2022年11月之后美国医生的未来

《Emergency Medicine News》：The Future of US Physicians After November 2022

　　科学方法重塑医学教育，循证医学推动标准化决策，但利益冲突与电子健康记录导致临床判断弱化。大型语言模型（如ChatGPT）可基于年龄、性别和主诉快速计算预检概率，优化诊断流程，避免过度医疗。需回归统计学与临床思维的结合，践行以患者为中心的伦理医疗。

　　

1910年，随着《弗莱克斯纳报告》（Flexner Report）和约翰霍普金斯大学（Johns Hopkins University）的医学教育模式的推出，以往基于个人经验的诊疗方式被科学方法重新定义。这种科学方法逐渐演变为专家医生们的共识，并被收录在教科书中。直到20世纪80至2000年，基于证据的医学（evidence-based medicine, EBM）运动兴起，它将统计推理和临床实践指南作为美国医学行业的标志（同时伴随着质量改进运动）。

有两个非常基础但至关重要的概念被融入到每一项优秀的教学实践中：

1. 如果病史采集得当，75%到85%的情况下就能做出正确的诊断。
2. 如果一项检测结果无论是阴性还是阳性，都导致同样的治疗措施，那么这项检测其实是没有必要的。

这两个原则都与“预测试概率”（pre-test probability）有关——即如何确定这种概率，以及在概率较高的情况下哪些检测是不必要的。在基于证据的医学和临床实践指南的指导下，美国医学决策的未来显得更加光明，因为我们希望在保持高质量的同时控制医疗成本。

制药公司、医疗器械公司及其医生合作伙伴、医学院校以及相关科学出版物之间存在利益冲突；政府推动电子健康记录（electronic health records, EHR）的实施，将“有意义的使用”（meaningful use）作为评估质量的指标。此外，随着医学行业的资本化和企业化，医生被视为受雇的“医疗服务提供者”，这使得关于“预测试概率”和统计学的讨论与实践变得毫无意义。如今，几乎任何人都可以启动诊疗流程——无论是否进行病史采集，常规操作往往包括心电图（ECG）检查、血液培养、乳酸水平检测，甚至直接将患者送去做CT扫描以排查中风风险。速度、报销情况以及避免麻烦成为了优先考虑的因素，而忽视了谨慎诊断、为患者节省费用以及从患者利益出发的诊疗原则。如今，我们的工作与执业护士或医师助理并无太大区别（除了仍存在的法律要求之外）。

我们放弃了基于证据的医学框架，以及那种基于问题概率比（likelihood ratios, LR）进行预测试的严谨诊断方法。其中一个障碍在于人们缺乏基于自身经验来确定预测试概率的信心和勇气。那些极其聪明、训练有素且具备伦理意识的医生，也逐渐沦为遵循电子表格和基于指标的标准化诊疗流程的普通“医疗服务提供者”。如果为了与医院保持合作关系而不得不放弃这些原则，医生们将失去谈判能力，因为对企业而言他们不再具有额外价值。如果我们放弃基于统计学的决策方式，许多人将失去在医疗行业的工作。

自2022年11月ChatGPT问世以来，大型语言模型（large language models, LLMs）为医生提供了重新运用独特认知技能的途径——前提是我们有信心和勇气正确使用这些工具。即使在“预测试概率”概念尚未普及之前也是如此。仅凭患者的年龄、性别和初步主诉，我们就可以利用现有数据估算出“患病概率”（prevalence），而这并不需要任何检测。使用智能手机，只需10秒就能确定患者的鉴别诊断范围。这种“基础概率”并非专家意见或临床直觉，而是基于概率与风险的数学计算——而这都是在见到患者之前完成的。如今，这一切都唾手可得。

如果在见到患者之前，根据患者的年龄、性别和初步主诉就能判断出最可能的两种诊断方案，且其中一种诊断的误诊率低于0.5%，那么我们需要提出哪些问题呢？这些问题应具有较低的概率比，以便在未经任何检测的情况下也能提高诊断的准确性。当然，对于某些情况（如特定年龄或主诉），即使不进行检测也可能存在误诊风险，这时检测是必要的。但对于另外30%到50%的患者，我们仍会进行尿液检查、全面代谢检测、胸部X光和CT扫描——仅仅是因为“不想遗漏任何潜在问题”。如果我们无法理清概率与可能性的关系，并以合乎伦理的方式将这些信息传达给患者，那么我们确实应该失去这份工作。如今，我们与执业护士或医师助理没有本质区别（除非还有其他法律约束）。