【患者安全】21世纪医学的批判性思维--超越疾病脚本

AI IN MEDICINE

Critical Thinking for 21st-Century Medicine

- Moving Beyond Illness Scripts

编译自：Richard M. Schwartzstein, MD; Alexander A. Iyer, ScB，JAMA September 25, 2025 图片来自网络

诊断错误每年影响数百万美国居民，也是医疗差错相关死亡及永久性残疾的首要原因。尽管大多数错误涉及多个失误环节，但认知因素几乎始终是重要诱因。大多数诊断错误源于医生未考虑到的常见疾病，而非医生记不起的罕见疾病；这些错误属于思维失误，而非知识匮乏。

数十年来，教育工作者始终致力于通过提升学习者的临床推理能力来减少医疗差错。其中，疾病脚本（ Illness Script）的教学一直是核心举措。所谓疾病脚本，是临床医生对疾病知识的结构化心理概览，涵盖风险因素、病理生理学机制及临床结局等关键要素。它如同“心理闪存卡（mental flash card）”，能帮助医生快速调取知识并应用于患者诊断。疾病脚本依赖模式识别，被认为体现了专家的思维过程，为指导学习者构建鉴别诊断提供了高效框架。然而，疾病脚本是否真能帮助临床专家优化思维方式，从而减少诊断错误、改善患者预后？是否存在更优的临床推理模型？

在本文中，我们对传统临床推理教学方法提出质疑 ——这类方法过度聚焦于疾病脚本与模式识别。我们认为，尽管人类天生具备模式识别能力，但这种能力易受认知偏差影响，进而导致诊断失误。教育者不应再单纯强调疾病脚本，而应通过培养学习者的批判性思维（即基于人体病理生理学基础原理进行推理）来提升其诊断水平。随着生成式人工智能（AI）逐渐成为医学实践的核心，超越模式识别的重要性将愈发迫切。

一、疾病脚本：高效但存在风险

在传统临床推理教学中，第一步便是指导受训者根据患者的临床表现与实验室数据生成鉴别诊断。受训者会依据“各诊断对应的疾病脚本与患者表现的匹配度”对诊断进行优先级排序。通过刻意练习，受训者会积累大量疾病脚本，并在面对新患者时快速筛选调用。

这种临床推理方法依赖于专为模式识别优化的认知过程（即系统 1思维）， 因此在患者表现与医生的疾病脚本完全匹配时，能实现快速诊断，极具实用性。但问题在于，这种以模式为导向的快速思维易受明确的认知偏差干扰。当患者表现不符合典型疾病脚本，或后续出现矛盾信息时，这些认知偏差会破坏临床推理的准确性，最终导致诊断错误。

认知偏差的典型案例包括：

• 过早下结论（Premature Closure）：倾向于过早锁定诊断结果，不再考虑其他可能性。例如，尽管经验丰富的临床医生在诊断准确性上通常优于受训者，但当病例中途出现矛盾信息时，两组的判断能力会趋于一致——这表明医生一旦形成初步印象，便难以修正。
  

• 锚定效应（Anchoring Bias）：在诊疗初期过度依赖病例的某一特征。例如，一项针对10万余名有心力衰竭病史、因呼吸困难就诊于急诊科患者的研究显示，分诊记录中仅提及“心力衰竭”，就会导致肺栓塞的诊断延迟或漏诊。

基于疾病脚本的临床推理方法，本质上是在培养常规专家（ Routine Experts）。这类专家拥有庞大的疾病脚本库，在评估患者时可随时调取，因此在多数临床场景中高效且可靠。但面对新问题时，常规专家会倾向于将问题“套入”自己熟悉的解决方案，而非灵活构建更贴合问题本质的新方案。这意味着，即便患者表现与疾病脚本不完全匹配，常规专家仍会默认采用模式导向的思维，从而增加诊断错误风险。

二、超越疾病脚本：培养适应性专业能力

与常规专家不同，自适应专家（Adaptive Experts）会将不熟悉的问题视为探索新方案（甚至更优方案）的机会。自适应专业能力依赖于更适合探索与分析的认知过程（即系统2思维）——这种思维以牺牲速度为代价，换取了更高的灵活性与准确性。

教育者可通过以下方式培养自适应专业能力：减少对模式识别的关注，更多地引导学习者从人体生物学与病理生理学基础原理出发，开展批判性思维。具体而言，不应让受训者直接从患者临床表现跳跃到鉴别诊断，而应推动他们构建“可验证的中间假设”，用病理生理学机制解释患者的临床表现。

例如，在评估 “外周水肿伴呼吸困难”的患者时，应教导受训者避免直接跳转到符合疾病脚本的诊断（如心力衰竭）。相反，受训者需先分析水肿的病理生理学成因（如毛细血管静水压升高、毛细血管胶体渗透压降低、淋巴引流减少、毛细血管通透性增加），再基于患者具体情况提出“哪些成因最相关”的中间假设，最后通过收集数据（如颈静脉压、血清白蛋白水平）验证这些假设。

在将中间假设与初步诊断关联前，需经过反复推敲与分析——这一过程能避免将患者表现强行“套入”疾病脚本，同时减少相关认知偏差（见图）。

三、21世纪医学的临床推理：平衡与未来

最佳的临床推理需在“疾病脚本”与“病理生理学推理”之间实现合理平衡。我们认为，医学教育历来过度强调前者（即便无需明确教学，学习者也会自然倾向于模式识别），而对后者重视不足。 随着生成式AI（尤其是大型语言模型）在临床评估与诊断中发挥更大作用，这种失衡的风险将愈发显著。

AI 在模式识别方面极具优势。随着大型语言模型及训练数据的持续优化，AI在处理“符合典型疾病脚本的常规病例”时，诊断能力很可能超越人类医生。因此，人类医生需培养机器难以复制的互补技能，例如：灵活推理能力、创造性解决问题的能力，以及在“新知识或罕见表现”相关病例中应对不确定性的能力。

从本质上看，医学属于 “棘手环境（Wicked Environment）”——其特征是复杂性高、规则不完整、反馈延迟或不准确。这类环境难以被AI完全适配，这意味着临床推理教学应优先培养“灵活性与细微判断力”，而非“自动化的模式匹配能力”。

如今，医生比以往任何时候都更需要以扎实的批判性思维作为执业基础。在21世纪，医学教育不应止步于“教学生思考什么”，而应聚焦于“当模式不匹配时如何思考（或当模式看似匹配时如何验证）”。通过质疑对疾病脚本的过度依赖、强调病理生理学推理、培养自适应专业能力，我们才能为未来的医生及其患者做好准备，从容应对医学领域的未知挑战。

【原文】

https://jamanetwork.com/journals/jama/article-abstract/2839306