AI不只在学当医生，也开始学当“患者”

本文摘要

一项262.5万元的采购意向，把“AI患者”带到了我们面前。它不是陪医生练问诊的聊天机器人，也不能简单理解为真人受试者的替代品。本文从临床研究的视角，讨论虚拟患者究竟可以帮助解决什么问题，以及为什么“模型预测”与“医学证据”之间，仍有一道必须认真跨越的门槛。(cgyx.ccgp.gov.cn)

• • 正文字数：约2800字
• • 预计阅读时间：7—9分钟
• • 适合读者：医学人士
• 

正文

如果说，有人正在教AI当医生，你大概已经不觉得新鲜。

但如果有人说，他想让AI当“患者”呢？

不是陪医学生练问诊，而是尝试在计算机里模拟疾病进展、治疗反应，为临床试验提供参考。山东大学齐鲁医院公开的一项“数字孪生虚拟临床试验”采购意向，就包含了虚拟人群建模、疗效虚拟预测等建设需求。(cgyx.ccgp.gov.cn)

听起来很诱人：有些问题，能不能先让模型算一遍，再到真实研究中验证？

也让人警惕：

如果结果都是模型预测的，我们怎么知道自己发现了药物的效果，而不是模型的偏好？

所以，“AI患者”这件事，不能只讲技术有多神奇。

它真正把我们带到了一个更重要的问题面前：当AI开始参与医学证据的生成，医生应该怎样判断，哪些结果可以参考，哪些结论还不能相信？

一、262.5万元，买的不是“一个患者”

先看这条消息。

2026年5月19日，中国政府采购网公布了山东大学齐鲁医院的一项采购意向：建设“数字孪生虚拟临床试验”体系，预算金额为262.5万元。(cgyx.ccgp.gov.cn)

这个数字确实抓眼球，但不能把它翻译成“一个AI患者卖了262.5万元”。

预算对应的是一套体系，涉及虚拟人群建模、试验流程模拟、AI辅助给药方案、疗效预测及平台集成。它也只是采购意向，不是成交公告，更不是效果评价报告。(cgyx.ccgp.gov.cn)

我觉得，这件事真正有意思的地方，不在于价格。

而在于它让我们换了一个角度看医疗AI：

我们能不能不只让AI回答医学问题，还让它帮助研究者检验某些研究设想？

这与“AI能考多少分”“能不能写一份病历”，是很不一样的问题。

二、先别把“AI患者”想成一个完整的数字人

为了理解这个概念，不妨设想一项研究。

研究团队准备评价一种治疗方案，希望提前知道：不同的入组条件，会不会影响研究结果？哪些患者的疾病进展可能存在较大差异？还有哪些假设，值得在正式研究前进一步检查？

这里需要的，未必是一个能聊天、有头像、会说“我哪里不舒服”的数字人。

更可能是一个针对特定问题建立、能够输出预测的模型。

数字孪生可以用于患者或器官系统的虚拟表征、预测建模和干预方案预评估，但它的适用性依赖数据质量、建模假设及严格验证，不能仅凭模拟结果直接指导治疗。(icu.cma-cmc.com.cn)

因此，我建议先把“复制一个人”的科幻想象放在一边。

评价这类工具，首先应问：

它究竟预测什么？是某项指标的变化，还是某个结局的发生风险？它的适用对象是谁？预测跨度有多长？

如果连这些问题都说不清楚，“虚拟患者”四个字就很容易成为一个漂亮的包装。

模型不必像一个完整的人，但必须把自己能回答的问题说清楚。

三、一个具体例子：不是造假病人，而是改进真人试验

有没有更具体的用法？

有。欧洲药品管理局（EMA）在2022年公开了对PROCOVA——预后协变量调整方法——的资格认定意见。它提供了一个理解“预测模型怎样参与临床试验”的切口。(ema.europa.eu)

把专业术语暂时放下，可以这样理解：

研究者利用独立的历史数据建立模型，为真实受试者预测其在对照条件下可能出现的结局，形成预后评分。随后，将这一评分纳入预先设计的统计分析，帮助提高研究效率。(ema.europa.eu)

这里有一个必须抓住的区别：

预测信息进入分析，不等于预测结果冒充了真实观察。

这种方法的核心，不是随手生成一批“患者”，填补研究数据库里的空白；而是用历史信息帮助分析真正参加试验的人。PROCOVA的监管认定有明确的方法学范围，并不是对所有“AI患者”产品的统一认可。(ema.europa.eu)

为什么我愿意花篇幅讲这个不太好记的名字？

因为它把讨论从“未来能不能不用真人做试验”，拉回到了一个可以认真评价的问题：

在保留真实研究和严谨统计设计的前提下，预测模型能不能提供额外帮助？

对临床研究而言，这样的进步没有那么戏剧化，却更值得追问。

四、监管在明确评价方法，不是在给模型发“免检证”

另一条相关进展，来自FDA。

2026年6月，FDA发布了最终版《M15：模型引导的药物研发通用原则》。这份ICH框架下的指南，涉及模型证据的规划、评价、记录，以及监管沟通和提交。(fda.gov)

这意味着什么？

我的理解是，监管正在进一步明确：如果研究者希望使用模型生成的证据，就需要把它的来历、用途、可靠性和不确定性讲清楚。

但不能把它解读成：“FDA已经允许AI患者普遍替代真人。”

这份指南提供的是模型证据的评价框架，而不是对某一类AI产品的全面放行。(fda.gov)

所以，比“监管松口”更准确的表述应该是：

模型可以拿出自己的证据，但也必须接受对证据的审查。

对我们做医学AI科普的人来说，这种区别尤其重要。

“研究取得进展”“方法获得限定用途认可”“产品可以普遍应用”，不能在传播中被压缩成同一句“已经获批”。

五、如果让我评估这套系统，我会先问什么？

作为一名乳腺外科医生和临床研究参与者，我愿意尝试这样的工具。

但如果一套“AI患者”系统摆在我面前，我不会先问它用了哪个大模型，也不会先看它一次能生成多少个患者。

我会先问三个问题。

第一，它帮助我们改进了哪一个具体决策？

是发现了方案里的问题，还是帮助确定了值得进一步验证的假设？

如果展示了很多曲线，却说不清研究团队因此改变了什么，那么它的价值仍然需要证明。

第二，它有没有在独立的数据上接受检验？

我希望看到的不只是“预测得很准”，还包括：用什么数据评价、评价什么结局、哪些人群表现较差，以及什么时候应该停止使用。

以乳腺癌研究为例，假如有人向我展示一个治疗反应预测模型，我会追问它的验证人群、疾病阶段、治疗背景和终点定义，而不是只看一个综合准确率。

这是我会采用的审核思路，并不意味着某个现有系统已经通过了这些检验。

第三，预测错了，会影响什么？

如果只是帮助研究团队提出新问题，可以继续讨论和验证。

如果它要影响受试者入组、研究分析，甚至患者的治疗选择，我就会要求更充分的证据和更明确的审核责任。

我期待的是一个愿意展示局限的工具，而不是一个只会给出确定答案的工具。

六、别急着证明“AI患者比AI医生更赚钱”

这个选题最容易写成一个有冲突感的故事：

AI医生还在找买单方，AI患者已经有人愿意付钱。

但仅凭这份采购意向，我不愿意下这样的结论。

它能够证明的是，一家医院公开提出了建设需求和预算；它不能证明项目已经成交，更不能证明整个行业已经形成稳定的商业回报。(cgyx.ccgp.gov.cn)

与其比较谁“先赚钱”，我更想追问：

这项投入最终能不能产生可验证的研究收益？

采购需求中提出了降低成本、缩短周期和提高效率等目标，但这些是希望实现的效果，不能提前写成已经取得的成绩。(cgyx.ccgp.gov.cn)

对医院而言，我认为更有说服力的评价，不是生成了多少虚拟患者，而是它是否帮助研究团队作出了更合理的决策，以及这些改进是否经得起后续研究检验。

对医生而言，值得学习的也不只是怎样调用模型。

还有怎样提出一个清楚的问题，怎样审核输出，怎样识别模型不适合回答的部分。

七、预算不是成绩单

回到那份262.5万元的采购意向。

它不是“AI患者已经成功”的证明，也不能告诉我们，这套系统最终能节省多少成本、改善多少研究决策。(cgyx.ccgp.gov.cn)

但对我而言，它提供了一个值得观察的切口：我们讨论医疗AI，可以不再只问“它能不能像医生一样回答问题”，还可以追问——它能否帮助医生把研究做得更好？

接下来，我更想看到的，不是系统能生成多少个虚拟患者，而是它在什么问题上预测准确、在什么情况下失效，以及真实研究是否支持它的判断。

预算表达的是期待，验证结果才是成绩单。

“AI患者”值得关注。但让它获得信任的，最终还得是真实世界。

核心观点

“AI患者”的价值，不应由它模拟得多逼真来决定，而应由它能否帮助研究者作出更可靠、可验证的决策来判断。采购是需求信号，不是有效性的证明。

参考资料

• • 中国政府采购网：《山东大学齐鲁医院2026年5至12月政府采购意向——数字孪生虚拟临床试验》，2026年5月19日。(cgyx.ccgp.gov.cn)
• • FDA：M15 General Principles for Model-Informed Drug Development，最终指南，2026年6月。(fda.gov)
• • EMA：Qualification opinion for Prognostic Covariate Adjustment (PROCOVA™)，2022年。(ema.europa.eu)
• • 《重症医学人工智能临床应用与治理专家共识（2026版）》：数字孪生与合成数据相关章节。(icu.cma-cmc.com.cn)

本文讨论医学研究方法与技术趋势，不构成个体化诊疗建议。

我有个知识星球“医学AI思维营”，如果你对医学AI感兴趣，欢迎加入一起学习AI，高效赋能。