伴另一个人度过脆弱、不确定和希望。AI可能会迫使医生更明确地表达这一角色，并提醒我们所有人它的首要地位。
【全文结束】