科学：AI在真实急诊病例中首次超越医生临床推理能力
《科学》杂志的一项研究表明，OpenAI的o1大型语言模型在诊断方面优于认证医师，尤其是在数据不完整的急诊分诊中。在一项针对真实患者病史的双盲测试中，AI的准确率更高，且医生无法区分其结论与人类结论。
2026年4月30日发表在《科学》杂志上的这篇文章不仅仅是一个基准测试。它是一个包裹在科学协议中的法律先例。Broder和Manrai团队不仅证明了机器比医生诊断得更好，他们还创建了一个证据基础，将在5-7年内改变医疗过失的标准，并且——讽刺的是——使医生使用AI不再是权利，而是义务。
核心：真正发生了什么
这项发表在《科学》上的研究，将OpenAI o1与数百名在职医生在来自贝斯以色列女执事医疗中心的真实急诊病例盲测中进行了比较。结果：在数据最少的分诊阶段，该模型的准确率为67.1%，而两名主治医生分别为55.3%和50.0%。评审员只有15%的时间能猜出结论是由人还是机器写的。
但关键甚至不在于数字。o1-preview模型在管理策略的Grey Matters测试中得分89%，而使用GPT-4的医生得分为41%，使用标准工具的医生得分为34%。这意味着在患者和算法之间安排一名活生生的专家并没有改善结果，反而使结果恶化。人为因素——过度自信、认知偏差、疲劳——不是作为过滤器，而是作为障碍。
时间线与背景
这篇论文的发表之路耗时65年。1959年，Ledley和Lusted在《科学》上发表文章，提出将复杂临床病例作为评估医疗计算系统的黄金标准。从那时起，每一项技术——从朴素贝叶斯到症状检查器——都在NEJM任务上进行了测试。
直到2023年，机器输给医生如此明显，以至于人类对照组都不必要了。GPT-4首次显示出需要与人类比较的结果。2025年，OpenAI发布了o1-preview——一种具有逐步逻辑推理（思维链）的模型——并在2026年初发布了完整的o1。哈佛大学的研究人员成功地在模型发布和过时之间的狭窄窗口内进行了实验：如今，实验室已经在测试具有多模态能力的o3和GPT-5.3。
一个重要的时间细节：手稿在4月被接收，而5月世界讨论它时，已经晚了一个技术世代。我们现在读到的只是行业内的昨日新闻。
谁赢谁输
赢家：
OpenAI。这项研究发表在《科学》上，而不是狭窄的医学期刊。这给公司带来的不是临床资产，而是声誉资产：叙事从“模型像医生一样思考”变成了“比医生思考得更好”。OpenAI在2026年5月完成融资轮后的估值接近4000亿美元，每篇这样的论文都会给乘数增加0.2-0.3倍。
将“第二意见”作为服务构建的医疗初创公司。在这篇论文发表之前，他们的产品是可选的工具。现在他们有了《科学》上的引文，证明没有医生的AI胜过有互联网接入的医生。这为医院打开了价值84亿美元的B2B销售市场。
患有罕见和复杂诊断的患者。该模型在CPC病例中，将正确诊断纳入鉴别列表的比例为78.3%，如果考虑“接近”诊断，则为97.9%。这意味着AI的第二意见每次推理可能只需14美元，而不是梅奥诊所2500美元的咨询费。
输家：
初级保健和急诊医生。这项研究系统地拆解了“AI是助手，不是替代品”的防御性论点。如果机器恰恰在信息不完整的条件下超越人类——这是人类直觉的主要论据——那么医生的价值就从诊断者转向沟通者和程序操作者。这在10年时间范围内降低了医学认知劳动的市场价值。
传统CDS系统的开发者。医生使用标准工具得分34%对比o1-preview得分89%的结果，对UpToDate和Isabel Healthcare等知识库来说是一纸死刑判决，除非它们在18个月内将推理模型集成到界面中。
专业医疗软件制造商。当一个通用模型在专家自己的领域超越专家时，利基解决方案就失去了意义。如果每月800美元的API订阅能带来更好的结果，为什么还要每年花12万美元购买软件？
媒体没有说的
第一：研究作者存在利益冲突，这些冲突在标题中没有说明。Adam Rodman是Google DeepMind的访问研究员。Eric Horvitz在微软工作。这并不否定结果，但解释了为什么研究专门测试了OpenAI o1，而不是竞争模型。没有这个级别的出版物是中立的。
第二：该模型在最重要的指标——识别“不可漏诊的诊断”上并未显示出优越性。在NEJM Healer测试中，o1-preview识别危及生命状况的中位数为0.92，但与医生的差异无统计学意义。这是一颗定时炸弹：AI总体上可能更准确，但如果它像人类一样频繁地漏诊脑膜炎或主动脉夹层，那么它在急诊中的实施会带来灾难性错误的风险。
第三：推理成本。研究人员提到，处理一个CPC病例在o1-preview上的成本在3.20美元到42.10美元之间，取决于复杂性。如果急诊科每天接诊200名患者，对每个患者运行模型每天将花费640-8420美元，即每年23万-300万美元。这相当于一两名医生的工资，医院管理者会精确计算这一点。
第四：该研究测试了文本，但医学是多模态的。《科学》杂志的一篇社论直接指出，GPT-5.3和Gemini 3.1 Pro已经可以处理文本、图像、音频和视频。这意味着下一篇论文——可能在6-8个月内——将显示多模态模型在需要解释图像和体检数据的任务上超越医生。Broder的结果是AI能力下限，而非上限。
预测：未来30天和90天
30天（至2026年6月5日）：
医疗保险公司，包括UnitedHealth Group和Aetna，将开始内部测试LLM第二意见。目标：了解是否可以减少不必要的专科咨询费用。试点项目将在3-5个大型网络中启动，每个预算200-400万美元。
JAMA和NEJM将发表社论，敦促谨慎。措辞将是：“结果令人印象深刻，但需要前瞻性试验。”这是医学界标准的防御性反应，将AI视为对其专家垄断的威胁。
OpenAI和Google将加强与FDA就基于推理模型的SaMD（作为医疗器械的软件）监管框架的谈判。问题不在于此类系统是否会获批，而在于它们将被分配哪个风险等级——II类还是III类。这决定了市场进入成本：临床试验200万美元对1500万美元。
90天（至2026年8月5日）：
第一批临床任务中多模态模型的预印本将出现。预计具有CT扫描和呼吸音频访问权限的GPT-5.3将在间质性肺病诊断上超越肺科医生。
美国五家领先学术中心的急诊科将开始悄悄集成LLM第二意见。形式上作为研究协议，但实际上是作为工作工具。医生会像今天使用UpToDate一样使用它，但不会向患者披露。
关键的法律先例尚未发生，但其轮廓已经可见。第一起诉讼中，律师问医生：“如果《科学》上已发表的数据显示AI在急诊诊断中具有优越性，你为什么没有使用AI第二意见？”这将比任何临床指南更快地改变护理标准。Broder和Manrai的研究将成为法庭上的引用文件——不是作为科学论文，而是作为护理标准已经演变的证据。
— Editorial Team
