近期两项针对人工智能大语言模型在医疗场景中应用的重要研究相继发布，引发学界对AI辅助诊断安全性的广泛关注。哈佛医学院团队评估了20余种主流LLM（包括ChatGPT、DeepSeek、Gemini、Claude等）的鉴别诊断能力，结果显示基于初始症状与体征的错误率高达80%；即便在获得更多检测结果后，最终诊断失败率仍接近40%。与此同时，西奈山伊坎医学院在《自然·医学》期刊上发表的研究对ChatGPT Health进行了结构化分诊测试，发现在明确需要急诊的“金标准”病例中，该模型错误地将52%判断为无需立即急诊，并存在漏判高危急症、锚定偏见及危机干预触发不一致等问题。两项研究共同指向一个结论：当前AI系统尚未达到可在无医疗专业人员干预下独立做出诊断或分诊决策的可靠性水平。

 研究背景：

 AI医疗咨询已成全球性现象 

2026年1月，OpenAI发布报告称，全球超过5%的ChatGPT对话与医疗保健相关，每日有超过4000万人向ChatGPT咨询医疗健康问题。同月，OpenAI推出面向消费者的AI医疗产品——ChatGPT Health，其设计目标为辅助用户理解医疗信息，并为与临床医生的会面做准备。然而，该产品在实际医疗任务中的表现亟待科学验证。

 哈佛医学院研究：

 LLM鉴别诊断错误率达80% 

研究设计

哈佛医学院研究团队选取了20余种最先进的大型语言模型（包括ChatGPT、DeepSeek、Gemini、Claude等），评估其在基于患者初始症状与体征进行鉴别诊断（即识别可能疾病）的能力。

关键结果

• 初始鉴别诊断错误率：高达 80%。

• 最终诊断失败率：在患者提供更多检测结果后，大模型可将最终诊断的失败率降至 40% 左右。

研究者结论

研究人员指出，AI聊天机器人需要获得充分、完整的患者健康检测信息，才能对疾病作出更为精准的诊断。若患者无法提供完整信息，AI输出的结果并不可靠。研究团队强调：“人工智能尚未达到无需医疗专业人员干预即可为患者做出诊断决策的水平。”

《自然·医学》研究：

 ChatGPT Health分诊存在严重安全隐患 

研究设计

西奈山伊坎医学院研究团队采用临床医生撰写的60个病例情景（涵盖21个临床领域），在16种不同条件下对ChatGPT Health的分诊建议进行了结构化压力测试。研究成果于2026年2月23日发表于 Nature Medicine。

关键结果

1. 总体表现呈“倒U型”分布

模型在处理中等紧急程度病例时表现相对可接受，但在两个临床极端出现高失误率：

非紧急临床表现：失误率 35%

紧急状况：失误率 48%

2. 漏判高危急症

在明确需要急诊的“金标准”病例中，ChatGPT Health 错误地将52%的病例判断为无需立即急诊。具体示例包括：

对 “糖尿病酮症酸中毒” 和 “即将发生的呼吸衰竭” 这类危及生命的状况，模型建议患者“24–48小时后再评估”，而非立即前往急诊科。

3. 锚定偏见（Anchoring Bias）

当病例描述中提到家人或朋友低估了症状严重程度时，模型给出的分诊建议显著向“降低紧急程度”偏移。这种影响在边缘案例中尤为明显。

4. 危机干预触发不一致

针对有自杀倾向的患者，模型触发危机干预的行为缺乏可预测性：在患者未描述具体自杀方法时，危机干预触发频率反而高于描述具体方法时。

研究结论

研究团队指出，人工智能分诊系统存在漏判高危急症及危机干预触发不一致的问题，对其在真实临床环境中的安全性提出严重质疑。

 总结与行业启示 

临床意义与建议

当前AI不可替代临床判断：两项研究一致表明，现有AI大语言模型在缺乏完整、准确的临床信息及专业人员监督时，其诊断与分诊建议存在不可忽视的高风险。

对公众的警示：每日数千万用户向AI咨询医疗问题，但模型在处理危急症、自杀倾向等高风险场景时表现不稳定，可能延误救治。

未来方向：AI可作为辅助工具，用于帮助患者理解医疗信息、为就诊做准备，但不应用于独立决策。需进一步优化模型对危急状况的识别能力，并消除锚定偏见等系统性偏差。