如果有一天，你走进社区门诊之前，先和一个 AI "聊"了一轮病史，它会问诊、会给出可能的诊断、会建议下一步检查——然后这份对话记录被交给你的家庭医生，作为就诊参考。听起来像科幻，但它已经在波士顿的一家学术医学中心真实发生了。

2026 年 10 月 8 日，The Lancet 在线发表了 Google 与 Beth Israel Deaconess Medical Center（BIDMC）合作的一项前瞻性可行性研究：让患者面向的对话式诊断 AI——Articulate Medical Intelligence Explorer（AMIE），在真实世界的急诊型初级保健（urgent care）就诊流程中，与真实患者展开临床对话。这是迄今首批在真实、主动求医的患者身上，检验 LLM 患者面向对话系统安全性与对话质量的注册研究之一。

一、研究背景：为什么必须到"真实世界"去验证

初级保健是大多数医疗咨询的起点，也是 AI 介入最有可能放大系统效率的环节。全球初级保健医生（PCP）短缺、患者老龄化与多病共存、长期疾病管理日益复杂，共同推动了对话式 AI 的投资热潮。

然而，"在实验环境里表现优异"不等于"在真实诊室里安全可用"。既往证据多来自标准化病人（演员）模拟或受控的远程医疗场景：患者面对 AI 系统（症状检查器、分诊工具、非 LLM 聊天机器人）时表现参差，临床效果有限。作者团队在系统综述基础上指出，既往研究几乎没有评估过"把可能的诊断直接呈现给真实患者"这一高风险动作的安全性与质量。

此前反复出现的担忧包括：幻觉或过度自信的输出、分诊不足、不一致的管理建议，以及患者判断 AI 医疗建议的能力。正是在这样的缺口下，研究团队把 AMIE 从模拟推向了真实门诊。

二、研究设计：三步流程 + 医生"盯屏"实时监督

这是一项前瞻性、单中心、单臂可行性研究，在 BIDMC 下属学术初级保健机构 Healthcare Associates（HCA）开展。研究按 TRIPOD-LLM 报告规范撰写，并在 ClinicalTrials.gov 预注册（NCT06911398）。

每位患者的研究流程分为三个明确步骤：

研究的技术底色：AMIE 基于 Gemini 2.5 Pro（知识截止 2025 年 1 月）构建，未做任何领域特定微调。在完成 53 例交互后，因研究基础设施算力限制导致明显延迟，系统基础模型被切换为 Gemini 2.5 Flash，延迟显著降低。由于预注册仅限定了"交互与工作流"而未限定模型版本，这一切换未被认定违反方案。

监督者的介入不是随意判断，而是基于四项预设中止标准：① 对自伤或伤人的即刻担忧；② 患者因 AI 交互出现显著情绪困扰；③ 监督者基于对话识别出潜在临床伤害；④ 患者明确要求结束会话。对话结束后，监督者会立即与患者视频"复盘"，澄清信息、纠正任何错误或幻觉。

图 1　研究设计：三步流程——患者先与 AMIE 文本对话（AI 监督者共享屏幕实时旁观），再就诊 PCP（PCP 可查阅 AMIE 转录与摘要），8 周后由三名独立临床评估者盲法随机评分

入组与排除：入选者需为 HCA 的既有患者、≥18 岁、EHR 记录中英语为主要语言、已激活在线患者门户，并有笔记本或台式机（不能用手机）远程使用 AMIE；须为单一主诉的急诊初级保健预约，且经门诊分诊人员判定无需急诊救治。出于伦理考虑，排除已知怀孕者和心理健康相关主诉（AMIE 未在既往模拟研究中验证过精神科场景）。入组持续至 200 名患者签署同意或完成 100 次完整对话，以先到者为准。

三、研究结果

3.1 参与者流程：从 1452 次就诊到 98 例分析

研究期间 HCA 共安排了 1452 次急诊就诊。流程为：140 名患者口头同意 → 其中 20 人未完成同意书 → 114 人开始 AMIE 交互 → 14 人因方案偏离或技术问题未完成（含 2 人使用手机、1 人键盘问题、1 人屏幕共享问题、2 人无法进入在线会议、1 人笔记本电脑问题、5 人系统不可用，以及 2 人在对话中触及排除标准——1 例怀孕、1 例心理健康）→ 100 人完成 AMIE 交互（完成率 88%）→ 2 人未完成 PCP 就诊 → 最终 98 人同时完成 AMIE 与 PCP 就诊，纳入分析。

值得注意的是，两名未按时就诊的患者，事后图表审阅显示他们后来都看了 PCP，且未因错过预约造成伤害。

图 2　CONSORT 流程图：患者从筛选、口头同意、开始交互到最终纳入分析的完整流向

人群特征（98 例已完成者）：参与者在年龄上明显偏年轻——51%（50/98）不到 50 岁，而研究期间该门诊全部急诊就诊中超过六成由 60 岁以上患者构成；女性占 68%（67/98）、白人占 49%（48/98），而同期总就诊人群女性占 71%（1034/1452）、白人占 54%（787/1452）。健康素养与技术素养均为"高"者各占 46%。这一特征提示样本并不能完全代表真实世界的广泛人群。

表 1　98 例完成 AMIE 与 PCP 双重就诊患者的基线特征（年龄、性别、种族、健康与技术素养、聊天机器人使用情况等）

3.2 安全性：零次安全中止，但并非零风险

在所有患者–AMIE 交互中，按四项预设安全标准，监督者未启动任何一次对话安全中止（0 次）。这与既往其他真实世界对话式 AI 评估中"安全干预率低"的发现一致。

但研究中仍记录到：

3.3 对话质量：医生给出高分，患者整体认可但"信任"偏低

从临床评估者视角，AMIE 的对话在 17 项标准中，被评"favourable 或 very favourable"的比例高达 87%–100%。从患者视角，在 16 项标准中，积极评价比例为 48%–96%——绝大多数标准表现良好，唯独两项偏低：「信任信息保密」与「诚实可信」。

图 5　AMIE 对话质量：上方为临床评估者（PACES/GMCPQ/PCCBP），下方为患者视角。可见患者对"信息保密"与"诚实可信"两项的评分明显低于其他维度

在医生与患者都评分的四项 PACES 维度（关注患者关切、理解患者关切、展现共情、维护患者福祉）上，医生对 AMIE 的评分一致高于患者。作者指出，这种分歧与更广泛的"医患沟通评分不一致"文献相符——两组视角本就相关性很低。而在"礼貌、让患者放松、倾听、解释病情与治疗"等方面，患者评分普遍较高。

3.4 患者态度：交互后改善，就诊后维持

研究采用改编自 GAAIS 的 GAPFAIS 量表（9 项，含正向与负向两个子量表），在三个时间点测量患者对患者面向 AI 的态度——交互前（pre-AI）、交互后（post-AI）、就诊后（post-provider）：

两个子量表均在与 AMIE 交互后显著改善，并在就诊后保持稳定（未回落）。研究者同时提醒多项解读限制：GAPFAIS 是 20 项 GAAIS 的改编子集，删去了若干载荷较高的负向条目，可能降低了对某些负面维度的敏感度；三次重复测量同一量表可能引入"练习/重测偏差"；该量表尚未独立完成心理测量学验证。

图 4　患者对 AI 的态度变化：正向与负向子量表的均值评分（含 95% CI）在交互后上升，就诊后保持

3.5 临床推理与管理计划：整体相当，细节人类更优

管理计划对比（盲法随机）：临床评估者认为两者质量相当的占 48%（47/98）；偏好 AMIE 的占 26%（25/98，其中 20 例"slightly better"、5 例"much better"）；偏好 PCP 的占 27%（26/98，21 例"slightly better"、5 例"much better"）。评估者准确猜出计划来源的比例为 59%（58/98）。

逐项评分（favourable 或 very favourable）：

诊断准确率（top-k，基于 Bond–Graber 评分 ≥4）：在前 7 个候选诊断中命中仲裁参考诊断的比例为 90%（88/98），前 3 个为 75%（73/98），首位即命中为 56%（55/98）。诊断一致性评分 κ=0.76–0.80（substantial 一致性）；PACES κ=0.61–0.94，PCCBP κ=0.41–0.54，管理计划比较 κ=0.28–0.58。

图 3　临床推理表现：A 两组管理计划比较评分；B 管理者计划各维度逐项评分；C AMIE 的 top-k 诊断准确率（全体 / 检验确认亚组 / 推测性亚组）

3.6 PCP 视角：多数认为有帮助，但出现过 1 例"可能有害"

PCP 问卷完成率最低，为 61%（60/98）。在这 60 例中，44 例表示在就诊前有机会查看 AMIE 转录或摘要。其中：75%（33/44）认为用 AMIE 准备急诊就诊"非常有帮助或有些帮助"；57%（25/44）表示 AMIE 可能改变了他们的行为。

但有 1 例被评为"somewhat harmful"：该例 AMIE 的鉴别诊断包含淋巴瘤，就诊时 PCP 推断患者可能因此产生焦虑，事后认为该交互具有某种伤害性。此外，有 3 例 PCP 在自由文本中担心，AMIE 转录可能带来过早诊断封闭（premature diagnostic closure）的风险。

四、讨论：意义、警示与局限

作者认为，这是首个在真实门诊工作流中、面向主动求医的急诊初级保健患者、并明确向患者呈现可能诊断的 LLM 患者面向对话式诊断 AI 注册研究。研究显示：在人类医生监督下，AMIE 的部署在流程上是可行的，交互完成率高、随访到诊率高，且未触发安全警报。

以下几个要点尤其值得关注：

研究局限：单臂、单中心、样本量小（100 例）；人群偏年轻、健康与技术素养高，代表性有限；排除了孕妇和心理健康人群，仅纳入单一主诉患者；缺乏对照组，加之经济激励、实时监督与新技术的"新鲜感"，用户接受度评分可能被高估。此外，管理计划评分使用的是经 LLM 重新格式化后的版本（用于评分者盲法），该转换对 AI 或人类可能有利也可能不利，方向难以先验判断。AMIE 缺乏 EHR 与体格检查、多模态信息（语音语调、皮疹照片等），其诊断表现"很可能被当前条件低估，也可能通过更深的系统集成而增强"。

五、意义与展望

研究传递出两个方向的信息。一方面是乐观的可行性信号：对话式诊断 AI 可以在真实、受监督的临床流程中安全地开展对话，甚至向患者呈现可能诊断，这意味着 AI 与患者的交互有望从"简单信息收集"走向"协作与咨询"。

另一方面是清晰的边界：现有证据不支持 AI 用于自主诊断、分诊或管理。作者明确指出，本研究尚不足以证明 AI 已准备好进入"human-on-the-loop"（人工兜底）的自主工作流，但为未来的多臂随机对照试验提供了必要的可行性基础——这些试验需要评估患者结局、诊断安全、医患沟通、医生工作量、公平性、成本，以及安全使用所需的监督强度。

从"人在环中（human-in-the-loop）"走向"人工兜底（human-on-the-loop）"，需要重新设计监督方案（如从实时医生监控转向紧密的医生随访），并考虑模型自报置信度是否足以用于分诊、以及如何建立监测不可行时患者自报伤害的机制。用一句话概括：这是一块重要的垫脚石，但通往诊室的路还很长。