《赛博医生问世，告别过度诊疗新时代！》

《赛博医生问世，重塑健康：开启精准医疗新时代！》

　　 指望“赛博医生”整顿医疗的人们又失望了。

　　 设想有一种前沿的医疗技术，能够有效治愈你的病症，但因医生缺乏相关信息，建议你采用了传统的治疗方法，结果你的康复情况明显不如那些选择新技术的患者。当得知真相后，你会不会因此感到不满？

　　 同样的情况，如果发生在赛博医生身上，原因不再是信息滞后，而是AI根据你的性别或者收入水平作出了这样的选择呢？

　　 近期国际研究显示，随着大模型的智能化不断提升，医疗领域的“差异化对待”问题似乎被进一步放大了。 在我看来，这一现象背后反映的是技术进步与现实需求之间的复杂关系。一方面，大模型确实能够通过深度学习分析海量数据，在诊断精度和个性化治疗方案制定方面展现出显著优势；但另一方面，这种能力也可能加剧资源分配不均的问题。例如，经济条件较好的地区或人群可能更容易获得顶尖模型提供的优质服务，而相对落后的地区则难以享受到同样的便利。如何平衡技术创新与公平性，成为摆在我们面前的一道难题。未来，或许需要从政策引导、技术优化等多方面入手，确保先进技术真正惠及每一个人。

　　 近期发表于《自然》子刊的一项研究揭示了一个值得关注的社会现象：在美国西奈山伊坎医学院和西奈山卫生系统的数据中发现，“高收入”人群在医疗资源获取上具有显著优势，他们更容易接受如CT扫描和核磁共振等高级影像学检查。相比之下，中低收入患者往往只能选择基础检查，甚至因种种原因无法得到及时的医学评估。 这一结果令人深思。尽管现代医学技术已经取得了巨大进步，但不同经济背景的患者却未能平等地享受到这些成果。这种差异不仅反映了医疗资源分配的问题，也暴露了社会公平性方面的隐忧。在理想状态下，每个人都应享有高质量的医疗服务，无论其财富状况如何。然而现实却告诉我们，经济因素依然是决定个体健康权益的重要变量之一。 未来需要更多跨学科的合作与政策调整来缩小这种差距，让每个人都能获得应有的诊疗机会。同时，这也提醒我们，在追求科技进步的同时，更应该关注如何构建一个更加包容和平等的社会体系。

　　 被标记为“无住房”的患者往往更容易被引导至紧急护理服务、侵入性治疗或是心理健康评估。这种现象反映出医疗资源分配中存在的一些深层次问题。在当前的社会环境中，无住房者由于缺乏稳定的居住条件，常常面临更多的健康风险，但与此同时，他们获取基础医疗服务的机会却相对有限。这不仅需要医疗体系内部进行调整优化，也需要社会各界共同努力，为这一群体提供更为全面的支持与保障。希望未来能够看到更多针对性的政策出台，改善这类弱势群体的就医体验和社会处境。

　　 这项研究针对9个自然语言大模型在急诊领域的表现进行了全面评估，涵盖了1000个病例，其中包括500个真实案例和500个合成案例，总计分析了170万个看诊结果。这项工作不仅展示了人工智能技术在医疗领域的巨大潜力，也揭示了当前技术应用中的挑战与局限性。 从我的角度来看，这项研究为推动人工智能与医疗行业的深度融合提供了重要的参考依据。尤其是在急诊这种需要快速决策的情境下，人工智能能够提供高效的支持工具。然而，我们也必须正视其中存在的问题，比如模型对复杂或罕见病例的处理能力是否足够可靠，以及如何确保算法公平性和透明度等。未来的研究方向或许应更加关注如何让这些技术更好地服务于临床实践，并保障患者权益。

　　 更早的研究显示，AI仅凭X射线就能预测出患者的种族、性别等信息。这也令赛博医生比人类医生更精于“看人下菜碟”。

　　 研究者认为，是模型驱动了这些“偏见”，最终会导致不同人群在健康水平上拉开距离。而在硬币的另一面，部分患者也可能为本不需要的检查、治疗买单了，不仅浪费了金钱，还可能有损健康。

　　 在令人失望的结局背后，业界认为，人类的医疗健康也需要尽快转向了。

　　 赛博神医被人类教坏了？

　　 近年来，投喂脏数据导致大模型被污染的问题日益突出，这已成为众多AI企业面临的棘手挑战。特别是在医疗领域，这一问题的危害性更为显著。医疗数据的准确性直接关系到患者的健康与生命安全，一旦被污染，不仅可能导致诊断失误，还可能引发严重的医疗事故。因此，如何确保数据的纯净性和可靠性，成为当前亟待解决的关键课题。 我认为，解决这一问题的根本在于加强数据源头的管理与审核。企业应当建立严格的数据采集标准，对数据进行多重验证和清洗，避免未经处理的原始数据直接进入模型训练环节。同时，行业应推动制定统一的数据质量评估体系，通过技术手段和制度保障，共同维护数据生态的健康与稳定。只有这样，才能让人工智能在医疗等关键领域发挥更大的积极作用，为社会创造更多价值。

　　 华东政法大学中国法治战略研究院特聘副研究员童云峰曾在撰文中表示，担心未来会出现AI把普通感冒看成癌症的情况。

　　 美国研究者的一项多中心随机临床小片段调查研究似乎也在验证这种担忧：研究者发现，当临床医生用被显示有系统偏见的AI模型预测时，诊疗准确性显著下降了11.3%。

　　 为此，还有人调侃说，聪明的AI帮小忙，坏AI捅大篓子。

　　 究其原因，数据确实是非常关键的因素。

　　 近年来，由仝媛媛等人在中国中医科学院中医药信息研究所的研究指出，我国医疗数据存在诸多问题，其中信息化水平偏低是导致数据质量不佳的重要原因。此外，还暴露出不少其他数据问题。这不仅影响了中医药行业的科研进展，也对临床决策支持系统的构建造成了阻碍。 我认为，随着大数据时代的到来，提升医疗数据的质量显得尤为重要。一方面，相关部门应加大投入力度，推动医疗机构信息化建设，确保数据采集的准确性与完整性；另一方面，还需要加强行业标准制定，提高数据共享与互操作性，从而为中医药现代化发展提供坚实的数据支撑。只有这样，才能更好地发挥中医药的独特优势，服务于人民群众健康需求。

　　 包括：数据代表性不强。比如：经济收入较低的人群，本来就较少到医院看病，以及儿童、孕妇等特殊人群，很难开展药物研究等，都会导致数据不足。数据标注质量不高。如：标注时带有个人偏见、主观判断、数据标注标准不统一等，就可能造成数据出现偏差。

　　 更重要的是，医疗活动中，本来就存在着大量无意识的偏见问题。

　　 早在去年8月，已有研究者在美国《国家科学院院刊》 上发表论文称，医生常常视女性患者的疼痛为“夸大其词或歇斯底里”，而认为男性更加坚韧。

　　 这项研究基于超过两万份患者的出院记录展开，所有病例均为未明确原因的非特异性偏头痛。研究发现，女性患者从挂号到最终接受诊疗的平均等待时间，比男性患者多出30分钟。此外，在记录中，女性患者报告疼痛评分的概率比男性低了10%。同时，男性患者对自身疼痛的评级普遍高于女性，显示出可能存在的主观感受差异。 这一结果引发了一些值得深思的问题。首先，女性患者在医疗过程中面临的更长等待时间，是否反映了医疗机构在处理性别差异上的不足？其次，女性患者对疼痛的评分较低，是否意味着她们在描述或评估自身痛苦时存在一定的保守倾向？这些问题不仅关乎医疗服务的公平性，也提醒我们关注不同群体在健康管理和疾病表达上的潜在差异。 无论如何，这项研究为未来进一步探讨性别与医疗体验之间的关系提供了重要线索，同时也呼吁社会和医学界更加重视这些细微但重要的细节。

　　 而此前，一项英国研究显示，在初次诊断时，女性心梗患者的误诊率比男性高出50%。此外，中风和甲状腺机能减退等疾病也是女性容易被误诊的病症。

　　 在过度诊疗方面，复旦大学公共卫生学院、上海市浦东新区疾控中心的研究显示，9年间，中国女性肺癌患者过度诊疗率增长一倍以上，从2011年至2015年22%增长至2016年至2020年的50%！其中女性肺腺癌患者中近90%是过度诊断。

　　 若将此类数据提供给大模型，确实会产生不良影响。然而，即便使用无偏的数据，也无法完全消除偏见。专业人士对此依然持否定态度。

　　 人工智能“自治”成救命方

　　 只专注于学习正面内容而忽略负面信息，并不一定能培养出一个道德感特别强烈的人。在现实生活中，我们既需要了解人性的美好与社会的进步，也需要正视存在的问题与挑战。一味回避负面信息可能会让人对复杂的社会现象缺乏全面的认识，甚至可能导致判断力的缺失。因此，在教育过程中，平衡地引导人们认识世界，既能看到光明的一面，也能理性面对阴暗面，才能更好地塑造健全的人格与正确的价值观。我认为，这种全面的认知方式才是培养真正有责任感、有担当的社会成员的关键所在。

　　 复旦大学计算机与智能创新学院的教授邱锡鹏在一次行业活动中曾表达过类似观点。他指出，试图通过数据来解决偏见问题并非理想之选。一方面，要直接创建一个完全没有偏见的数据库极其困难；另一方面，即便拥有优质的数据，也不一定能训练出完全无偏见的大模型。这一点与人类的情况非常相似。

　　 他认为，这种AI很难满足人类伦理要求的现象，主要是大模型与人类的追求有差异造成的。

　　 比如：在医疗中，人类医生会在疾病治疗和患者体验之间做一些平衡，而AI就可能为了追求“治病”而对患者痛苦视而不见。

　　 而人机对齐，为大模型赋予更优质的伦理方向，将人类的价值观念融入其中。

　　 在训练过程中，通常会增加筛选数据的步骤，同时引入指令微调，使大模型更好地理解人类语言。此外，还可以借助奖励函数的方法，即通过人工为数据打分构建一个“奖励模型”，然后利用强化学习进行迭代优化，从而引导模型输出符合人类价值观的结果。RAG（检索增强生成）、RLHF（基于人工反馈的强化学习）等技术，均属于实现人机对齐的工具范畴。

　　 某种程度上说，这种模式也给大模型加了一个AI监工，随时规范其言行。

　　 然而，这种做法往往被视为治标不治本的解决方式。有研究者指出，在推动人机对齐的过程中，可能会带来一些潜在的风险，比如增加人工智能的管理难度和不确定性。尽管人机对齐能够提升系统的运行效率，但如何平衡技术发展与风险管理仍是一个亟待解决的问题。在我看来，技术的进步固然重要，但在追求高效的同时，我们也必须警惕可能带来的新挑战。只有在充分评估和控制风险的基础上，才能真正实现人工智能的长远健康发展。

　　 童云峰就曾提到，人机对齐所需的成本和不可避免的损失，是一笔不小的开销，会给企业造成巨大的财务压力。OpenAI曾设立超级对齐团队，原本计划在2027年解决对齐问题，结果成立一年这个团队就解散了。按照项目牵头人、OpenAI原首席科学家 Ilya Sutskever的计划，该项目会消耗20%的算力。

　　 在近期由美国西奈山伊坎医学院与西奈山卫生系统开展的一项研究中，尽管研究团队对模型进行了多次修正，但“偏见”这一问题依然未能完全消除。医疗领域中的偏见以及由此引发的过度诊疗等问题，一直是行业内的顽疾。这些问题的复杂性与治理难度远超想象。虽然人工智能等新兴技术能够在一定程度上缓解这些问题，但从目前来看，它们还无法从根本上解决问题。 我认为，医疗领域的这些顽疾需要多方面的努力才能逐步改善。一方面，技术的进步确实为医疗服务带来了新的可能性，比如通过算法优化减少人为因素导致的偏差。然而，另一方面，我们也必须认识到，技术和数据本身也可能带有偏差，这要求我们在设计和应用相关技术时更加谨慎，并且持续关注其潜在影响。此外，加强医务人员的职业道德教育，提升整个行业的透明度同样至关重要。只有当技术手段与人文关怀相结合，才能更好地服务于患者，推动医疗事业健康发展。

　　 不得不承认的事实是，生成式人工智能归根结底仍然是基于概率的模型，因此难以完全避免小概率事件引发损害的情况。这对医疗行业而言，构成了不小的难题，因为该行业的容错率几乎为零。

　　 医疗本身的晋级更重要

　　 客观上说，过度诊疗、诊疗中的偏见，也与医学的发展水平有关。

　　 精准医疗与过度医疗之间确实存在一个模糊地带，这一点北京协和洛奇功能医学中心主任何健博士曾在采访中提到。这一现象提醒我们，在追求个性化治疗的同时，必须警惕医疗实践中可能出现的资源浪费或不必要干预的问题。精准医疗旨在根据个体差异制定更有效的治疗方案，但如何界定“精准”与“过度”，仍需行业内外共同探讨明确的标准。我认为，未来应加强相关法律法规的建设，同时提升医生的专业素养和伦理意识，确保医疗行为既科学又理性，真正实现以患者为中心的服务宗旨。

　　 可以说，过度医疗在一定程度上确实是一个相对的概念。正如何健在其翻译并由湛庐策划出版的《精准医疗》一书中提到的，要让这一灰色地带逐步向精准医疗靠拢，关键在于通过大量数据的积累，让相关标准和边界变得更加明确与科学。 在我看来，数据的充分运用无疑是推动医疗行业从粗放式管理向精细化诊疗转变的核心动力。然而，在实际操作过程中，我们还需要警惕数据收集和应用中的潜在问题，比如隐私保护和技术偏差等。只有妥善解决这些问题，才能真正实现精准医疗的目标，为患者提供更高效、更安全的服务。此外，加强行业规范建设同样不可或缺，唯有如此，才能避免过度医疗现象的发生，促进整个医疗体系的良性发展。

　　 在这本书中，作者格伦·德弗里（Glen de Vries）——全球领先的生命科学研究云平台 Medidata 联合创始人，以阿尔茨海默病等疾病的预测为例，阐释了一个道理：某些疾病如果放在足够长的时间尺度上，几乎每个人都会得，但是如果这一疾病还没有出现症状，患者就因其他疾病离世了，那干预可能就没有意义了。

　　 作者认为，为了有效应对这一问题，清晰界定痴呆损伤与死亡这两个关键节点至关重要。假如预测结果显示，一个人会在“死亡”阈值之前经历痴呆损伤，甚至在其生命周期的较早阶段便显现相关症状，那么采取及时干预措施显然是有必要的；反之，若痴呆损伤仅出现在死亡阈值之后，则进行干预将失去实际意义。

　　 医学的进步离不开对“阈值”或边界的不断探索，这既是一个充满挑战的过程，也是一个需要时间和实践积累的旅程。正如何健所提到的，这一进程并非静止，而是在动态变化中前行。医学的发展不仅依赖于技术的突破与创新，更需要大量可靠数据的支持来验证其有效性。临床经验固然重要，但唯有通过科学严谨的研究方法，才能将这些经验转化为可以广泛应用于实际治疗中的知识体系。 我认为，在当今快速发展的医疗领域里，跨学科合作显得尤为重要。单一学科往往难以应对复杂多变的人类健康问题，因此，整合生物学、信息技术以及人工智能等领域的研究成果，有助于加速新疗法的研发速度，并提高诊疗效率。同时，我们也应该注重培养更多具备批判性思维能力的专业人才，他们能够独立思考并评估现有研究的质量，从而推动整个行业向着更加透明、公正的方向发展。 总之，面对未知的世界，人类对于健康的追求永无止境。只有坚持科学态度、尊重客观规律，并且勇于尝试新事物，我们才能够在通往理想医疗未来的道路上走得更远、更稳健。

　　 实际上，功能医学在国内虽由何健于2007年引入，但其起源可追溯至1871年的英国。这一医学分支强调从根源上寻找病因，并通过调整饮食、生活方式等手段帮助人们恢复健康。绘制一个人的健康地图，往往需要检测至少200项指标，这足以看出功能医学对全面数据的重视。在我看来，这种医学理念无疑是一种积极的尝试，它突破了传统医学“头痛医头、脚痛医脚”的局限性，更加注重个体的整体健康状况和生活细节。然而，也正因为涉及的数据量庞大，如何确保检测结果的准确性和实用性，以及如何避免过度医疗化的问题，仍需进一步探索与实践。功能医学的潜力值得期待，但在推广过程中还需谨慎平衡科学性和可行性。

　　 患者生病后在医院接受诊疗的过程，实际上是医疗费用、检查需求与诊断效率之间的一种微妙平衡。随着医学的不断细分，各科室的专业化程度越来越高，但这也导致医生在面对复杂病例时，可能难以迅速找到病因，从而影响治疗效果。 这种现象反映了现代医疗体系中一个值得关注的问题：虽然分科细化提高了某些领域的专业水平，但也带来了跨学科协作不足的挑战。尤其是在疑难杂症面前，单一科室往往难以提供全面解决方案。因此，如何加强不同科室之间的沟通与合作，成为提升医疗服务质量的关键所在。 此外，高昂的医疗成本也让许多患者面临两难选择：一方面希望获得更精准的诊断；另一方面又担心过度检查带来的经济负担。这提示我们，在推进医学进步的同时，也需要注重合理配置资源，避免不必要的浪费，让医疗服务更加贴近民生实际。 总之，解决当前医疗领域存在的这些问题需要全社会共同努力，包括政府出台相关政策引导、医疗机构优化管理模式以及医护人员不断提升自身能力等多方面因素共同作用才能实现。

　　 何健以湿疹为例指出，功能医学认为几乎所有的湿疹都是肠道免疫失调导致的，很多患者通过调理肠道，治好了湿疹。但是在西医分科中，皮肤科和消化科并没有太多交集。这也意味着，现有主流医学模式没法发现二者之间的联系，也无法给出更好的诊疗方案。

　　 功能医学等注重整体的医学领域能够为医学的发展提供重要的补充，而人工智能在此过程中也展现出巨大潜力。然而，这同样需要患者和医生的理念转型——从聚焦疾病转向关注患者的整体健康，才能真正达成目标。

　　 研究发现，缓解信息不对称能够有效遏制过度诊疗现象：患者选择在不同医院和医生之间寻求二次诊疗，以核实诊断与治疗建议，这一行为能对医生形成约束，显著减少过度医疗的发生，其降幅可达四成！

　　 可以预见，随着可穿戴设备和人工智能等新技术的发展，人们对自己健康状况的了解日益加深，在此背景下，过度诊疗的现象将不可避免地逐渐减少。

　　 近年来，公众对健康问题的关注度显著提升，但需要明确的是，人体自身具备强大的修复与调节功能，许多生理性的变化并不等同于疾病，无需过度担忧或急于干预。例如，肺结节（直径在7毫米以下）、甲状腺结节、窦性心律以及宫颈糜烂等问题，往往属于正常的生理现象或良性状态。尽管这些名词频繁出现在体检报告中，引发不少人的焦虑情绪，但实际上它们未必都需要特别的医疗处理。 从我的角度来看，现代社会信息传播迅速，但也容易导致不必要的恐慌。面对健康话题时，我们应当以科学的态度去理解，避免被一些专业术语吓到而盲目就医。同时，医疗机构也应承担起科普的责任，在诊断过程中向患者清晰解释相关情况，帮助他们建立正确的认知。只有这样，才能真正减轻大众的心理负担，让健康管理更加理性有效。

　　 随着科技的进步，人们能够更加直观地了解自身健康状况，但这也带来了一个全新的挑战：如何正确解读和应对日益增多的生理变化，甚至是早期病变。这种转变不仅要求我们具备更多的医学知识，还需要建立科学的健康管理观念。在我看来，这不仅是对个人能力的考验，更是社会整体医疗水平提升的重要契机。我们应该鼓励更多人主动关注健康信息，同时加强专业医疗机构的服务能力，以更好地满足公众需求。此外，媒体也应承担起传播准确健康知识的责任，避免制造不必要的恐慌或误解。总之，在这一过程中，各方共同努力才能实现真正的健康福祉。