能不能让 AI 替医生问病史？《柳叶刀》2026 年 10 月 8 日发表的一项前瞻性研究给的答案是：在医生全程在旁边盯着的前提下，监督医生没有一次因为安全问题掐断对话。
系统名叫 AMIE，由 Google 开发，研究在美国贝斯以色列女执事医疗中心的初级保健门诊做，Alphabet 出资。
不过这项研究测的并不是大家最关心的准不准。AI 问出来的病史和最终诊断对得上几成，它没有回答；它回答的是排在更前面的一个问题：让 AI 和真实患者聊医疗问题，会不会出事。
AI 被派去做的是问病史
患者在就诊前 5 天之内，先和 AMIE 聊一次，只围绕一个主诉。对话的完整文字记录和一份摘要，在面诊之前交给这位患者自己的初级保健医生。医生看过材料，再和患者当面谈。
入选条件写得很窄：18 岁以上、病历里登记的主要语言是英语、这次属于临时急症性质的就诊。排除三类人：问题和妊娠有关的、精神科问题、第一次建卡或者定期复诊的。2025 年 4 月开始收人，114 人入组，其中 98 人既完成了和 AMIE 的对话，也完成了和医生的面诊。
这个安排决定了研究能回答什么。AI 不下诊断，不开药，也不决定患者该不该来医院，它只做面诊之前的一段问话。所以这项研究从设计上测的就是两件具体的能力：AI 问病史安不安全、问得好不好。
各方的得失也要摆出来。患者多花一次聊天的时间，换来的是医生在面诊前已经知道他来干什么；医生省掉一部分从零开始问的时间；出资方拿到真实门诊场景里的数据，这是实验室和考题给不了的东西。三方都有动机推动这种做法，所以结果要读得更仔细一点。
为什么先测会不会出事，而不是准不准
医生问病史不是一次性答题，而是一个一问一答往下走的过程：上一句的回答决定下一句问什么。患者说胸口闷，接下来问不问有没有出汗、有没有后背痛、是不是活动以后才闷，直接决定后面整条路走向哪里。漏掉一句，后面问得再细也绕不回来。
大语言模型每次生成文字都带随机性，同一个主诉，两次对话走的路可以完全不同。考题不是这样的：医师资格考试和病例小结给的是一份固定材料、一次作答，评分看答案对不对。这种考法测不出路径走偏的风险，所以 AI 在医学考题上拿高分，不等于它和真人连着聊二十轮不出问题。
风险的形式也和诊断写错不一样。真正要防的是两种情况：一是它在对话里说出一句没有根据的话，也就是幻觉；二是它把一个本该马上去急诊的人安抚住了，让人在家里多等几个小时。
所以研究者的办法是防微杜渐：事先定下 4 条中断标准，安排医生作为安全监督员实时看着每一次对话，一旦触线就立刻把对话掐掉。主要终点就是数这种中断发生了多少次。
0 次叫停能说明多少
结果是 0 次中断，没有一次达到预设的中断标准。
这个数字要配着另外两个数字一起读。监督员记录到 1 次幻觉，另有 5 次主动往对话里补充了临床信息。也就是说，AI 确实说出过一句站不住的话，只是没严重到要掐断对话的程度；还有 5 次，是人在旁边把缺口补上的。
0 次中断里有多少是 AI 的功劳，有多少是监督员的功劳，这项研究分不开。它测的本来就是 AI 加上医生监督这一整套安排，不是 AI 单独跑。
0 次也不等于风险为零。98 个人没见到一次，统计学上按常用的经验法则估算，只能把这类事件的发生率压到大约 3% 以下。换句话说，哪怕真实发生率是 2%，98 个人里一次都不出现也很常见。拿这 98 个人的结果推到所有患者身上，是以偏概全。
同一段对话，医生和患者打分差得远
对话质量用三套现成的量表评，由临床评价者和患者分别打分。
临床评价者评 17 项，给出好评的比例最低 87%，最高达到全部认可。患者评 16 项，范围是 48% 到 96%。
两边的下限差得很远。医生按专业标准看的是该问的有没有问到、有没有问出危险信号；患者看的是自己有没有被听懂、说了半天有没有用。同一段对话，专业上合格，患者体验不一定跟着合格。至于患者打低分的具体是哪几项，摘要里没有列出来，我们没有读到全文，不去替作者猜。
还有一个结果：患者对 AI 的态度在聊过之后变好了，而且在见过自己的医生之后仍然维持。这项研究是单臂设计，没有对照组，所以这个变化既可以解释成接触以后顾虑减少，也可以解释成愿意报名参加这种研究的人本来就更接受 AI。两种解释用现在的数据分不开。
医生填的问卷里，33 例和 25 例
98 例里有 60 例的初级保健医生填了事后问卷，其中 44 例在面诊前看过 AMIE 的对话记录。
这 44 例里，33 例的医生认为这份材料对准备面诊有帮助；25 例的医生说，它可能改变了自己原本的做法。
第二个数字要小心。可能改变了做法，是医生事后的主观报告，不是实际测出来的行为变化，也没有和「没看材料」的情形对比过。它能说明医生觉得这东西有用，不能说明面诊的内容真的因此不同。
顺序本身也值得留意：患者先和 AI 聊，医生先看 AI 的材料，然后才自己问。这种顺序有可能让医生顺着 AI 给的框架往下问，不自觉地少问了别的方向。这项研究没有测这一层，上面这句是我的担心，不是研究的结论。
这项研究不能推出什么
把限制一条条列清楚，比记住「0 次叫停」更有用。
单中心、单臂、98 人，没有对照组，所以既不能说 AI 问病史比医生问得好，也不能说它不比医生差，研究根本没做这个比较。
只收主要语言是英语的人。换一种语言、换一套表达习惯，对话会不会一样稳，这项研究答不了。
排除了妊娠相关问题、精神科问题、初诊建卡和定期复诊，也只针对单一主诉的临时急症就诊。这些恰好是问病史最吃功夫的几类情形，不在测试范围里。
诊断准确率和处理方案的质量，在试验注册时只列为次要终点，摘要里没有报出数字。所以 AI 问出来的病史和最终诊断对得上几成，目前还是未知。
全程有医生实时监督。这个条件一旦撤掉，就是另一种东西了，不能把这项研究的安全结果搬过去。
系统由出资方自己开发，这不意味着结果不可信，但独立团队的重复验证还没有。
最实际的一条是：这项研究支持的用法是帮医生做面诊前的准备，不是替医生看病。
还要把它和另一种场景区别开。自己在家打开一个通用聊天机器人，描述症状、问要不要去医院，和这项研究里发生的事不是一回事。研究里有医生实时盯着对话、有 4 条事先写好的中断标准、有筛过的人群；在家自己用，这三样一样也没有。真正要去急诊的信号，比如胸痛伴出汗、说话不清、一侧肢体没力气、尿不出来还腹痛，别拿去问 AI，直接就医。
反过来说，面诊之前自己把病史理一遍，确实能让这十几分钟更值钱：症状从哪天开始、怎么变化、吃过什么药、做过什么检查、家里有没有同类病。这件准备工作不需要等 AI 进门诊，现在拿张纸就能做。
AI 进门诊的路要一步一步走，这项研究走的是其中靠前的一步：先确认它和真人聊医疗问题时不会把人聊到危险里去。这一步有了结果，才轮到问准不准。
说明：本文依据《柳叶刀》该文的公开摘要和试验注册页全文写成，期刊全文在付费墙后，未能读取；文中所有数字均来自摘要与注册页，没有引用未公开的数据。
参考来源
Brodeur PG, et al. Lancet 2026 (AMIE, NCT06911398)
ClinicalTrials.gov record NCT06911398, Beth Israel Deaconess Medical Center, 2026
AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。
热门跟贴