“如果今天只能用一个标准，来判断一项研究值不值得发表，您会用哪一个？”

这是今日开幕的第 37 届长城心脏病学大会暨亚洲心脏大会期间，阿里健康氢离子与 JAMA、长城会联合主办的「JAMA @ GW-ICC 联合论坛」，也是「顶刊说」首期现场，JAMA 主编被问到的第一个问题。

在这场圆桌讨论上，JAMA 和 JAMA Network 主编 Kirsten Bibbins-Domingo、阿里健康 CTO 兼氢离子负责人王祥志与多位中国专家展开对话，从顶刊评价标准、研究者成长机会和 AI 循证三个维度，探讨研究质量、人才培养与证据评价。

对“证据”的判断，正在改变

证据，是当前医学领域最为核心的关键词。循证医学的核心要义，在于将“当前可获得的最佳证据”应用于临床决策。[1]

这些证据，综合依托系统、透明、可重复的方法学规范，以严格的检索、筛选和评价流程，在系统评价后成为循证决策的基石。[2]

然而，循证医学的理想，正面临着严峻的现实挑战：医学知识指数级爆炸式增长、医学证据生产有了新工具加入，依赖人工检索与整合的传统证据综合模式（如系统评价）却存在天然的滞后性。这不仅会削弱循证决策的科学性，更会成为制约医学科研成果向临床价值转化的关键瓶颈。[3]

在第一个维度的讨论中，各位专家的观点交锋也正是对这场行业变革身体力行的注脚。

图（从左至右）：樊晓寒教授、Kirsten Bibbins-Domingo、高超教授、曾勇教授、花欣炜教授

面对主持人樊晓寒教授提出的第一个问题，Kirsten Bibbins-Domingo很肯定地回答：“如果只能用一个标准来判断一项研究值不值得发表，那就是研究是否回应了与患者诊疗相关的问题。”

她表示，目前 JAMA编辑大多也是临床医生，他们会讨论研究结果是否会改变自身实践、是否有助于更好地照护患者；若不会，无论技术上多么复杂，稿件的吸引力都会大打折扣。“我们要发表的对象是真正在照护病人的医护人员，或者健康共识的决策者。最终检验标准在于：是否有人在意这个答案，他们是否会因为这项研究的出现而做出改变。”

图：Kirsten Bibbins-Domingo，Editor-in-Chief，JAMA and JAMA Network

而面对同一个问题，场上的国内心血管病学专家，也给出了自己的见解。北京大学第三医院花欣炜教授认为，临床医生有很多好问题，难点在于把它们转化为有效、新颖且可操作的研究问题。安徽省立医院高超教授也表示研究问题“有趣”也非常重要。

Kirsten Bibbins-Domingo 认同此观点：“读者需要引人入胜的内容。如果研究引人入胜且能清楚说明局限性，期刊也可能发表早期或不那么完美的研究。只不过，作者必须阐明该问题为何重要，确保不是讲了个结局早已注定的故事。”

而针对首都医科大学附属北京安贞医院曾勇教授提出的目前研究中存在明显的“受试者数量竞赛”，许多研究者习惯于通过入组一千、一万，甚至更多患者，来提高“证据质量”和被顶刊接收概率这一现状，Kirsten Bibbins-Domingo 则明确表示：“期刊不需要更多的患者、统计学家不需要更多的患者，我们只需要合适数量的患者。”

图：曾勇教授，首都医科大学附属北京安贞医院

谁能做出标准之上的好研究？

《中国循证医学杂志》2025 年的特别报道曾指出，我国医学领域科研发展面临的三大挑战：高水平临床研究能力不足、基础研究和临床研究结合有待加强、海量医疗数据资源缺乏有效整合。

首都医科大学附属北京安贞医院马长生教授在圆桌讨论前做的重磅报告《中国心血管临床试验概览》中介绍：过去一年，中国在科学、技术与医学领域的论文产出较往年翻了一番，常见心血管疾病的RCT数量居全球第一。

图：讲者为马长生教授，首都医科大学附属北京安贞医院

马长生教授预计，10 年内中国可以做到有相当大比例高质量的临床研究，但当务之急仍是质量提升，重心必须转向质量与高影响力发表。

具体到实践中，哈尔滨医科大学附属第二医院侯静波教授强调了高质量的 RCT 研究中管理、质控的重要性，她建议从设计第一天起就需要医生、科研人员、统计学家密切合作，数据可追溯性与双重核查是确保结果可靠性的底线要求。

高超教授也提出了一项研究可能耗时数年甚至十数年，期间出现不可控的因素，导致需要适应性设计这一现实问题。以此为例，Kirsten Bibbins-Domingo 更深入地谈透了一项研究取得信任的关键——透明度。

她认为，预先计划的适应性设计是合理且被认可的，JAMA 的统计学编辑足以处理平台试验等复杂方法：“缺乏记录一定会引发对数据驱动的结局指标更改的怀疑，这不可接受；透明的调整能让编辑验证试验的完整性。”

明确了怎么能做，下一步就是谁能做得出来。首都医科大学附属北京安贞医院钱海燕教授分享了自己作为一名研究者真实的成长路径：“一位研究者从起步到能够主导国际多中心研究，这个过程注定是漫长的。因为我们需要很多资源，需要前辈、同行帮助，研究才能在全国甚至全世界得以开展。”

图：钱海燕教授，首都医科大学附属北京安贞医院

因此，对于一个刚刚踏入医学研究殿堂的年轻学者，个人努力能做到的终究有限，遇到一个好导师、好团队又需要运气——制度和工具，就成了可能解决问题的方向。

阿里健康 CTO 王祥志认为，AI 作为一项工具，一定无法替代优秀的医学专家。但它虽然无法替代临床医生“抽屉之外”的情境性知识，但却能够提升一个优秀导师的带宽——AI 来处理常规事务，而人，专注于创新和未来。

首都医科大学附属北京安贞医院蒋超教授和Kirsten Bibbins-Domingo 则给年轻研究者们提了非常务实的建议：在职业生涯早期就加入一支优秀的团队，先学会严谨的方法，吸取团队成功和失败的经验，再独立牵头研究。如果不能理解研究问题的核心，多年努力也可能偏离方向。

对于与会中国专家提出的交流建议，Kirsten Bibbins-Domingo 也欣然接受。她表示在中国设立本地团队或定期举办答疑，这是很好的建议。编辑们对与作者互动、提升研究质量有很高的热情，具体如何落地会进一步规划。

当前，人工智能（AI）正在以前所未有的规模改变健康和医疗。而医学证据的形成和应用，无疑是AI 介入程度很高，也备受争议的部分。

根据此前JAMA 人工智能峰会报告的重要论述，支持医学研究和医疗实践的 AI 产品已经有了长足发展。[4]

据统计，美国FDA 已按医疗器械流程批准了超1200 种产品，用于预测分析、临床决策支持和深度表型分析等等环节；90% 的美国医疗系统采用了某种形式的人工智能，嵌入电子健康记录中基于 AI 的临床决策支持工具也广泛可用。

参考文献 4：直接影响健康和医疗服务的AI 工具类别

“人工智能在医学中的应用正处于一个转折点：从展示这些技术潜力的概念验证研究，转向采用更严谨方法论、旨在确立影响力、安全性、公平性、有效性和效率的后期研究。”[5]

而一名临床研究者对一个医学 AI 更大的期待，还是在研究它中能做到什么。

浙江大学医学院附属邵逸夫医院蒋晨阳教授，和首都医科大学附属北京安贞医院赖一炜医师，分别提出了 AI 在突破语言障碍和可穿戴设备等方面带来的进步；陆军特色医学中心曾春雨教授则进一步补充了大数据方面的应用，几万人的 RCT 研究带来的庞大数据库，AI 或许是比人力更好的解法：“AI 时代已经到来，不能假装它没来。”

图：蒋晨阳教授，浙江大学医学院附属邵逸夫医院

不过，在实际应用中，研究者们普遍表达了对AI 幻觉的担心。对此，王祥志指出，临床标准是“可验证的”，能够显著减少幻觉的产生。他认为，AI 擅长暴力的穷举、检索，但在非确定性命题上的“想象力”可能不及人类。

图：王祥志，阿里健康

“未来 AI 在有正确答案的临床问题上，犯错的几率一定会显著降低。AI 如何能跟上新标准建立后的行业变化或许更为重要。”

而规则的改变，已经来临。

就在 2 个月前，JAMA发布了《作者在医学发表中使用人工智能的最新指导》：“作为编辑，我们将人工智能视为一种工具，能够帮助研究人员和作者，减轻部分任务的负担，并在某些情境下提高效率。”[6]

期刊已采纳关于作者、审稿人和编辑适当且负责任使用 AI 的政策，但可能是源于担心编辑的偏见评估和不利决策，以及对期刊政策的不了解，目前论文作者主动披露 AI 贡献的比例却非常低。

这，或将直接导致“信任”的损失。

Kirsten Bibbins-Domingo 指出：“AI 已经做到了更好地链接英文科学期刊和非母语作者，这非常重要，也非常了不起。”

“我相信大量的作者在用 AI，这是很好的事情。”她强调，我们需要在迎接 AI 的同时，保护好多年来积累的信任。

鉴于透明度是学术记录完整性的核心，JAMA 正在制定促进负责任使用和披露的指导方针及相关举措。

参考文献6：JAMA Network 关于人工智能可接受使用的指导

正如Kirsten Bibbins-Domingo 的总结：“我不知道未来 AI 能不能直接成为一个作者，但我认为我们需要共同进化。”

“AI会为更多人打开参与的带宽……但捷径是不存在的。”

作为「顶刊说」首期，这场 60 分钟的对话，与其说是对问题的回答，不如说是议题的确立。

随着 AI 的继续发展，研究工具的演进将日新月异，关于医学中 AI 应用边界的追问和探索，仍会继续。

本届长城会期间，作为融合创新的一项实践，电子导览与AI 循证总结正在阿里健康氢离子的技术支持下融入壁报展示。

大会期间，壁报内容持续更新，电子导览让研究信息更便于查找，AI 循证总结则进一步延展阅读视角，为现场学术交流增添新的连接方式。

参考文献

[1] Lehane E, Leahy-Warren P, O'Riordan C, et al. Evidence-based practice education for healthcare professions: an expert view. BMJ Evid Based Med, 2019, 24(3): 103-108

[2] 丁文婧, 刘砚燕, 邹治国, 吕馨铭, 吴慧, 仇晓春. 证据综合AI应用伦理—Cochrane联合声明与RAISE框架解读. 中国循证医学杂志, 2026, 26(7): 854-860. 

[3] 郑卿勇, 周泳佳, 田敏, 崔雅婷, 徐彩花, 许建国, 田晨, 葛龙, 张俊华, 田金徽. 新一轮证据革命：动态证据综合的范式演进、挑战与未来. 中国循证医学杂志, 2026, 26(7): 847-853.

[4] Angus DC, Khera R, Lieu T, et al. AI, Health, and Health Care Today and Tomorrow: The JAMA Summit Report on Artificial Intelligence. JAMA. 2025;334(18):1650–1664. doi:10.1001/jama.2025.18490

[5] Liu TYA, Hswen Y, Bonow RO, et al. Artificial Intelligence Across the JAMA Network: A Call for Submissions. JAMA. 2025;334(18):1626–1627. doi:10.1001/jama.2025.15074

[6] Flanagin A, Perlis RH, Bibbins-Domingo K. Updated Guidance for Author Use of AI in Medical Publication. JAMA. 2026;336(11):926–928. doi:10.1001/jama.2026.16613