OpenAI o1 在诊断复杂急诊病例方面超越医生
一项涉及哈佛和斯坦福医生的研究发现，LLM 模型 o1-preview 在诊断临床病例方面超越了人类，尤其是在急诊分诊信息有限的情况下。该模型在 NEJM 材料上的诊断准确率达到 78.3%。
这不是诊断，而是能力的展示：OpenAI o1 如何暴露分诊中的薄弱环节，并提出急诊科权力再分配的问题
[核心要点]：真正发生了什么
2026 年 4 月 30 日，《科学》杂志发表了一项研究，许多人匆忙称之为“AI 击败医生”。标题很吸引眼球，但不准确。实际发生的事情更微妙、更重要：OpenAI o1-preview 证明，它能够在人类思维最脆弱的时刻——患者到达急诊室的最初几分钟，信息极度匮乏且错误代价最大时——超越认证内科医生。
来自哈佛大学、斯坦福大学和贝斯以色列女执事医疗中心的研究人员进行了六项平行实验。最有力的不是学术案例，而是来自波士顿贝斯以色列急诊科的 76 个真实病例。模型接收到的数据与两位主治医生完全相同：电子病历文本、生命体征、分诊护士的几行记录。没有预处理，没有提示。
在分诊时——当患者初次踏入急诊室——o1 在 67.1% 的病例中做出了准确或非常接近的诊断。第一位医生：55.3%，第二位：50%。这一差距不仅具有统计学意义，还意味着在每六个病例中，模型在两位专家都出错的情况下提供了正确答案。
时间线与背景
Peter G. Brodeur 及其同事的研究于 2026 年 4 月 30 日发表，其方法学与以往研究不同。首先，首次将 LLM 与医生在非结构化的真实临床数据上进行直接比较——不是教科书案例，而是真实患者病历的混乱状态。其次，评审者不知道他们评估的是谁的答案——人类还是机器。盲法成功：一位医生评审者仅在 15% 的案例中猜对了来源，另一位为 3%。
这一点很重要，因为以往医学领域的 AI 研究常因缺乏“人类基线”以及在远离真实临床实践的干净案例上进行评估而受到批评。Brodeur 及其同事填补了这两个方法学空白。
然而，背景远不止这一篇论文。大多数实验所基于的 o1-preview 已不是最新模型。到论文发表时，OpenAI 已发布了 o3。这意味着，2026 年 4 月震惊医学界的结果并非能力巅峰，而是每月攀升轨迹上的一个中间点。
谁赢谁输
赢家：
OpenAI 及其他推理模型开发者。《科学》上的这项研究是验证的金标准，为临床试验和潜在的 FDA 批准 AI 医生助理打开了大门。2026 年急诊医学 AI 市场价值 42 亿美元，预计到 2032 年将增长至 128 亿美元；Brodeur 等人的研究是催化剂，可能加速这一增长。
患有罕见和复杂疾病的患者。该模型在人类医生容易出现认知偏差的领域表现尤为突出：锚定效应、过早关闭诊断搜索、近期经验的影响。对于非典型心脏病发作或狼疮伪装成肺栓塞的患者，AI 助手不是奢侈品，而是防止漏诊的保险。
构建基于 LLM 的决策支持系统的医疗初创公司。这篇论文为他们与医院管理层对话提供了论据：“想降低诊断错误率？这是《科学》杂志的证据。”
输家：
急诊科医生——但不是作为一个职业，而是作为旧决策模式的承载者。研究表明，最大的差距出现在分诊时——正是医生需要根据最少信息快速决策的时刻。这并不意味着 AI 将取代医生。但它确实意味着，没有 AI 助手工作的医生很快会被视为不洗手的医生。
未采用推理架构的 AI 解决方案开发者。与 o1 并行测试的 GPT-4o 在分诊和首次医生接触时均表现明显较弱。模型代际之间的差距（o1-preview 在 NEJM CPC 病例上比 GPT-4 高出 16 个百分点）意味着，投资于上一代 LLM 用于临床应用的 companies 必须紧急升级其技术栈。
声称 AI 无法进行临床推理的怀疑论者。该模型在管理推理任务上得分为 89%，而使用搜索引擎的医生仅为 34%。这不仅仅是“猜测答案”，而是展示了权衡冲突信息并在不确定性下做出决策的能力。
媒体遗漏了什么
非显而易见的洞察：研究的主要轰动不是诊断，而是管理推理。
所有标题都在高喊“急诊室诊断”和“分诊准确率 67%”。但论文中最令人震惊的数字是管理推理任务上的 89% 对比 34%。这是什么？不是“做出诊断”，而是“下一步做什么”：是否开抗生素，如何进行临终对话，根据患者背景治疗目标是什么。
参与研究的 HMS 博士生 Thomas Buckley 解释说：管理推理比诊断推理更难，因为它不仅需要考虑客观病例特征，还需要考虑主观因素——背景、患者偏好、预后不确定性。推理模型正是在这一点上超越医生——而不仅仅是列出症状——表明 AI 开始掌握传统上被认为是“人类”的领域：在信息不完整且包含价值判断的情况下做出决策。
第二个洞察：模型在“不可漏诊诊断”上失败——这是好消息。
讨论最少但至关重要的结果之一：o1-preview 在识别“不可漏诊”诊断——那些如果漏诊会在数小时内致死的疾病——方面并未显著优于医生。在 NEJM Healer 病例实验中，模型在 80 项评估中的 78 项获得满分，但在安全性——识别这些不可漏诊威胁——方面与医生无差异。
这是对技术乐观主义的重要制衡。模型拓宽了鉴别诊断，发现了罕见病，但在筛查最危险、最紧急的疾病方面并未超越人类。而这正是急诊科医生的主要任务，正如急诊医生 Kristen Panthagani 正确指出的：“我的首要目标不是猜出最终诊断，而是确定你是否患有会致命的疾病。”
预测：未来 30 天和 90 天
30 天（到 2026 年 6 月中旬）：
预计 OpenAI 将宣布在已发表研究使用的同一套测试上测试 o3 的结果。鉴于 o3 已可用且研究人员在局限性中提及它，这只是几周的问题。如果 o3 在不可漏诊诊断上显示出显著改进，讨论基调将从“AI 辅助但不替代”转变为“临床试验何时开始？”
与此同时，几家大型医院系统——可能是麻省总医院布列根和西奈山——将宣布在急诊科启动 AI 助手的前瞻性试验。西奈山首席临床官 David Reich 已称该研究为“理想的行动号召”。
90 天（到 2026 年 8 月中旬）：
关键催化剂将是同一团队关于多模态模型的平行研究发表。Arjun Manrai 报告说，该团队已在测试 AI 处理图像，并看到“快速进展”。如果能够分析文本和 X 光片的多模态模型在不可漏诊诊断上表现出相当或更优的性能，讨论将从“第二意见”转向“标准护理”。
同时，专业学会（美国急诊医师学会、医院医学会）将开始发布将 AI 整合到临床工作流程的初步指南。关键问题将不是“AI 是否取代医生”，而是“如果医生推翻模型建议且患者受到伤害，谁负责？”正如 Adam Rodman 指出的，“目前没有正式的 AI 诊断问责系统。”到夏末，这一法律真空将成为医学会议的主要话题。
— Editorial Team
