JAMA：AI時代，如何培養醫學生的臨床技能？

注：本文整理自JAMA于2026年5月7日發表的一項觀點文章，原文題目為“Promoting Clinical Expertise in the Age of AI：No Struggle, No Mastery”。

如今，醫務工作者使用人工智能（AI），主要是為了減輕行政工作負擔、協助處理一些簡單的臨床任務。然而，AI也越來越多地被用于查看和歸納數據、解讀檢查結果、做出診斷甚至制定治療方案。

隨著臨床醫生在更高級任務上依賴AI，一些擔憂也隨之浮現：一是因過度依賴AI而出現“去技能化”（即丟失已經掌握的本領）；二是因AI答案不準確而導致“誤習得”（即學到了錯誤的東西）。

然而，AI最大的風險，可能在于它對處在臨床培養期人群的影響：醫學生、住院醫師和專培醫師還沒有積累起資深醫生的那些專業本領。有人把這種情況稱為“從未習得”：無法建立臨床能力的認知根基，是因為在錘煉出能力精通的“認知掙扎”發生之前，AI就已經把答案給出來了。

臨床能力是如何形成的？

要理解上述風險，先要理解臨床能力是如何發展起來的。關于這個問題有多種理論，例如“精通型適應性學習理論”、“知識封裝與疾病腳本理論”，“雙系統理論”。這些理論側重點各異，但都有形成能力精通所需的幾項基本條件：

1. 圍繞真實問題的“費力投入”

培養精通，要求學習者親自完成認知層面的工作。設想一位住院醫師在反復推敲：一個肝硬化患者為什么會血小板偏低，從門靜脈高壓推到脾腫大，再推到脾臟對血細胞的滯留。正是這種費力的思維加工，重組了知識結構，建立起模式識別能力。知識要真正穩固下來，需要反復穿行于這種復雜的因果邏輯之中。

2. 隨時間積累的經驗

通往專業精通沒有捷徑，各個階段無法跳過。作為專家直覺基礎的“模式庫”，是在數千小時中形成的，需要先以分析的方式緩慢地處理數百個病例，這些模式才會逐漸變得自動化。每一個病例都會為學習者的“模式庫”添磚加瓦，促進他們識別出偏離常規模式的情況，精煉其疾病腳本，推動他們一點一點地走向直覺化。

3. 元認知意識的養成

專家并不只是知道得更多，他們還知道自己知道什么、不知道什么。他們能夠分辨：某種情形是在自己的能力范圍之內，亦或是需要放慢節奏、尋求幫助或收集更多信息。元認知意識，是在那些同樣能夠構建專業知識的反饋循環中逐漸形成的，在這個過程中，學習者建立起對自己在不同情境下可靠程度的準確判斷。

AI如何威脅這三項基本條件？

AI工具對上述每一項條件都構成了威脅。當AI生成鑒別診斷時，學習者得到了答案，卻跳過了那種能夠重組知識的“認知掙扎”。當AI給出治療建議時，學習者省去了從自己尚在發育的疾病腳本中費力提取信息的過程。

AI工具還可能打斷那種“假設到檢驗”的反饋循環（即反復試錯），學習者本應循環往復地經歷數百次，模式庫才得以形成，臨床推理才會變得自動化。此外，由于AI給出答案時往往帶著一種千篇一律、迎合討好式的自信，它可能會妨礙學習者元認知能力的發展，使他們無法校準自己對可靠程度的判斷，無法弄清楚哪些臨床表現可以自信地處理、哪些應當引起警惕。

但無論我們如何擔憂，AI都終將到來。深思熟慮地設計AI、并將其妥善融入臨床學習環境，就變得至關重要。

可供借鑒的設計與實施策略

AI作為“顧問”

為了保護那種“費力投入”，可以推行“先表達觀點、再對照”的流程：學習者先就鑒別診斷、擬定的檢查方案和治療計劃作出自己的判斷，然后才能看到AI的建議。就像實習生在開醫囑之前，要先向帶教的上級醫師匯報自己的評估與方案。這種做法有望創造出一種學習契機，可以由AI從旁引導：“你原本認為這是心臟問題，AI卻提示可能是肺部問題，我們把兩條推理路徑都梳理一遍”。

AI作為“教練”

AI本身也可以被設計成需要學習者主動參與，而不是單純地給出答案，比如AI向學習者發問：“你必須排除的最危險的診斷是什么？”從而讓AI從“答案提供者”轉變為“推理教練”。同樣地，AI還可以通過要求學習者闡述各項檢查結果與診斷之間的關聯、或診斷背后的病理生理學依據，來支持學習。

舉例來說，一位醫學生或許能認出一位因頻繁嘔吐或使用利尿劑而出現“代謝性堿中毒”的患者，卻未必完全理解其中的腎臟生理機制，這時AI便可以提供幫助。AI很可能還會帶來一些過去根本無法實現的全新教學與學習方式，例如AI引導情景模擬，對疑難談話的演練，以及針對具體患者、量身定制的知識掌握度評估。

設立“無AI區”

某些學習場景（例如晨間病例匯報，病例討論會、床旁查房等）可以被劃為“無AI區”，要求學習者憑借自己的知識進行推理。這樣既能讓學習者獲得不依賴AI進行推理的常規訓練，也能讓老師們有機會評估醫學生們獨立勝任能力的情況。

分階段開放AI權限

為確保學習者有足夠的自主思考，還可以采取另一些做法，比如設定不使用AI的工作量和能力要求。培訓項目可以規定，在能力得到確認之前，必須有最低數量的病例是在不借助AI的情況下獨立完成的。正如掌握某項技術操作需要一定的操作例數，要在認知層面達到勝任，我們或許也應當要求完成一定的“推理例數”。

又或者，可以按培訓階段分步開放AI權限：早期醫學生的AI使用受到限制，隨著基礎能力得到展示而逐步放開。不過這種做法存在風險，可能恰恰剝奪了那些最需要AI幫助的學習者所能獲得的協助。相比之下，“先表達觀點、再對照”的流程，也許能在促進能力發展與保障安全高質量診療之間取得更好的平衡。

用AI支持元認知

為了保護那些處于“精通型適應性學習理論”核心位置的反饋循環，可以設計一些工具，在學習者咨詢AI之前先記錄下他們的評估與方案，從而能夠長期追蹤其推理的準確性，并把結果反饋給學員。如果這些工具還能提示學員估計自己對各項決策的信心程度，那么學員的元認知意識（即其信心與評估準確性之間的相關程度）也可以被追蹤下來，用以幫助他們更清楚地認識自身知識的邊界，懂得何時該尋求幫助。

AI相關的醫學教育

從醫學教育課程的角度看，醫學生需要了解每一種AI工具的優勢、不足與陷阱，這意味著要理解AI系統是如何運作的，它們的訓練數據里包含哪些類型的病例、AI容易犯哪些類型的錯誤，以及在面對AI給出的那些看似自信的答案時，何時應當暫緩下判斷。

帶教老師同樣需要理解這些問題，并學會在AI增強的環境中指導醫學生。這可能包括：探查出醫學生究竟是真正理解了自己所匯報的內容，還是僅僅在復述AI的輸出；在教學場景中樹立“不依賴AI進行推理”的明確預期；并在合理使用AI的同時，示范出對AI應有的審慎與質疑。無論是帶教者還是醫學生，都還需要清楚地知道，在哪些類型的醫學教育中這些工具最能發揮所長（例如個性化反饋、基于模擬的學習等）。

結語

以上這些建議是從理論出發推演而來，而非由證據所確立。我們亟需開展研究，以判定在AI增強的學習環境中，哪些干預措施能夠促進能力精通的形成。AI能夠加速學習，但前提是它被設計成激發思考、而非取代思考，是充當教練、而非拐杖。

一個正在興起的概念“精準教育”，即讓AI針對每一位學習者各自的知識缺口和所處的發展階段進行校準，為這些工具提供了一個頗具吸引力的范式：讓它們在支持持續能力評估的同時，去深化、而非取代那種錘煉出能力精通的“認知掙扎”。擺在我們所有人面前的任務，就是要有意識地設計AI創新，把這個工具真正用好。

原文補充說明：在2026年1月4日至3月5日期間，作者使用Claude Sonnet 4.6（Anthropic公司）作為手稿撰寫過程中的編輯助手，涉及寫作、修改和文獻檢索。作者Ron Keren對所生成內容的完整性負責。

原文整理自：JAMA. 2026;335;(21):1837-1838. doi:10.1001/jama.2026.6097