JAMA：AI时代，如何培养医学生的临床技能？

刚刚来源：医咖会

DRPP科研工作台上新科研工具，从文献检索到参考文献格式调整：去使用科研工作台>>

注：本文整理自JAMA于2026年5月7日发表的一项观点文章，原文题目为“Promoting Clinical Expertise in the Age of AI：No Struggle, No Mastery”。

如今，医务工作者使用人工智能（AI），主要是为了减轻行政工作负担、协助处理一些简单的临床任务。然而，AI也越来越多地被用于查看和归纳数据、解读检查结果、做出诊断甚至制定治疗方案。

随着临床医生在更高级任务上依赖AI，一些担忧也随之浮现：一是因过度依赖AI而出现“去技能化”（即丢失已经掌握的本领）；二是因AI答案不准确而导致“误习得”（即学到了错误的东西）。

然而，AI最大的风险，可能在于它对处在临床培养期人群的影响：医学生、住院医师和专培医师还没有积累起资深医生的那些专业本领。有人把这种情况称为“从未习得”：无法建立临床能力的认知根基，是因为在锤炼出能力精通的“认知挣扎”发生之前，AI就已经把答案给出来了。

临床能力是如何形成的？

要理解上述风险，先要理解临床能力是如何发展起来的。关于这个问题有多种理论，例如“精通型适应性学习理论”、“知识封装与疾病脚本理论”，“双系统理论”。这些理论侧重点各异，但都有形成能力精通所需的几项基本条件：

1. 围绕真实问题的“费力投入”

培养精通，要求学习者亲自完成认知层面的工作。设想一位住院医师在反复推敲：一个肝硬化患者为什么会血小板偏低，从门静脉高压推到脾肿大，再推到脾脏对血细胞的滞留。正是这种费力的思维加工，重组了知识结构，建立起模式识别能力。知识要真正稳固下来，需要反复穿行于这种复杂的因果逻辑之中。

2. 随时间积累的经验

通往专业精通没有捷径，各个阶段无法跳过。作为专家直觉基础的“模式库”，是在数千小时中形成的，需要先以分析的方式缓慢地处理数百个病例，这些模式才会逐渐变得自动化。每一个病例都会为学习者的“模式库”添砖加瓦，促进他们识别出偏离常规模式的情况，精炼其疾病脚本，推动他们一点一点地走向直觉化。

3. 元认知意识的养成

专家并不只是知道得更多，他们还知道自己知道什么、不知道什么。他们能够分辨：某种情形是在自己的能力范围之内，亦或是需要放慢节奏、寻求帮助或收集更多信息。元认知意识，是在那些同样能够构建专业知识的反馈循环中逐渐形成的，在这个过程中，学习者建立起对自己在不同情境下可靠程度的准确判断。

AI如何威胁这三项基本条件？

AI工具对上述每一项条件都构成了威胁。当AI生成鉴别诊断时，学习者得到了答案，却跳过了那种能够重组知识的“认知挣扎”。当AI给出治疗建议时，学习者省去了从自己尚在发育的疾病脚本中费力提取信息的过程。

AI工具还可能打断那种“假设到检验”的反馈循环（即反复试错），学习者本应循环往复地经历数百次，模式库才得以形成，临床推理才会变得自动化。此外，由于AI给出答案时往往带着一种千篇一律、迎合讨好式的自信，它可能会妨碍学习者元认知能力的发展，使他们无法校准自己对可靠程度的判断，无法弄清楚哪些临床表现可以自信地处理、哪些应当引起警惕。

但无论我们如何担忧，AI都终将到来。深思熟虑地设计AI、并将其妥善融入临床学习环境，就变得至关重要。

可供借鉴的设计与实施策略

AI作为“顾问”

为了保护那种“费力投入”，可以推行“先表达观点、再对照”的流程：学习者先就鉴别诊断、拟定的检查方案和治疗计划作出自己的判断，然后才能看到AI的建议。就像实习生在开医嘱之前，要先向带教的上级医师汇报自己的评估与方案。这种做法有望创造出一种学习契机，可以由AI从旁引导：“你原本认为这是心脏问题，AI却提示可能是肺部问题，我们把两条推理路径都梳理一遍”。

AI作为“教练”

AI本身也可以被设计成需要学习者主动参与，而不是单纯地给出答案，比如AI向学习者发问：“你必须排除的最危险的诊断是什么？”从而让AI从“答案提供者”转变为“推理教练”。同样地，AI还可以通过要求学习者阐述各项检查结果与诊断之间的关联、或诊断背后的病理生理学依据，来支持学习。

举例来说，一位医学生或许能认出一位因频繁呕吐或使用利尿剂而出现“代谢性碱中毒”的患者，却未必完全理解其中的肾脏生理机制，这时AI便可以提供帮助。AI很可能还会带来一些过去根本无法实现的全新教学与学习方式，例如AI引导情景模拟，对疑难谈话的演练，以及针对具体患者、量身定制的知识掌握度评估。

设立“无AI区”

某些学习场景（例如晨间病例汇报，病例讨论会、床旁查房等）可以被划为“无AI区”，要求学习者凭借自己的知识进行推理。这样既能让学习者获得不依赖AI进行推理的常规训练，也能让老师们有机会评估医学生们独立胜任能力的情况。

分阶段开放AI权限

为确保学习者有足够的自主思考，还可以采取另一些做法，比如设定不使用AI的工作量和能力要求。培训项目可以规定，在能力得到确认之前，必须有最低数量的病例是在不借助AI的情况下独立完成的。正如掌握某项技术操作需要一定的操作例数，要在认知层面达到胜任，我们或许也应当要求完成一定的“推理例数”。

又或者，可以按培训阶段分步开放AI权限：早期医学生的AI使用受到限制，随着基础能力得到展示而逐步放开。不过这种做法存在风险，可能恰恰剥夺了那些最需要AI帮助的学习者所能获得的协助。相比之下，“先表达观点、再对照”的流程，也许能在促进能力发展与保障安全高质量诊疗之间取得更好的平衡。

用AI支持元认知

为了保护那些处于“精通型适应性学习理论”核心位置的反馈循环，可以设计一些工具，在学习者咨询AI之前先记录下他们的评估与方案，从而能够长期追踪其推理的准确性，并把结果反馈给学员。如果这些工具还能提示学员估计自己对各项决策的信心程度，那么学员的元认知意识（即其信心与评估准确性之间的相关程度）也可以被追踪下来，用以帮助他们更清楚地认识自身知识的边界，懂得何时该寻求帮助。

AI相关的医学教育

从医学教育课程的角度看，医学生需要了解每一种AI工具的优势、不足与陷阱，这意味着要理解AI系统是如何运作的，它们的训练数据里包含哪些类型的病例、AI容易犯哪些类型的错误，以及在面对AI给出的那些看似自信的答案时，何时应当暂缓下判断。

带教老师同样需要理解这些问题，并学会在AI增强的环境中指导医学生。这可能包括：探查出医学生究竟是真正理解了自己所汇报的内容，还是仅仅在复述AI的输出；在教学场景中树立“不依赖AI进行推理”的明确预期；并在合理使用AI的同时，示范出对AI应有的审慎与质疑。无论是带教者还是医学生，都还需要清楚地知道，在哪些类型的医学教育中这些工具最能发挥所长（例如个性化反馈、基于模拟的学习等）。