哈佛急诊诊断研究：OpenAI o1 初步分诊准确率 67%，超人类医生

冲进急诊室的病人命悬一线，医生常常只有几分钟时间，在信息极度匮乏的情况下做出关键判断。

本周发表在《Science》杂志上的一项哈佛医学院新研究显示，在 76 起真实的急诊病例中，OpenAI 的 o1 模型表现不仅不输人类，在初步分诊环节的诊断准确率甚至超过了两位资深主任医师。

没做任何预处理，直接硬刚电子病历

这项研究由哈佛医学院和贝斯以色列女修士医学中心的团队主导。研究人员选取了 76 位送进急诊室的真实患者，把未经任何加工的原始电子病历文本直接喂给 OpenAI 的 o1 和 GPT-4o 模型，并与两位内科主任医师的诊断做对比。

为了保证公平，负责打分的另外两位主任医师采用了双盲机制，完全不知道哪条诊断出自人类、哪条出自 AI。

结果显示，在信息最少、时间最紧迫的急诊初诊阶段，o1 给出完全正确或非常接近诊断的比例达到了 67.1%。相比之下，两位人类医生的准确率分别只有 55.3% 和 50.0%。在其中一个病例中，AI 甚至比主治医生提前大约 12 到 24 小时察觉出一位器官移植患者感染了罕见的噬肉菌。

哈佛医学院 AI 实验室负责人 Arjun Manrai 表示，他们几乎用尽了现有的基准测试，AI 不仅压过了之前的旧模型，也超过了人类医生的基准线。

急诊医生的反驳：比试的规则不对

虽然数字抓人，但一线急诊医生立刻浇了一盆冷水。

急诊科医生 Kristen Panthagani 公开指出，这项研究的对比本身就存在偏差：研究里代表人类出战的是「内科主任医师」，而不是天天在急诊一线摸爬滚打的急诊专科医生。她打了个比方，让大模型在神经外科执业考试里击败皮肤科医生，这并不稀奇，但也没有太大实际意义。

更核心的问题在于急诊的工作逻辑。Kristen Panthagani 强调，急诊医生接诊病人的首要目标不是猜出最终的疑难杂症，而是迅速排查眼前这个病症会不会在几分钟内要了患者的命。

此外，这项研究只测试了纯文本病例输入。论文作者也承认，目前的基准模型在处理非文本数据时推理能力依然有限。论文共同第一作者 Adam Rodman 也对英国《卫报》表示，目前行业内完全没有关于 AI 诊断的法律问责框架，面对生死抉择和艰难的治疗方案，患者依然需要真实的人类来做主导。

为什么重要

我们认为，这项研究真正的价值，不在于「AI 能不能取代急诊医生」，而在于它给临床一线提供了一面极高水平的「第二意见反光镜」。

对普通患者来说，它绝不意味着身体不舒服可以绕过医院只问 ChatGPT。急诊看病靠的是眼看、手摸、动态监测和排除致命风险，这些都是纯文本模型触碰不到的物理世界。但对值班医生而言，这种推理模型完全可以成为一个不知疲倦的后台哨兵，悄悄帮医生补上那些罕见病或非典型症状的盲区。

这项实验聪明的地方，在于直接用未经清洗的真实电子病历测试，没有在实验室环境里搞温室拔高；但隐患恰恰在于考核标准的错配。用猜中确诊疾病的概率来给急诊能力打分，本身就更偏向擅长全局信息检索的大模型，而忽略了急诊中最关键的时间窗口与生命体征挽救。

看起来，医疗 AI 的竞争焦点正在从单纯的医学考题刷分，转向高压力真实场景下的辅助决策。在建立起清晰的医疗事故问责制度和多模态体征理解之前，AI 还坐不上急诊室的主驾驶座，但它已经足够有资格成为副驾驶席上那个关键时刻出声提醒的副手。