AI Decision Tools versus Traditional Methods: A Narrative Review of Diagnostic Accuracy and Clinical Reasoning in Senior Medical Students
这项对八项研究的叙述性综述表明，尽管基于人工智能的决策工具可以提高高年级医学生在标准化任务中的诊断准确性，但其在临床推理方面的整体有效性在很大程度上取决于教学整合以及学生批判性的参与，以减轻诸如自动化偏见之类的风险，从而将其定位为传统临床判断的有益辅助手段而非替代品。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医生的培养过程中，最关键的技能并非仅仅记住疾病的名称，而是学习如何将零散的线索拼凑起来以找到正确的答案。这一过程被称为临床推理，即收集信息、权衡各种可能性并做出诊断决策的心智活动。几十年来，这项技能一直通过讲座、教科书以及在医院中缓慢积累的经验来磨练。然而，随着医学知识的爆炸式增长和学生人数的增加，教育工作者开始思考旧有的方式是否足够。最近，一种新型的助手进入了课堂：人工智能。这些计算机程序旨在帮助诊断疾病，并基于海量数据提供建议。医学院面临的一个重大问题是，这些数字工具究竟是帮助学生更好地思考，还是可能会在无意中让他们减少思考，从而产生对机器而非自身判断的依赖。
来自迪拜医学大学的一个研究小组着手回答这个问题，他们通过观察过去几年医学院所发生的情况来进行研究。他们收集了八项发表于 2020 年至 2025 年之间的不同研究，所有这些研究都是在将这些新型 AI 工具与传统教学方法结合使用的情况下，对即将成为医生的高年级医学生进行测试。研究人员并没有亲自进行新的实验；相反，他们仔细阅读并对比了这些现有研究的结果，以寻找清晰的规律。他们的目标是观察计算机是否真的提高了学生正确诊断患者并对复杂病例进行推理的能力。
研究结果揭示了一个具有两个截然不同篇章的故事，这取决于学生正在执行的任务类型。当任务涉及观察图像时，例如骨折的 X 光片或心脏的超声波图像，AI 工具表现得非常出色。在这些特定的、答案通常较为明确且数据具有视觉性的情况下，使用计算机辅助的学生表现得与经验丰富的医生一样好。这些工具帮助他们识别骨折并测量心脏功能，其准确度达到了专家的水平。在这些结构化的、基于图像的任务中，这项技术起到了强大的助力作用，使学生能够比仅靠自己更快地达到高标准的表现。
然而，当学生从图片转向患者故事中那种混乱、非结构化的现实时，情况发生了变化。当任务要求从对话中收集信息、权衡模糊的症状，或根据复杂的病史决定需要进行哪些检查时，AI 工具并不总是奏效。在某些情况下，学生的表现并不比使用传统方法的人更好。在少数情况下，这项技术甚至拖慢了他们的进度。研究人员发现，当学生在没有进行批判性思考的情况下过度依赖计算机的建议时，他们有时会接受错误的答案，或者花费过多时间试图让计算机理解他们的笔记。这种现象——即一个人即使在机器出错时也过度信任机器——是一个真实的风险。研究表明，如果学生在自身的推理方面没有坚实的基础，这个工具就会变成一个拐杖，削弱他们的信心而非增强信心。
这项综述最重要的发现是，技术本身并不是神奇的解决方案；关键在于学生如何使用它。当这些工具被视为思考过程中的伙伴而非替代品时，效果最好。当学生被教导去质疑计算机的建议、去核查他们输入的数据，并利用该工具来激发自身的反思而非仅仅为了得到一个答案时，结果是积极的。他们变得更加自信，也更擅长处理不确定性。但当这些工具被被动地用于仅仅获取快速诊断时，其益处便消失了，有时学生的自我能力感也会受到损害。
这篇综述表明，人工智能是医学教育中极具价值的补充，但前提是必须谨慎整合。它不能取代学习如何像医生一样思考的艰苦过程。当技术帮助学生看到他们在图像中可能忽略的部分，或引导他们完成结构化的清单时，它的表现最为出色。然而，对于医学中复杂的人文层面，计算机无法代替他们进行思考。学生必须保持主导地位，利用工具来磨练自己的判断力，而不是绕过它。根据这些研究结果，未来医学培训的重点不在于在人类教师与智能机器之间做选择，而在于教导学生如何利用机器成为更优秀、更具思考能力的医生。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。