【患者安全】21世紀醫學的批判性思維--超越疾病腳本

AI IN MEDICINE

Critical Thinking for 21st-Century Medicine

- Moving Beyond Illness Scripts

編譯自：Richard M. Schwartzstein, MD; Alexander A. Iyer, ScB，JAMA September 25, 2025 圖片來自網絡

診斷錯誤每年影響數百萬美國居民，也是醫療差錯相關死亡及永久性殘疾的首要原因。盡管大多數錯誤涉及多個失誤環節，但認知因素幾乎始終是重要誘因。大多數診斷錯誤源于醫生未考慮到的常見疾病，而非醫生記不起的罕見疾病；這些錯誤屬于思維失誤，而非知識匱乏。

數十年來，教育工作者始終致力于通過提升學習者的臨床推理能力來減少醫療差錯。其中，疾病腳本（ Illness Script）的教學一直是核心舉措。所謂疾病腳本，是臨床醫生對疾病知識的結構化心理概覽，涵蓋風險因素、病理生理學機制及臨床結局等關鍵要素。它如同“心理閃存卡（mental flash card）”，能幫助醫生快速調取知識并應用于患者診斷。疾病腳本依賴模式識別，被認為體現了專家的思維過程，為指導學習者構建鑒別診斷提供了高效框架。然而，疾病腳本是否真能幫助臨床專家優化思維方式，從而減少診斷錯誤、改善患者預后？是否存在更優的臨床推理模型？

在本文中，我們對傳統臨床推理教學方法提出質疑 ——這類方法過度聚焦于疾病腳本與模式識別。我們認為，盡管人類天生具備模式識別能力，但這種能力易受認知偏差影響，進而導致診斷失誤。教育者不應再單純強調疾病腳本，而應通過培養學習者的批判性思維（即基于人體病理生理學基礎原理進行推理）來提升其診斷水平。隨著生成式人工智能（AI）逐漸成為醫學實踐的核心，超越模式識別的重要性將愈發迫切。

一、疾病腳本：高效但存在風險

在傳統臨床推理教學中，第一步便是指導受訓者根據患者的臨床表現與實驗室數據生成鑒別診斷。受訓者會依據“各診斷對應的疾病腳本與患者表現的匹配度”對診斷進行優先級排序。通過刻意練習，受訓者會積累大量疾病腳本，并在面對新患者時快速篩選調用。

這種臨床推理方法依賴于專為模式識別優化的認知過程（即系統 1思維）， 因此在患者表現與醫生的疾病腳本完全匹配時，能實現快速診斷，極具實用性。但問題在于，這種以模式為導向的快速思維易受明確的認知偏差干擾。當患者表現不符合典型疾病腳本，或后續出現矛盾信息時，這些認知偏差會破壞臨床推理的準確性，最終導致診斷錯誤。

認知偏差的典型案例包括：

• 過早下結論（Premature Closure）：傾向于過早鎖定診斷結果，不再考慮其他可能性。例如，盡管經驗豐富的臨床醫生在診斷準確性上通常優于受訓者，但當病例中途出現矛盾信息時，兩組的判斷能力會趨于一致——這表明醫生一旦形成初步印象，便難以修正。
  

• 錨定效應（Anchoring Bias）：在診療初期過度依賴病例的某一特征。例如，一項針對10萬余名有心力衰竭病史、因呼吸困難就診于急診科患者的研究顯示，分診記錄中僅提及“心力衰竭”，就會導致肺栓塞的診斷延遲或漏診。

基于疾病腳本的臨床推理方法，本質上是在培養常規專家（ Routine Experts）。這類專家擁有龐大的疾病腳本庫，在評估患者時可隨時調取，因此在多數臨床場景中高效且可靠。但面對新問題時，常規專家會傾向于將問題“套入”自己熟悉的解決方案，而非靈活構建更貼合問題本質的新方案。這意味著，即便患者表現與疾病腳本不完全匹配，常規專家仍會默認采用模式導向的思維，從而增加診斷錯誤風險。

二、超越疾病腳本：培養適應性專業能力

與常規專家不同，自適應專家（Adaptive Experts）會將不熟悉的問題視為探索新方案（甚至更優方案）的機會。自適應專業能力依賴于更適合探索與分析的認知過程（即系統2思維）——這種思維以犧牲速度為代價，換取了更高的靈活性與準確性。

教育者可通過以下方式培養自適應專業能力：減少對模式識別的關注，更多地引導學習者從人體生物學與病理生理學基礎原理出發，開展批判性思維。具體而言，不應讓受訓者直接從患者臨床表現跳躍到鑒別診斷，而應推動他們構建“可驗證的中間假設”，用病理生理學機制解釋患者的臨床表現。

例如，在評估 “外周水腫伴呼吸困難”的患者時，應教導受訓者避免直接跳轉到符合疾病腳本的診斷（如心力衰竭）。相反，受訓者需先分析水腫的病理生理學成因（如毛細血管靜水壓升高、毛細血管膠體滲透壓降低、淋巴引流減少、毛細血管通透性增加），再基于患者具體情況提出“哪些成因最相關”的中間假設，最后通過收集數據（如頸靜脈壓、血清白蛋白水平）驗證這些假設。

在將中間假設與初步診斷關聯前，需經過反復推敲與分析——這一過程能避免將患者表現強行“套入”疾病腳本，同時減少相關認知偏差（見圖）。

三、21世紀醫學的臨床推理：平衡與未來

最佳的臨床推理需在“疾病腳本”與“病理生理學推理”之間實現合理平衡。我們認為，醫學教育歷來過度強調前者（即便無需明確教學，學習者也會自然傾向于模式識別），而對后者重視不足。 隨著生成式AI（尤其是大型語言模型）在臨床評估與診斷中發揮更大作用，這種失衡的風險將愈發顯著。

AI 在模式識別方面極具優勢。隨著大型語言模型及訓練數據的持續優化，AI在處理“符合典型疾病腳本的常規病例”時，診斷能力很可能超越人類醫生。因此，人類醫生需培養機器難以復制的互補技能，例如：靈活推理能力、創造性解決問題的能力，以及在“新知識或罕見表現”相關病例中應對不確定性的能力。

從本質上看，醫學屬于 “棘手環境（Wicked Environment）”——其特征是復雜性高、規則不完整、反饋延遲或不準確。這類環境難以被AI完全適配，這意味著臨床推理教學應優先培養“靈活性與細微判斷力”，而非“自動化的模式匹配能力”。

如今，醫生比以往任何時候都更需要以扎實的批判性思維作為執業基礎。在21世紀，醫學教育不應止步于“教學生思考什么”，而應聚焦于“當模式不匹配時如何思考（或當模式看似匹配時如何驗證）”。通過質疑對疾病腳本的過度依賴、強調病理生理學推理、培養自適應專業能力，我們才能為未來的醫生及其患者做好準備，從容應對醫學領域的未知挑戰。

【原文】

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