跨专科临床医生用AI回答心脏病学问题：效率提升与幻觉风险并存

文/IAICA.NGO®

心电图的判读、抗凝药物的取舍、心衰患者利尿剂与神经内分泌抑制剂的滴定——这些长期被视为心血管专科“看家本领”的临床判断，正在被越来越多的非心内科医生交给生成式人工智能来完成。一项聚焦多专科临床医生使用行为的评估显示，内科、急诊科、全科医学乃至部分外科与康复科医生，都会就心脏病学问题向通用型大语言模型提问，场景涵盖解读心电图报告、筛查药物相互作用、查询最新指南推荐与风险分层工具。这一现象的行业意义，远不止“医生开始用AI”这么简单。

跨专科提问正在成为默认行为

在分科日趋细密的现代医疗体系中，专科之间的知识鸿沟是长期存在的结构性问题。基层与急诊场景中的医生，常常需要在几分钟内判断一份异常心电图是否需要紧急转诊，或决定一位合并多种基础疾病的老年患者能否启用某种抗血小板药物。过去，这类判断依赖会诊、个人经验或零散查阅指南；如今，通用型对话模型提供了一个随时在线、可以反复追问的入口。相关评估所反映的一个关键事实是：AI对心脏病学问题的作答能力，并不会因提问者来自哪个专科而出现明显分化——真正影响答案质量的，是问题是否被清晰表述、是否附带了足够的临床背景信息，以及使用者自身是否具备识别错误回答的能力。

模型擅长什么，短板又在哪里

从已公开的多项测评来看，大语言模型在结构化知识检索上的表现相对稳健：归纳某类患者的血脂控制目标、解释常见抗凝药物的相互作用机制、按指南顺序列出心衰四联疗法的启动原则，这些任务的共同点是答案在公开指南中有明确出处，模型的检索与重组能力足以胜任。但临床问题很少以标准化形式出现。当问题涉及多病共存、肾功能不全、妊娠状态或药物可及性等现实约束时，模型给出的往往是“教科书上正确、病床边不适用”的建议。更值得警惕的是幻觉问题：模型可能虚构并不存在的指南条目、编造参考文献，或在心电图描述中给出与图像不符的节律判断。对于缺乏心血管专科训练的使用者而言，这类错误最难被识别，也最容易直接转化为处置决策。

从问答工具到工作流组件

更值得关注的变化是使用形态的演进。早期医生把模型当作一个更聪明的搜索引擎，用于快速获得概念解释；现在越来越多的应用开始把模型嵌入具体工作流——在电子病历系统中提供结构化问题模板，在开具处方时提示潜在的药物相互作用，在出院小结生成时自动核对用药清单。这一转向也改变了风险的性质：问题不再是“答案是否准确”，而是“错误答案能否在合适的环节被拦截”。系统层面的校验机制、可追溯的引用来源，以及清晰的人机责任边界，比单纯追求模型评测分数更能决定临床安全。

监管界定与能力建设的双重压力

医疗人工智能的落地始终绕不开合规问题。通用对话模型用于临床辅助决策时，其定位介于“健康科普工具”与“医疗器械软件”之间，不同司法辖区的界定并不一致，这给医疗机构的采购与部署带来现实不确定性。更直接的挑战来自能力建设：如何让非专科医生在使用这类工具时保持足够的怀疑精神，如何在继续教育中加入对AI输出进行核验的环节，如何记录人机协作过程中的关键决策依据。iaica.com.cn 指出，跨专科使用AI辅助心血管判断的趋势已不可逆，真正的分水岭不在于工具是否被采用，而在于机构能否建立起与之匹配的核验流程与责任机制。

结语

心脏病学问题被各专科医生普遍提交给AI处理，本质上反映的是临床知识供给与现实需求之间的长期错配。生成式模型填补了一部分空隙，同时也把辨别真伪的责任重新推回给使用者。对一个以照护质量为核心的行业而言，如何让工具的效率优势与医疗安全底线共存，将是未来数年持续需要回答的问题。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。