VOL.193 AI看病真的靠谱吗？5 位医生同时在线揭开真实答案

概览

本期围绕“AI 能不能用于问诊、能不能替代医生”展开，讨论从患者视角、医生工作视角一路延伸到未来医疗形态。几位嘉宾没有简单站队，而是反复强调：AI 已经能提供大量信息、解释和辅助判断，但它的效果取决于提问方式、数据来源、使用场景和使用者的医学基础。

节目中最核心的结论是，AI 对患者尤其有价值：它有耐心、反馈快、能帮助做就诊前准备、慢病管理和罕见病资料整理。但它也可能因为患者描述不完整、提问带有倾向、模型数据库差异而给出不同甚至误导性的建议。

从医生角度看，AI 更像高级助手：可以帮助查资料、读文献、做翻译、整理病历、提醒用药风险、分析 ICU 或影像数据。真正困难的是个体化判断、急危重症动态决策、共情沟通，以及“如果是我家人我会怎么选”这种带有责任和人情味的临床表达。

分段落总结

[01:32] 选题缘起：从 AI 问诊广告谈起

[事实] 主持人提到近期通勤路上、公交地铁和社交平台上都能看到 AI 问病、AI 问诊相关广告。

[事实] 本期节目准备从两个身份讨论：普通患者如何用 AI 问诊，以及医生在临床工作中如何借助 AI。

[事实] 主持人强调本期不简单判断 AI 好坏，而是从各自工作和生活场景出发谈感受。

[03:52] “降临派”的乐观开场

[事实] 尹老师表明自己是“AI 降临派”，认为 AI 会像一种强大力量一样改变生活，并且支持这种改变。

[事实] 他认为 AI 可能带来医疗平权，让更多人以更低门槛获得医学解释和长期问答。

[事实] 他对比传统就医中抢号、排队、问诊时间短的问题，认为 AI 的优势是“有无限耐心”。

[推测] 这一段奠定了节目中偏乐观的一条主线：AI 至少会重塑医疗服务的入口和患者获得知识的方式。

[05:21] 有医学基础的患者更容易用好 AI

[事实] 嘉宾提到自己现在经常会用 AI 查询身体不适、疾病和用药相关问题。

[事实] 她认为，对有一定医疗知识的人来说，AI 的回答有时比较准确，但不能因此拿 AI 答案要求医生照做。

[事实] 她强调具体诊疗仍然要听专业医生意见，并结合线下检查。

[推测] AI 的有效性不只取决于模型，也取决于使用者是否能提出合格问题、理解答案边界。

[06:27] 罕见病家庭中的 AI 信息支持

[事实] 一鸣提到孩子有一个非常罕见的果糖相关基因问题，相关病例和文献都很少。

[事实] 在 AI 出现前，他们需要逐一搜索食物成分，判断哪些食物可能含有果糖、白砂糖等成分，工作量很大。

[事实] 有了 AI 后，他感觉 AI 能快速覆盖过去多年整理出来的护理和饮食知识，并给到很多细节提醒。

[推测] 对罕见病家庭来说，AI 的价值可能不在于直接替代医生，而在于帮助家属做资料聚合、日常管理和问题清单整理。

[08:23] 医生的个人判断和共情仍然重要

[事实] 一鸣又提到带妻子就诊的经历：某个良性但带风险的问题是否手术，需要医生结合个人情况判断。

[事实] 他认为 AI 能给出答案，但未必能给出患者真正想听、能够采纳的个体化建议。

[事实] 神经外科主任说“如果是我或者我的亲戚，我先不开这个刀”，一鸣认为这种话 AI 讲不出来。

[推测] 这一段指出医生价值不只在知识量，也在承担判断责任、理解患者情绪和提供可信的关系性建议。

[11:04] AI 适合做就诊前准备和慢病管理

[事实] 嘉宾认为 AI 可以帮助患者在看医生前获得初步知识，形成大概方向，带着重点去就诊。

[事实] 对少见病或特殊情况，普通医生不一定熟悉，而 AI 可能给出更完整的框架。

[事实] 但吴老师也强调，同一种病可能有很多亚型，治疗原则不能直接套到每个具体患者身上。

[事实] 嘉宾还举了拔智齿后疼痛的例子：AI 查询可能让人害怕，但也可能提醒患者更早发现异常并就医。

[14:00] 盲信 AI 会制造医患沟通问题

[事实] 子涵讲到一个病人用 AI 查询两种药能不能一起吃，AI 说不能吃，而医生认为可以一起吃。

[事实] 病人坚持 AI 的判断，给医生沟通和自身治疗都带来麻烦。

[事实] 子涵认为，如果使用者没有足够认知和专业背景，只听 AI 不完整数据库里的结论，会产生风险。

[推测] AI 进入诊室后，医生未来可能不仅要解释疾病，还要解释 AI 答案为什么不适用于当前患者。

[14:47] ICU 场景中的 AI 数据价值

[事实] 子涵所在科室正在参与 ICU AI 大模型相关建设，ICU 数据非常多，包括呼吸机、监护仪、ECMO 等数据。

[事实] 他认为 AI 可以持续抓取和分析这些庞大数据，对 ICU 医生和护士很重要。

[事实] 但他也说 ICU 病人高度个体化，AI 对疾病原则讲得清楚，却未必能直接给出个体化治疗方案。

[事实] 他理想中的未来 ICU 不是无人 ICU，而是强大智能数据系统加上卓越医生共同领导。

[16:13] AI 取代人类的乐观预期

[事实] 子涵认为 AI 暂时不能完全取代医生，但最终可能会取代人类，因为它学习能力很强。

[事实] 他提到马斯克关于三年内可能取代顶尖外科医生的说法，以及凯文·凯利关于未来一万天的讨论。

[事实] 他的结论是，人类需要思考在 AI 完全到来之前或之后如何生活，并保持好奇心、创造力和乐观。

[推测] 节目中的“取代”更多是一种技术趋势想象，不是对当前医疗现实的操作建议。

[18:30] 提问能力决定 AI 问诊质量

[事实] 主持人提出，不同问法会得到不同答案，医生因为会写病历，通常更知道怎样向 AI 描述病情。

[事实] 他担心普通人连口述病情都可能不标准，输入 AI 时就已经产生偏差。

[事实] 年龄、性别、职业、病程等信息如果缺失，AI 推断方向可能完全不同。

[推测] AI 问诊在大众层面的风险，常常不是“模型不会答”，而是“用户没有把关键条件说出来”。

[21:00] 同一病情也可能问出不同治疗建议

[事实] 嘉宾提到乳腺癌术后是否化疗的例子，涉及病理结果、基因检测和复发评分。

[事实] 一方问到的 AI 强烈推荐做基因检测，以判断是否可以避免化疗；另一方用不同 AI 上传病理结果后，得到必须化疗的倾向性答案。

[事实] 嘉宾认为，即便提问者表达能力不差，不同 AI 或不同问法仍可能给出不同结果。

[推测] 在高风险治疗决策中，AI 更适合作为信息补充，不能作为唯一决策来源。

[22:35] 语气和意愿会影响 AI 答案

[事实] 嘉宾用“术后能洗澡吗”和“术后真的不能洗澡吗”做例子，发现 AI 的回答方向和措辞不同。

[事实] 他们认为，提问中的语气和词汇会隐含提问者想听的方向，AI 会敏锐捕捉并顺着说。

[事实] 当问题里出现“发物”等词时，AI 可能会沿着提问者已有观念继续解释。

[推测] 这一段提醒听众，用 AI 查询健康问题时应该换不同问法、多问几个模型，并警惕自己把答案引向预设立场。

[25:40] AI 把脉和未来能力边界

[事实] 子涵讲到朋友在县城体验 AI 把脉：不用详细描述症状，只把手放上去、伸舌头，系统生成报告。

[事实] 他说这份 AI 报告和朋友在深圳找老中医得到的报告基本差不多。

[事实] 他由此提出，今天讨论的 AI 弊端，未来某一天可能不再是问题。

[推测] 这个例子主要反映嘉宾对 AI 快速进化的感受，节目没有进一步验证该设备的准确性或医学依据。

[27:20] 研究图引发的 AI 诊断能力讨论

[事实] 尹老师提到一张 2025 年研究图，对比 GPT-4 独立工作、医生加 GPT-4、纯医生三种情况。

[事实] 按他的解读，AI 独立表现略高于医生加 AI，并明显高于医生单独判断。

[事实] 他们讨论到图中的上下限、中位数，以及 AI 答案稳定性和医生个体差异。

[事实] 之后话题延伸到算力、电力、围棋和“涌现”，认为足够算力可能让 AI 超越既有经验。

[31:07] 医生侧使用：熟悉专业不靠 AI 决策

[事实] 嘉宾表示，在自己非常熟悉的领域，一般不会用 AI 来决定诊疗，而会依据文献、指南和专业训练。

[事实] 对于非本专业内容，比如某些肿瘤、新药、抗凝药或其他专科方案，她可能会用 AI 查询参考。

[事实] 她把 AI 定位为工具或高级工具，而不是临床决策的替代者。

[推测] 这代表一种较稳健的医生用法：AI 用来扩展信息检索范围，但关键判断仍回到专业体系。

[32:44] 临床搜索、用药提醒和急症限制

[事实] 吴老师认为 AI 最大的好处之一是补足人类记忆有限的问题，像高级秘书一样整合知识。

[事实] 他提到医院开药系统中的大数据拦截，会提示药物相互作用或剂量过大。

[事实] 他认为这类提醒可以帮助医生发现平时没意识到的问题，纠正部分临床行为。

[事实] 但他也强调，病情快速变化或复杂急症中，单靠 AI 很难得到准确答案。

[35:36] AI 减负也可能影响医生训练

[事实] 主持人提出，AI 可能减少医生不喜欢的重复工作，比如写病历、整理材料等。

[事实] 但他也指出，写病历本身是年轻医生训练临床思维的过程，不能简单视为无意义工作。

[事实] 他担心 AI 对罕见病、复杂合并症的理解可能存在缺陷，因为这类数据不如常见病丰富。

[推测] AI 自动化医疗文书时，需要区分“减少低价值负担”和“削弱必要训练”之间的边界。

[37:00] 用 AI 读文献需要反复校验

[事实] 吴老师举了审稿例子：他先让 AI 审一篇稿，AI 认为文章不错、可以考虑录用。

[事实] 他自己阅读后提出问题，再把意见给 AI，AI 又改口说之前判断不够，应当退稿。

[事实] 尹老师介绍了读文献方法：先让 AI 以耐心老师身份，用幼儿园小朋友能懂的话解释文献；再让 AI 以审稿人身份提出审稿意见。

[推测] AI 在文献阅读中适合做摘要和启发，但它容易迎合用户反馈，不能替代人的独立判断。

[39:23] 影像科是 AI 应用较早的领域

[事实] 尹老师说 AI 在影像科已经应用多年，进入了较成熟、竞争充分的阶段。

[事实] 他提到影像 AI 可用于肺结节、自动后处理、自动定位等工作。

[事实] 他认为未来技师或影像科医生的机械性操作会减少，但人仍然要负责、关怀和解释。

[事实] 他还提到所在单位的医生、技师、护士工作站都有统一 AI 软件，可回答医学问题、记录病历、做中英文医学翻译，并训练成个人助手。

[41:47] ICU 中的 AI 伙伴和病历质量控制

[事实] 子涵把 AI 定位为“小伙伴”和“好伙伴”。

[事实] 他认为 AI 可以建立 ICU 强大数据库，抓取病人所有数据，发现医生未观察到的变化。

[事实] 对疑难杂症和 MDT 讨论，AI 可以提供额外方向和新思路。

[事实] 他也认为 AI 写病历有好处，尤其能发现错别字，减少未来医疗纠纷中的不利因素。

[43:29] 数字孪生和虚拟医院的想象

[事实] 尹老师认为 ICU 数据库只是开端，未来目标可能是复制出一个拥有完整数据的虚拟医院。

[事实] 他提到“虚拟新加坡”的例子，说明城市政策可以先在虚拟系统里模拟测试。

[事实] 主持人联想到运动医学中的数字孪生，用虚拟人体和参数推演训练或治疗结果。

[事实] 他们进一步讨论到口腔扫描、术前模拟、流程微调等可能应用。

[46:47] 成本、数据和未来 AI 的关键资源

[事实] 主持人提出卫生经济学问题：不同城市和机构要用多长时间、多少钱才能实现这些系统。

[事实] 尹老师认为公司层面有算力成本，而真正产生数据的成本才是未来 AI 世界的黄金。

[事实] 他说每个打开 App 问问题的人，都是数据的产生者。

[推测] 这意味着医疗 AI 的竞争不只是模型能力，也包括数据采集、数据质量、成本和伦理治理。

[47:15] 情感、历史与 AI 不能替代什么

[事实] 子涵认为 AI 会有取代人的一天，但关键问题是能不能被赋予情感。

[事实] 尹老师提出，AI 再像人也没有人类的历史，而共同体和人类关系是基于历史形成的。

[事实] 他们把讨论从具体医疗工具扩展到人类与 AI 的关系、共存和未来位置。

[推测] 节目后半段的哲学讨论并非给出确定答案，而是在表达面对 AI 时代的不确定性。

[48:19] 收束：接受 AI，但看到工具边界

[事实] 吴老师总结说，AI 作为工具能带来益处，但要在合适场景下用，并看到它的局限性。

[事实] 他认为不应排斥 AI，而应接受它，因为它能实实在在帮助医生和患者。

[事实] 另一位嘉宾认为 AI 的目的应是帮助人、服务人，最终达到较好的共存状态。

[51:43] 最终建议：多问、慎用、该就医就就医

[事实] 主持人最后给出非常实际的建议：可以用 AI 问健康问题，但要多用几个 AI、多用不同方式问。

[事实] 他强调，拿不准时还是要线下挂号就医。

[事实] 他认为医生在线下有温度，会和患者将心比心，而这种温度是 AI 难以替代的。

播客点评/总结

这期的价值在于，它没有把 AI 问诊讲成单纯的“神话”或“骗局”，而是把患者真实需求、医生临床习惯、数据系统建设和未来想象放在一起讨论。罕见病护理、术后洗澡、乳腺癌术后化疗、用药冲突、ICU 数据库、影像 AI 等例子让话题比较具体。

节目的亮点是嘉宾身份互补：有人从患者和家属角度讲 AI 带来的安定感，有人从临床医生角度讲 AI 的边界，也有人从影像、ICU、数字孪生角度讨论未来医疗基础设施。这让“AI 会不会替代医生”不再是口号，而变成多个场景里的具体问题。

[推测] 局限在于，节目中的部分外部研究、商业产品和技术判断主要来自嘉宾口述，转录稿没有提供论文细节或数据来源，因此更适合作为观点讨论和使用提醒，而不是作为医学或技术证据直接引用。

[推测] 这期适合正在用 AI 查健康问题的普通听众、需要和患者解释 AI 答案的医生，以及关心医疗 AI 未来走向的人。最实用的 takeaway 是：AI 可以先问，但要换问法、多验证，重大诊疗决策仍然回到专业医生和线下评估。