AI问诊惹争议：照本宣科不可取，善用工具方能不被淘汰

开篇：一则热传就诊经历引发的行业反思：医师照念AI，病患当场破防

昨日，丁香园的一篇推文在医疗圈引发轰动（参考《医师用豆包问诊，将手机偷放在桌下？患者集体破防了》），该事件令众多医患陷入深思：某患者重金挂了知名专家号，本盼着获取精准且个性化的诊疗建议，结果就诊时，大夫全程依赖AI搜索医学资讯，几乎原封不动地将AI生成的文字读给患者听。

该患者离开诊室后心态彻底崩溃。在民众的传统观念中，专家理应学识渊博、从容不迫，能结合自身多年临床经验及患者具体情况给出专属判断，而非对着AI生成的标准化文本照本宣科。此事一经曝光，立刻引发两种截然相反的论调：患方质疑“如今大夫看病都不思考了？”；许多临床医生也陷入焦虑，担忧AI正逐渐剥夺医生的价值；还有一部分长期使用AI工具的临床人员，则从事件中看出，医患双方对AI工具普遍存在极大的认知偏差。

作为一名拥有二十五年经验的呼吸科临床大夫，同时也是国产AI大模型的深度用户，自2024年下半年豆包推出之初我便持续体验，并同步测试过DeepSeek等主流国产大模型，日常的问诊、查文献、理机制、写科普都会依靠AI，同时长期与各类慢病、呼吸道病患交流，亲眼看到许多患者也开始主动用AI自查症状、了解病情。

这些年我多次在公众号推文、线下授课时与年轻医师分享，以及和同行探讨AI在临床上的使用，今天借这个热点案例，全面剖析AI时代下，医患两大群体该如何客观、理智地看待AI，如何正确运用AI解决实际临床问题，理清AI的边界、价值与局限。

AI并非洪水猛兽，亦非包治百病的神器。国产大模型全面崛起带来的，并非医疗界的危机，而是一场彻底的革新与洗牌：它将淘汰只会死记硬背、抛弃临床基本功、完全依赖AI而丧失独立思考力的医生；同时也会为懂得善用工具、坚守临床核心能力的医师大幅减负，提升看病效率；对普通病患而言，正确使用AI能避免误诊漏诊、高效学习疾病常识，提升健康管理能力。

自2024年下半年起，国产AI领域迎来爆发，豆包率先稳定上线、面向大众开放，我算国内较早一批深度体验的临床医生。不同于普通用户的浅尝辄止，我的日常临床工作几乎离不开AI：查房后整理病例机制、搜索最新指南、查找药物说明与注意点、给患者准备通俗易懂的科普、梳理罕见病鉴别思路，甚至语音口述临床心得、公众号文章，AI都能迅速整理成文，极大节省了翻阅厚重工具书、逐字抄录文献的时间。

在长期高频的使用中，我清楚地感知到国产AI的核心优势，也无法回避现阶段难以忽视的先天缺陷，这也是国内外AI使用体验差距巨大的根本所在。

（一）AI不可替代的核心优势：低门槛、高效率、信息整合能力远超传统搜索

1.语音输入适配临床碎片化场景，大幅节约医生时间

临床大夫的工作节奏极度碎片化：门诊连轴转、病房随时处理突发状况、夜班间隙抽空梳理知识点，很难有整块时间坐在电脑前查文献。而豆包等国产AI支持实时语音口述，无需手动打字，想到什么直接提问，掏出手机就能完成检索、梳理、总结。

以前想区分两种抗真菌药的适应症、副作用、肾功能不全剂量调整，需翻阅数本临床药学专著、UpToDate专题，至少耗时十几分钟；现在只需口述完整临床场景，几十秒就能得到整合好、分条清晰的对比总结，极大缓解记忆压力。

2.整合碎片化医学信息，区别于传统搜索引擎广告乱象

许多患者会把AI大模型和早期的网络搜索混为一谈，二者底层逻辑完全不同，这也是我会主动鼓励患者合理用AI自查知识，却很少推荐单纯网页搜索的关键原因。

传统网页搜索存在无法避免的商业化缺陷：竞价排名机制下，大量民营医疗机构营销软文、夸大宣传、虚假诊疗信息常年占据搜索首页，普通无医学背景的患者极难辨别真伪，极易被误导，落入过度治疗、虚假偏方的圈套。

而大模型AI的核心能力是整合全网公开文献、教科书、指南内容，虽不能完全杜绝营销广告，但较以往已有显著改善。它将零散、分散的医学知识点归纳、梳理，输出结构化、中立化的知识总结。我始终强调，AI输出并非绝对准确，但对比混杂商业推广的网页搜索，信息纯净度、客观程度高出一个层级。

3.弥补国内医学科普、小众疾病资料缺失的短板

国内传统教科书、基层临床资料存在明显滞后性，许多国际通用的标准化诊断名词、诊疗思路并未普及，最典型的临床案例就是鼻后滴流综合征。

在国际慢性咳嗽诊疗指南中，鼻后滴流是慢性咳嗽最常见诱因之一，有完整、规范的鉴别、治疗体系。但国内通用内科学、耳鼻喉教材极少明确标注这个诊断名词，基层医生、甚至部分三甲医院门诊，遇到长期咽痒、频繁清嗓、平卧咳嗽加重、咽喉总有黏液附着的患者，大多笼统诊断为慢性咽炎、鼻咽炎、支气管炎，部分医师甚至直接归为胃食管反流，治疗方案不对症，导致患者常年反复发作，持续误诊漏诊。

不少长期咳嗽久治不愈的患者，线下就诊反复得不到准确判断，自行把完整症状：长期鼻塞、鼻涕倒流、咽喉异物感、晨起刺激性咳嗽输入AI，大模型自动整合国际咳嗽指南、耳鼻喉相关文献，直接给出鼻后滴流综合征的鉴别方向，患者再拿着AI整理的内容就诊，居然还有许多医生不知道这个知识。

这个案例充分体现AI独有的价值：弥补国内线下医疗资料、教科书更新滞后带来的信息差，也倒逼中国医生要加强学习。

（二）现阶段国产AI难以规避的短板，也是医患使用最容易踩坑的根源

1.中文高质量临床医学数据库储备不足，极易生成谬误

国内外AI使用体验差距巨大，核心症结在于数据库资源：海外大模型接入海量英文临床期刊、实时更新国际顶级指南、大型临床研究数据；而国产大模型依托中文网络资料，国内完整、权威、实时更新的临床数据库体量有限，大量小众罕见病、最新细分药物研究、细分专科前沿研究资料储备不足。

当提问涉及细分、前沿、小众临床问题时，AI极易出现信息缺失、混淆病种、混淆药物剂量、遗漏关键不良反应等错误，单纯照搬AI答案直接诊疗，必然存在风险。早期我使用AI时，多次发现针对呼吸罕见病、新型靶向药副作用的回答存在事实偏差，必须结合自身临床经验、权威指南二次核对，绝不能直接采信。

2.缺乏床边真实临床体征感知，无法捕捉动态、个体化线索

AI只能处理人类主动输入的文字、数字信息，无法走进病房、站在患者床边观察动态体征，无法捕捉查体过程中肉眼可见的关键线索，这是AI与生俱来、短期内无法突破的天花板。

临床诊断从来不是单纯症状文字的堆砌，许多关键诊断依据藏在客观体格检查、动态病情变化、细微体征里，这类信息无法完整转化为文字输入AI。哪怕完整输入症状描述，缺少查体数据、病程动态变化、既往基础病细节，AI给出的鉴别诊断方向会严重片面。

3.无法完成临床个体化权衡，缺少人文与风险综合判断

同一种症状，老年人、青壮年、孕产妇、肾功能/肝功能损伤患者、肿瘤晚期患者的诊疗方案天差地别；同一款药物，不同合并症、年龄、体重人群剂量、使用禁忌完全不同。AI只能输出标准化通用方案，无法结合患者综合身体情况、家庭经济条件、耐受程度、心理状态做个体化权衡，而个体化判断恰恰是临床诊疗的核心。

误区1：简化症状提问，预设疾病，引导AI给出对应药物

门诊遇到一位老奶奶，主诉轻微咳嗽、咽痛，无发热、无全身酸痛，实际只是普通上呼吸道黏膜刺激。但老人使用AI时，没有客观完整描述全部症状，直接主观预设“我得了流感，应该吃什么药”。AI根据用户给出的前置条件，推荐奥司他韦抗流感治疗，老人自行购药服用后，出现恶心、失眠、食欲减退等药物不良反应，反而加重身体不适。

这个案例是门诊最常见的患者AI误用模式：先给自己下诊断，再向AI索要药物方案，而非客观、完整、不带预判地描述全部症状、病程、既往病史、检查结果。

AI具备极强的跟随性，用户预先给出主观判断，模型会顺着用户预设推导方案，忽略鉴别诊断、排除其他可能性，最终给出错误用药指导。

正确方法1：完整客观描述全部线索，借助AI补齐知识盲区，辅助医生确诊

与之形成鲜明对比的，就是大量慢性咳嗽、长期咽喉不适患者的正确使用方式：完整、客观罗列所有细节，鼻塞、昼夜咳嗽区别、黏液倒流感受、既往胃镜、鼻咽镜检查结果、既往用药效果，不提前自我定性，全部如实输入AI。

AI会整合全部线索，分条罗列全部可能病因，区分鼻后滴流、反流性咽喉炎、变异性哮喘等鉴别方向，患者拿着完整的鉴别思路复诊，和医生双向沟通，大幅缩短诊断周期，解决线下长期漏诊误诊难题。

给所有患者的AI使用核心准则

提问禁止提前自我确诊，不带主观预判，客观完整描述：发病时长、所有躯体症状、体温、痰液性状、既往慢性病、正在服用的所有药物、既往检查报告数值；

AI结论仅作为科普参考、就诊沟通素材，绝对不能替代线下医师诊断、自行购药服用处方药；

区分AI科普与临床诊疗：AI用来学习疾病基础知识、看懂检查报告、梳理要向医生提问的问题，而非自主制定治疗方案；

不要单一依赖一款AI，复杂慢性病可以多模型交叉对照，再结合专业医师判断，降低单一模型信息偏差风险。

丁香园那篇文章里让患者崩溃的医生，恰好踩中临床使用AI最致命的红线：把AI生成的标准化内容直接照搬、朗读给患者，完全没有结合患者个体情况整合、修正、个性化解读。这件事暴露当下临床行业一个严峻现状：不少年轻医师过度依赖AI检索，逐步放弃问诊逻辑、体格检查、独立鉴别思辨三大核心临床能力。

许多同行存在一个陈旧的固有偏见：看病全程不查资料、不借助工具、脱口而出所有答案，才是高水平专家。但多年海外学习经历让我彻底改变这个认知：欧美临床医师使用检索工具是常态化操作，门诊、病房遇到存疑指南、新型药物、罕见并发症，会坦然拿出手机查阅权威资料，患者不仅不会质疑，反而会认为医师严谨、不凭经验主观臆断。

现代医学更新迭代速度早已远超人体记忆极限，每年源源不断推出新版诊疗指南、大型临床研究、新型药物，知识更新周期大幅缩短。以肺癌靶向治疗举例，当下各类靶点对应的靶向药物数量上百种，不同靶点、耐药突变、肝肾功能状态对应的用药选择、剂量调整、间质性肺炎等不良反应防控细节，哪怕长期深耕肺部肿瘤方向的专科医生，也不可能完整熟记全部细分条目，借助AI快速梳理对比，是提升诊疗精准度的正常手段。

抗生素、抗真菌药物体系同样庞大：不同菌种、不同感染部位、不同脏器功能损伤，对应药物选择、疗程、溶媒、配伍禁忌纷繁复杂，单纯依靠人脑记忆极易出现疏漏，AI可以快速整合对比，规避用药差错风险。

AI的核心定位，是医生的“高级医学工具书、智能检索助手”，用来解放机械记忆、节省查阅文献时间，而不是直接替代临床诊断、个体化决策。当下最值得警惕的，是年轻一代临床从业者基本功持续退化，把AI当成诊断标准答案，放弃核心临床能力。

AI擅长信息检索、文献整合、知识点归纳、标准化科普输出，但三类核心临床能力，短期乃至长期都无法被人工智能取代，也是区分普通医师与优秀临床医生的关键，更是我们不能因为有AI就松懈打磨的底层能力。

（一）细致完整的病史采集与问诊逻辑：从碎片化口述里捕捉隐藏诊断线索

问诊不是简单听患者说症状，而是带有鉴别诊断思维，层层追问、挖掘隐藏关键信息的过程。同样一句“长期咳嗽”，有经验的医生会主动追问：咳嗽昼夜差异、接触冷空气是否加重、有无反酸嗳气、晨起是否频繁咳痰、既往鼻炎病史、职业粉尘接触史、家族哮喘病史，通过针对性提问补齐患者遗漏、忽略的关键信息，完善鉴别诊断链条。

许多患者自述时会下意识忽略关键细节，自身无法完整梳理全部病史，AI只能接收用户主动输入的内容，不会主动追问、补充线索，天然存在信息缺口。

这种主动挖掘线索、动态追问的问诊思维，是AI完全不具备的，也是年轻医生最容易弱化的能力。

（二）规范、完整的床边体格检查：肉眼、器械捕捉文字无法描述的客观体征

门诊一个非常普遍的现象，大量呼吸道咳嗽患者辗转多家医院就诊，绝大多数医师全程不使用压舌板查看咽喉。许多患者专程找到我就诊，都说只有我会常规做咽部查体。

不借助压舌板，无法直观观察咽后壁淋巴滤泡、鼻腔后段黏液附着、咽喉充血水肿程度，缺少最直观的客观体征，单纯依靠患者口述咳嗽、咽痛，鉴别诊断天然存在巨大漏洞。

除此之外，肺部听诊、胸廓查体、水肿评估、生命体征动态监测等全部床边操作，都需要医师实地操作、实时观察，这些具象化体征无法转化为简单文字完整输入AI。

例如，之前遇到一例极具代表性的渐冻症合并膈肌麻痹病例（参看《渐冻症患者常年无法平躺，两家省级医院未找到根源，问题竟不在原发病？》）：患者持续强迫左侧侧卧、无法平卧、平卧位后氧饱和度下降。单纯把“不能平卧、单侧侧卧”文字输入AI，模型很难精准关联运动神经元病累及呼吸肌的罕见并发症。只有床边查体观察胸廓起伏、双侧呼吸动度差异、结合肌力查体，把完整体征、病程、肌电图结果全部整合后，再输入AI检索相关文献，才能得到匹配度高的诊疗参考。

如果省略体格检查这一步，仅依靠患者口述文字提问AI，得到的鉴别方向会严重偏离核心病因。

（三）融会贯通的临床思辨、举一反三的底层逻辑与个体化诊疗决策

医学学习不能只孤立记忆单一病种、单一药物，需要掌握病理生理底层逻辑，实现跨病种举一反三，这是AI不具备的逻辑推演能力。

临床靶向药物间质性肺炎的诊疗案例可以直观说明这一点：吉非替尼早期临床使用中，明确存在诱发间质性肺炎的严重不良反应；三代EGFR靶向药物早期临床试验阶段，未出现相关病例报道。部分肿瘤科医师机械照搬试验数据，主观认定该药物不会造成肺损伤，忽视药物同属EGFR抑制剂、具备相同药理底层机制，存在同类不良反应潜在风险。

具备完整药理、病理生理思辨能力的医生，可以根据药物分类、作用靶点举一反三，提前警惕同类不良反应，临床中确实陆续接诊多例三代EGFR靶向药诱发间质性肺炎的患者。AI只能检索已发表、录入数据库的病例报道，无法依靠底层药理逻辑推演潜在风险，缺少主动预判、综合权衡的决策能力。

临床最终诊疗决策，需要综合患者年龄、脏器功能、合并基础病、药物耐受、经济条件、心理状态多维度权衡取舍，是兼顾医学证据、人文关怀、风险收益的综合判断，这套复杂权衡体系，是标准化AI模型无法完成的。

（一）临床医生：放平心态，善用AI做工具，守住临床核心竞争力

摆正定位：AI是检索助手，而非诊疗标准答案

不用抵触AI工具，更不能过度神化AI。面对海量更新的指南、新药、罕见病文献，坦然借助AI完成信息整合，无需因为就诊时查阅资料感到羞愧，严谨核对证据才是对患者负责。使用AI输出内容后，必须结合自身临床经验、权威指南、患者个体化情况修正、筛选，绝对不能直接照搬朗读给患者。

越是依赖AI检索，越要刻意打磨问诊、查体、思辨三大基本功

机械记忆、文献检索工作交给AI，省下的时间用来深耕临床核心能力：规范完成每一例患者体格检查，训练结构化问诊思维，梳理疾病病理生理底层逻辑，锻炼跨病种举一反三的鉴别能力。年轻医师切忌本末倒置，用AI替代本该亲手完成的床边诊疗操作。

借助AI完成辅助工作，提升科普与沟通效率

AI可以把晦涩专业术语转化为通俗口语，用来准备患者沟通话术、撰写科室科普、整理病例复盘、梳理教学PPT，把大量重复性文案工作交给工具，留出更多时间专注床边诊疗、和患者深度沟通，补足现代门诊普遍缺失的医患交流时间。

（二）普通患者：理性看待医疗AI，把它当成就诊辅助工具，而非替代医生

摒弃两种极端心态：不神化AI、不彻底排斥AI

AI不是万能的，不能自行根据AI结论买药治病；也不用完全拒绝使用AI学习疾病知识。国产大模型对比传统竞价网页搜索，信息更加客观中立，合理使用可以消除信息差，减少误诊漏诊。

掌握正确提问方式，最大化AI参考价值

描述症状时客观中立，不提前自我诊断；完整提供病程、检查数值、既往病史、用药记录；多维度交叉验证多个大模型输出内容，再带着整理好的疑问、鉴别思路线下就医，和医师双向沟通，提升就诊效率。

清晰划分AI的能力边界：仅用于科普学习，不替代线下诊断与处方

所有处方药、有创检查、治疗方案调整，必须由执业医师结合查体、检验检查结果综合判断。AI没有办法完成体格检查、评估脏器功能、预判药物个体耐受风险，自行根据AI指导用药，极易出现不良反应、延误病情。

（三）行业长远视角：AI是医疗行业升级的催化剂，而非颠覆者

国产AI大模型全面落地，对国内临床实践、医学教育是巨大冲击，长远来看更是正向促进。

长期以来国内教科书更新滞后、基层医师前沿知识获取渠道有限、医患信息不对称问题，都能借助AI得到一定缓解；倒逼临床从业者剥离机械记忆工作，回归医学“治病救人”的本质，重视床边诊疗、个体化人文诊疗；同时推动患者医疗科普普及，减少信息闭塞带来的过度医疗、延误诊疗。

未来医疗行业会完成分层：只会背诵条文、放弃临床思辨、完全照搬AI答案的从业者，会逐步失去核心竞争力；而懂得善用AI减负、扎实掌握问诊查体、具备独立临床思维的医生，会借助工具大幅提升诊疗质量与效率。二者的差距，会在AI普及之后持续拉大。

回到开篇那则让患者崩溃的就诊案例，整件事问题的核心从来不在“医生使用AI”，而在于医生错误定位了AI的价值，放弃了自己个体化整合、临床解读的核心职责，把工具生成的标准化文字直接当成诊疗结论。

从业多年、长期重度使用国产AI的亲身经历让我坚信：AI是临床医生绝佳的辅助工具，是普通患者低成本获取客观医学知识的渠道。但人工智能永远无法替代坐在床边问诊查体、独立分析病情、兼顾病情与人文的临床医师。

对于所有同行：接纳AI、善用AI，但永远不要丢掉作为医生最核心的问诊、查体、临床思辨能力；

对于所有患者：合理利用AI科普解惑，但记住线下专业医师的个体化诊疗，才是解决自身疾病的最终方案。

AI浪潮已经全面抵达临床一线，摆正心态、分清边界、扬长避短，我们才能真正借助人工智能，让诊疗更精准、医患沟通更顺畅。