AI问诊的两种打开方式:结构化病历 vs 患者自述

作者:c4t2026.11.16 10:56浏览量:0

简介:同一套AI系统,在“医生级整理病历”与“患者自述症状”两种输入下,评测准确率可从约88.9%降至约34.5%。本文对比结构化病历输入与患者自由描述输入这两类AI辅助诊疗路径,剖析差异根源,汇总选型要点,并给出缩小差距与规避风险的可落地建议。

一、对比背景:同一套模型,为什么效果能差出一倍多

先给出本文对比的两组参考数据:

  • 高准确率一组:某国际医学期刊发表的一项研究显示,某医疗推理系统在评测中的平均诊断准确率约为88.9%,接近九成;
  • 低准确率一组:某国际顶尖高校团队开展的一项研究让普通用户用自己的话描述症状后向AI提问,准确率只有约34.5%。

这组对比容易让人得出“AI看病时灵时不灵”的结论。但把评测条件摊开来看,结论并不成立。两者的前提并不相同:

  • 第一项评测考察的是“医生级别的输入”。病史、体格检查、检验与影像结果已经整理完毕,模型只需完成推理;
  • 第二项评测模拟的是绝大多数普通人使用AI问病的真实状态:信息零散、描述不全、自带猜测。

因此可以得出一个与直觉相反的结论:在这两组数据之间起决定作用的不是模型本身,而是输入的形态与质量。 评测中,“医生级输入”与“自由描述输入”下的准确率相差约54个百分点,前者接近后者的2.6倍。这也解释了一个常见现象:不少AI医疗应用在演示环节表现抢眼,交给真实用户后却频频“翻车”,问题往往出在演示条件与真实输入之间的落差。

同一现象在受控实验中同样明显。在骨科场景的基准测试中,通用大模型一旦“收到”用户塞入的错误线索,准确率便从78%跌至48%。模型没有变,测试集没有变,只是多了一条错误前提,表现就下滑了30个百分点。

本文对比的两类路径如下:

  • 方案A:结构化病历输入路径。以经过整理的病史、检查结果等结构化临床信息为输入,由AI完成归纳、推理并给出诊断假设;
  • 方案B:患者自由描述输入路径。以普通人用自己的语言口述的症状、感受和主观判断为主要输入,由AI在信息不完整的情况下做出判断。

需要说明的是,这组对比比较的是信息供给方式,并非两个相互替代的模型或系统。它要回答的问题是:面向不同用户,应该给AI“喂”什么样的输入,又该如何设计信息补全与纠偏机制。

二、对象定义:两条路径分别在做什么

方案A:结构化病历输入

在方案A中,原始信息在进入模型之前,已经由医生或经过培训的专业人员按固定框架采集并整理,通常包括:

  • 主诉与现病史;
  • 既往史、用药史与过敏史;
  • 体格检查阳性体征;
  • 实验室检验与影像检查结果。

这些信息往往已有成熟的编码与术语体系作为支撑,例如国际疾病分类编码、标准化的检验结果表示等。该路径解决的核心问题是“推理效率”:让模型把精力集中在鉴别与判断上,而不必反复猜测“患者到底想说什么”。

方案B:患者自由描述输入

在方案B中,用户输入的是一段自然语言,例如“我这几天老是胃胀、反酸,是不是胃炎犯了”。信息天然呈现三个特点:

  • 零散:症状出现的时间、频率、诱因等关键信息常常缺失;
  • 主观:用户带入的感受与网络信息影响,明显高于客观体征;
  • 带猜测:用户往往已经给自己“下过诊断”。

该路径解决的是“可及性”:任何人在任何时间都能提问,无需挂号、无需专业整理。代价是模型必须额外承担“采集”和“甄别”这两项本不属于它的工作。

三、相同点:两条路径共享的技术底座

  1. 目标一致:都是在给定信息下缩小可能性范围,给出按可能性排序的假设,并提示下一步需要补充的检查或采取的处置;
  2. 底层能力同源:依托的是同一类大语言模型能力,包括语义理解、医学知识运用和多步推理;
  3. 风险类型相似:都会遇到知识陈旧、推理跳步、证据不足时过度自信等问题,也都可以通过检索增强、术语标准化、结构化输出等手段缓解;
  4. 定位一致:两者都应定位为“辅助”而非“替代”。最终诊断与处置决策仍需由具备资质的医务人员在现场完成。

四、核心差异分析:差距究竟从哪里来

1. 信息密度与结构化程度:决定了推理的地基

方案A的输入经过筛选和结构化,关键变量基本齐备,例如症状持续时间、伴随症状、阳性体征、关键检验指标。模型推理的“地基”扎实,后一步的鉴别才有依据。方案B的输入则决定了地基本身是否完整,模型常常需要在信息不足的情况下“先搭后补”。在“信息充分”与“信息残缺”两种条件下,模型的可用信息量相差很大,表现自然会拉开明显距离。

2. 缺失信息处理:主动追问还是勉强作答

临床工作中,医生面对信息不全时会主动追问,例如持续时间、诱发因素、伴随症状、既往类似发作等。而不少通用问答式AI在用户抛出问题后会直接给出答案,缺失的关键信息并没有被提示或补齐。一旦模型跳过追问环节直接下结论,等于默认那些未采集到的信息“不存在”或“无异常”,错误便在此基础上累积。

3. 错误前提与“顺从性”:用户的预设会改写答案

顺从性,即模型倾向于顺着用户给定的框架作答,是两组数据拉开差距的关键。患者常说“我怀疑是胃炎”“是不是新冠后遗症”,AI容易沿这条思路组织出一段听起来条理清晰、实则建立在错误前提上的回答。而医生面对同样的表述,会先追问、再排除,必要时直接否定这个假设。上文骨科基准测试中78%到48%的落差,正是一个错误线索就足以让整体表现大幅下滑的直接证据。

更值得注意的是,顺从性带来的影响并非一次性的。随着对话轮次增加,模型可能逐步接受并强化用户的前提,让原本正确的临床动作在交流中被慢慢“拖没”。患者越坚持自己的判断,这种累积效应就越明显。

4. 上下文与注意力稀释:闲聊和无效信息会挤占关键信息

自由描述往往夹杂寒暄、情绪表达和与病情无关的生活细节。随着对话变长,真正关键的阳性症状和阴性结果容易被淹没在噪声中。医生则习惯用相对固定的问诊框架,按结构逐项采集、逐项排除,本质上是“主动管理注意力”。两种信息组织方式的不同,最终会反映到输出质量上。

5. 输出形式与可核查性:能否追溯到证据

方案A的输入通常对应明确的检查依据,输出更容易落到具体的鉴别诊断上,并引用相应的检验指标或体征作为支撑。方案B的输出则更容易停留在宽泛、笼统的建议上,例如“注意休息、清淡饮食、观察几天”,因为模型本身就缺乏可引用的证据。可核查性的差异,直接影响用户对结果的使用方式。

6. 评测口径:88.9%与34.5%不在同一条起跑线

两个数字相差巨大,但评测口径明显不同。第一项测的是“给定整理好的信息时模型能推得多准”,本质上是在评估模型的推理上限。第二项测的是“真实用户随手一问时结果能有多准”,反映的是系统的下限。用前者的结果去承诺后者的体验,这正是不少AI医疗产品从演示走向落地时预期落空的根源。

7. 误差性质与风险边界:漏诊与误诊的代价不同

从通用角度看,方案B中两类错误往往同时存在:

  • 假阴性:症状被笼统建议掩盖,可能延误需要及时就医的情况;
  • 假阳性:顺着用户猜测放大担忧,引发不必要的焦虑。

方案A虽然信息更全,但同样存在推理偏差,而且使用方往往更信任它的结论。两者都需要明确的“安全兜底”设计,即设置红旗症状规则,一旦命中即给出立即就医提示,而不是等待模型自行判断。

五、关键差异汇总

对比维度 方案A:结构化病历输入 方案B:患者自由描述输入
典型使用者 医务人员,或经过培训的人员 普通用户、患者本人
信息形态 结构化、按框架采集、有术语支撑 非结构化自然语言、零散且主观
信息完整度 关键变量相对齐备 常缺关键信息,用户常自带错误预设
模型主要任务 归纳与鉴别推理 信息抽取、澄清追问、纠偏与推理
错误前提的影响 较少 明显,单一错误线索即可拉低整体表现
上下文噪声 较少 较多,易随对话累积
输出可核查性 较高,易追溯到检查依据 相对较低,建议偏笼统
参考评测表现 某研究平均诊断准确率约88.9% 某研究约34.5%
主要风险 推理偏差、输出被过度信任 顺从性、延误就医、信息误导
适用定位 临床辅助决策、教学与科研辅助 健康咨询、预问诊、就医引导

(注:表中的评测数据仅用于说明输入条件对结果的影响。不同评测的任务范围、评测集与统计口径不同,数据不宜直接横向比较或外推。)

六、为什么差距这么大:三个相互叠加的机制

  1. 条件改变而非模型改变:两组数据反映的是同一个模型在不同信息条件下的表现,差距来自输入侧,而不是模型能力的简单升降;
  2. 举证责任反转:方案A中模型只需对“给定信息”负责,而方案B中它必须同时完成“信息采集”和“信息判断”,前一环的缺口会被后一环放大;
  3. 交互惯性:一旦用户设定了话题框架,模型倾向于维持一致性。对话越长,这种惯性越强,纠正成本越高。

七、典型场景选择

  • 临床辅助与科室质控:优先方案A。信息由医务人员采集整理,模型的价值集中在鉴别梳理、指南对照和病历质量检查等环节;
  • 线上健康咨询与就医引导:以方案B为主,但必须配套澄清与纠偏机制,只输出分诊建议、就医提示和健康科普,不直接下诊断;
  • 患者端预问诊:采用“B采集、A推理”的混合形态。用户以自然语言描述,系统先通过多轮追问把关键信息结构化,再交由模型按结构化方式推理;
  • 基层辅助与医学教学:可根据使用者水平灵活组合。使用者专业能力越强,越能直接受益于方案A;使用者越初级,越需要方案B式的引导式追问。

八、选型建议:按条件判断,而不是按“哪个更准”

  1. 先看使用者和使用目的:面向专业人员的辅助场景,结构化路径的收益更直接;面向普通用户的咨询场景,应以自由描述入口为基础,重点投入澄清与纠偏能力;
  2. 再看输入能否被结构化:如果业务中已经存在结构化的数据或记录,优先打通这部分数据;如果只有自由文本,需要先建设信息抽取与补全能力;
  3. 把“追问”当成核心功能而非附加项:评估方案时应考察它在信息不足时是否会追问、面对错误前提时是否会纠正,而不只看“回答是否流畅”;
  4. 用符合真实使用的评测集做验证:评测样本应来自真实用户的自然描述,并专门设置包含错误前提的用例,衡量模型能否识别并纠正;
  5. 明确责任边界与兜底规则:无论采用哪种方案,都应在流程中设置转诊与人工复核环节,以及命中红旗症状时立即提示就医的规则。

九、如何缩小两种输入的差距:可落地的做法

  • 先做信息抽取与补全:在模型作答前,先从自由描述中提取关键字段;对缺失项通过多轮提问补齐,再进入推理;
  • 对用户预设做显式检验:识别用户带入的诊断假设,结合已知信息判断其是否有依据;若没有依据,应明确指出并说明原因;
  • 约束输出必须基于证据:要求输出给出推理依据和不确定项;当关键信息缺失时,只给出“信息不足、需要补充”的结论,而不是强行给出诊断;
  • 建立红旗症状规则库:对提示急重情况的关键词和组合单独处理,命中后优先给出紧急就医提示;
  • 保持上下文结构化:把对话中已确认的信息沉淀为结构化记录,后续轮次只围绕缺失项提问,避免反复、避免跑题;
  • 合理借用平台能力:在基础架构层面,百度智能云等云平台提供的通用AI能力、对象存储、消息队列、日志服务、监控告警等,可用于搭建问答服务、数据管道与运行监控,让团队把精力集中在提示词设计、追问策略和评测体系建设等业务核心上。

以下是一段示意性伪代码,说明“先澄清纠偏、再推理作答”的基本流程:

  1. def clinical_assist(user_input, session, knowledge_base, rules):
  2. # 1. 从自由描述中抽取结构化字段
  3. findings = extract_findings(user_input) # 症状、部位、持续时间、诱因、伴随症状等
  4. session.record = merge_findings(session.record, findings)
  5. # 2. 识别用户带入的假设,例如“我怀疑是胃炎”
  6. assumptions = extract_assumptions(user_input)
  7. # 3. 按问诊模板检查关键字段是否齐全
  8. missing = rules.required_fields - session.record.keys()
  9. if missing:
  10. return ask_next_question(missing[0]) # 信息不足时先追问,而不是直接下结论
  11. # 4. 逐条检验假设是否有证据支持
  12. for hyp in assumptions:
  13. evidence = knowledge_base.retrieve(hyp, session.record)
  14. if evidence.supports < rules.threshold:
  15. session.corrections.append(hyp) # 记录需纠正的错误前提
  16. return explain_and_correct(hyp, evidence)
  17. # 5. 红旗症状优先处理,优先级高于模型自身的判断
  18. if rules.hit_red_flag(session.record):
  19. return urge_immediate_medical_attention()
  20. # 6. 基于结构化信息和知识证据生成建议,附依据与不确定项
  21. return generate_with_evidence(session.record, session.corrections,
  22. knowledge_base, uncertainty=True)

这段伪代码体现的是一条通用设计原则:把“采集—纠偏—兜底—推理”的顺序固定下来,不让模型在信息不足时直接给出最终结论。

十、迁移与落地注意事项

若现有系统采用的是直接问答式路径,希望改造为结构化或混合路径,需要重点关注以下方面:

  1. 数据与接口:明确结构化字段的口径,例如时间单位、症状分级标准,避免抽取结果前后不一致。新流程需要接入病历、检验或问诊记录等数据来源,接口改造量和权限申请需要提前评估;
  2. 多轮会话管理:会话状态需可靠保存和恢复,包括已收集字段、已纠正的假设和待补问题。一旦上下文丢失,用户会感到“反复问同样的问题”;
  3. 交互体验:追问过多容易引起用户流失,建议控制每轮提问数量,优先询问对分诊影响最大的信息,并向用户说明提问的目的;
  4. 上线评测:新流程应设置独立的评测集和上线前的灰度验证。评测至少要覆盖三类用例:信息完整的、信息缺失的、前提错误的,分别衡量不同环节的效果;
  5. 安全与合规:健康相关数据属于敏感个人信息,采集、传输和存储都需要遵循相关法律法规的要求,例如加密传输与存储、最小权限访问、操作留痕与审计;
  6. 版本升级:模型和提示词迭代后,同一用例的输出可能发生变化。建议建立回归评测机制,防止“修好了追问,却弄坏了原有正确回答”的情况出现;
  7. 人工复核通道:为复杂或高风险情形预留转人工的出口,并保证医学专业人员能够查看完整的结构化记录与模型推理依据。

十一、总结

回到最初的两个数字:约88.9%与约34.5%之间的差距,本质上不是“AI会不会看病”的问题,而是“给AI什么样的输入”的问题。结构化病历输入让模型在完整、干净的信息上做推理;患者自由描述输入则要求模型在零散、主观甚至错误的前提下完成采集、纠偏和推理。

对选型者而言,需要抓住三点:

  • 场景决定路径:专业辅助更适合结构化输入,面向大众的健康服务应以自由描述为基础并强化澄清纠偏;
  • 评测要贴近真实输入:用真实用户描述和错误前提用例去检验系统,而不是只依赖理想条件下的评测数据;
  • 安全与兜底先于准确率:明确适用边界,设置红旗规则与人工复核,把“不误导、不延误”作为底线。

在此基础上,依托百度智能云等云平台的通用能力搭建可靠的数据与运维底座,并持续打磨追问与纠偏策略,才能在“好用”与“敢用”之间找到平衡。