哈佛急診診斷研究：OpenAI o1 初步分診準確率 67%，超人類醫生

衝進急診室的病人命懸一線，醫生常常只有幾分鐘時間，在資訊極度匱乏的情況下做出關鍵判斷。

本週發表在《Science》雜誌上的一項哈佛醫學院新研究顯示，在 76 起真實的急診病例中，OpenAI 的 o1 模型表現不僅不輸人類，在初步分診環節的診斷準確率甚至超過了兩位資深主任醫師。

沒做任何預處理，直接硬剛電子病歷

這項研究由哈佛醫學院和貝斯以色列女修士醫學中心的團隊主導。研究人員選取了 76 位送進急診室的真實患者，把未經任何加工的原始電子病歷文本直接餵給 OpenAI 的 o1 和 GPT-4o 模型，並與兩位內科主任醫師的診斷做對比。

為了保證公平，負責打分的另外兩位主任醫師採用了雙盲機制，完全不知道哪條診斷出自人類、哪條出自 AI。

結果顯示，在資訊最少、時間最緊迫的急診初診階段，o1 給出完全正確或非常接近診斷的比例達到了 67.1%。相比之下，兩位人類醫生的準確率分別只有 55.3% 和 50.0%。在其中一個病例中，AI 甚至比主治醫生提前大約 12 到 24 小時察覺出一位器官移植患者感染了罕見的噬肉菌。

哈佛醫學院 AI 實驗室負責人 Arjun Manrai 表示，他們幾乎用盡了現有的基準測試，AI 不僅壓過了之前的舊模型，也超過了人類醫生的基準線。

急診醫生的反駁：比試的規則不對

雖然數字抓人，但一線急診醫生立刻澆了一盆冷水。

急診科醫生 Kristen Panthagani 公開指出，這項研究的對比本身就存在偏差：研究裡代表人類出戰的是「內科主任醫師」，而不是天天在急診一線摸爬滾打的急診專科醫生。她打了個比方，讓大模型在神經外科執業考試裡擊敗皮膚科醫生，這並不稀奇，但也沒有太大實際意義。

更核心的問題在於急診的工作邏輯。Kristen Panthagani 強調，急診醫生接診病人的首要目標不是猜出最終的疑難雜症，而是迅速排查眼前這個病症會不會在幾分鐘內要了患者的命。

此外，這項研究只測試了純文本病例輸入。論文作者也承認，目前的基準模型在處理非文本資料時推理能力依然有限。論文共同第一作者 Adam Rodman 也對英國《衛報》表示，目前行業內完全沒有關於 AI 診斷的法律問責框架，面對生死抉擇和艱難的治療方案，患者依然需要真實的人類來做主導。

為什麼重要

我們認為，這項研究真正的價值，不在於「AI 能不能取代急診醫生」，而在於它給臨床一線提供了一面極高水平的「第二意見反光鏡」。

對普通患者來說，它絕不意味著身體不舒服可以繞過醫院只問 ChatGPT。急診看病靠的是眼看、手摸、動態監測和排除致命風險，這些都是純文本模型觸碰不到的物理世界。但對值班醫生而言，這種推理模型完全可以成為一個不知疲倦的後臺哨兵，悄悄幫醫生補上那些罕見病或非典型症狀的盲區。

這項實驗聰明的地方，在於直接用未經清洗的真實電子病歷測試，沒有在實驗室環境裡搞溫室拔高；但隱患恰恰在於考核標準的錯配。用猜中確診疾病的機率來給急診能力打分，本身就更偏向擅長全域性資訊檢索的大模型，而忽略了急診中最關鍵的時間視窗與生命體徵挽救。

看起來，醫療 AI 的競爭焦點正在從單純的醫學考題刷分，轉向高壓力真實場景下的輔助決策。在建立起清晰的醫療事故問責制度和多模態體徵理解之前，AI 還坐不上急診室的主駕駛座，但它已經足夠有資格成為副駕駛席上那個關鍵時刻出聲提醒的副手。