2026 年 4 月 30 日，《Science》刊出一項由哈佛醫學院與 Beth Israel Deaconess 醫學中心團隊主持的研究：在急診室的診斷任務上，OpenAI 的 o1 推理模型表現勝過兩位主治醫師。TechCrunch 在 5 月 3 日的報導讓它進入大眾視野。這不是跑分式宣傳：研究用的是真實急診患者的電子病歷，評分者也不知道每個診斷來自人還是模型。對正在評估醫療 AI 落地路徑的團隊，數字值得細讀，限制同樣關鍵。
研究怎麼做
研究由哈佛醫學院 Arjun Manrai（主持一個 AI 實驗室）與 Beth Israel 醫師 Adam Rodman 領銜。團隊找了 76 名到院急診患者，讓 o1、GPT-4o 與兩位內科主治醫師在相同時間點、依據相同的電子病歷資訊給出診斷，再由另外兩位不知道診斷來源的主治醫師盲測評分。資料沒有預先處理，模型看到的就是臨床當下能取得的紀錄。作者宣稱，大型語言模型「已經超越了大多數臨床推理的基準」。
數字背後
在資訊最稀缺的檢傷分類階段，o1 有 67% 的案件給出精確或接近精確的診斷，兩位醫師分別是 55% 與 50%。隨著臨床細節累積，o1 的準確率升到 82%，醫師落在 70% 到 79%——但這個差距不具統計顯著性。真正拉開差距的是治療計畫子研究：在 5 個案例、46 位醫師的對照中，AI 拿到 89%，只能使用常規資源（包括搜尋引擎）的醫師只有 34%。其中一個案例裡，o1 正確把肺栓塞患者惡化的症狀，連結到人類醫師忽略的紅斑性狼瘡病史。
為什麼差距在檢傷階段最大
檢傷是急診資訊最少的時刻：患者剛到院、檢驗結果還沒回來、時間壓力最大。模型在這裡反而相對佔優，原因在於它可以同時權重整份病歷裡的每一條線索，不會因為疲勞或認知偏誤漏掉罕見但關鍵的病史。Rodman 向《衛報》表示，大型語言模型是「數十年來最有影響力的技術之一」，並預期未來會出現「三方照護模式：醫師、病人與人工智慧系統」。Manrai 則說得保守：「我不認為我們的發現代表 AI 取代醫師」，而是「將重塑醫學的重大技術變革」。
批評與限制
急診醫師 Panthagani 的批評最直接：這是「一項有趣、卻帶來大量炒作標題的 AI 研究」。對照組是內科主治醫師，而非急診專科醫師——她指出急診醫師的第一目標不是猜中最終診斷，而是快速排除會致命的病因，兩者的工作定義不同。技術上，模型只吃文字資料，無法評估患者的外觀、痛苦程度與生命徵象以外的臨場線索，作者自己把它比擬為「來自紙本的第二意見」。論文也明說，結論不足以直接用於真實急診決策，需要前瞻性實地試驗。Rodman 另外點出：目前對 AI 診斷「沒有正式的問責框架」，而生死交關的決定，病人仍然希望有人類參與。
對臨床與產品團隊的意義
採用的背景比研究本身更值得注意：美國近五分之一的醫師已經用 AI 輔助診斷，英國有 16% 的醫師每天使用、15% 每週使用。「文件密集、資訊碎片化」的臨床推理，已是消費級模型能自然切入的位置。對產品團隊有三個啟示：第一，檢傷與鑑別診斷是模型最能創造價值的早期接觸點，因為輸入幾乎全是文字；第二，盲測評分與「精確或接近精確」的分級方法，是可以搬進自家評估流程的務實設計；第三，問責與專科匹配是落地前必答的問題——內科醫師當對照組的爭議，就是下版研究設計的教科書案例。AI 已好到值得正式臨床測試，正是論文的核心主張。
參考來源
- In Harvard study, AI offered more accurate diagnoses than emergency room doctors — TechCrunch
- AI outperforms doctors in Harvard trial of emergency triage diagnoses — The Guardian
- Study paper — Science
本文由 AI 協助自上述來源整理，經人工審核後發布。