Walk the Walk｜读懂研究，认真生活
家里有人突然不舒服，你会先做什么？
过去，我们可能打开搜索引擎，输入几个关键词。
“持续咳嗽是什么原因？”
“头痛两天要不要去医院？”
“老人发烧，需要做哪些检查？”
搜索结果通常是一连串网页。
有医学百科，有医院科普，也有论坛里其他人的经历。
我们需要自己判断哪些信息可信、哪些症状值得重视，以及什么时候应该就医。
现在，越来越多人开始把这些问题交给AI。
只需要描述自己的情况，它就能整理症状、列出可能原因，甚至建议挂什么科、是否需要就医。
相比搜索结果列表，AI的回答显得更加完整，也更像一次对话。
这当然带来了便利。
但这里隐藏着一个问题：
回答得更像医生，是否意味着它真的更擅长帮助普通人作出安全的医疗决定？
2026年10月5日，《Nature Health》发表了一项来自中国的随机研究。
研究者让普通成年人使用专门设计的AI助手或者传统搜索工具，回答一系列模拟呼吸系统疾病问题。
AI组取得了更好的总体成绩。
但当研究人员进一步区分诊断和就医紧急程度判断时，发现两者之间存在明显差距。
这项研究并不是今天刚刚发表，在线发表日期是10月5日。它为我们重新理解AI问诊提供了新的证据。
更重要的是，当它与另外两项独立随机试验放在一起时，一个结论逐渐清晰：
AI是否掌握医学知识，与AI能否帮助普通人作出正确的医疗决定，是两件不同的事。
30秒看懂
发现了什么？
2026年一项中国多中心随机研究发现，在模拟呼吸疾病问答中，使用专门设计的AI助手的普通成年人，总体答题准确率高于使用传统搜索工具的人：70.0%对55.4%。
但在决定就医紧急程度的题目上，准确率分别只有53.4%和47.1%。
证据可靠吗？
研究采用预先注册的随机设计，比较对象明确。但它使用的是模拟病例，而不是真实患者的诊疗过程；评估的是问题回答准确性，没有验证实际就医行为、延误诊断或健康结局。
其他独立研究发现，通用AI聊天机器人未必能改善普通人的医疗决策。即使AI帮助专业医务人员，短期患者结局也未必明显改善。
普通人需要改变生活吗？
可以使用AI理解医学术语、整理症状、准备就诊问题，但不要仅凭AI决定急症是否需要就医，也不要自行调整处方药物。
AI可以成为理解健康信息的工具，但目前不能作为独立可靠的医疗分诊者。 中国研究原文与公开摘要；英国研究开放全文；肯尼亚研究开放全文
一、2400名普通人参与：研究不是让AI直接与医生比赛
这项研究署名第一位的作者是Jinghao Liang；论文标注他与Ying Wang、Jingchun Ni、Yiwen Cai共同贡献。研究团队来自广州医科大学附属第一医院等多家中国机构。
论文标题是：
Accuracy of a respiratory assessment chatbot in a nationwide messaging system for layperson diagnosis and triage: a randomized preregistered study.
中文可以理解为：
一项关于普通人使用消息平台呼吸健康AI助手进行诊断和就医分诊的预注册随机研究。
研究于2025年4月至6月开展，在中国24个医疗体系招募了2400名没有接受过正规医学培训、年龄为18至75岁的成年人。
参与者被随机分成两组：
一组使用名为LungDiag的AI助手。
另一组使用传统移动网页搜索。
LungDiag并不是未经调整的通用聊天机器人。
研究人员将GPT-4o与呼吸系统专业知识资源结合，并通过微信环境提供交互。
试验版本限于结构化呼吸疾病任务，没有开放式问诊、结构化任务之外的多轮追问、图像或语音输入，也没有连接患者病历。它并不等同于日常使用的通用聊天机器人。
对照组则使用常规网页搜索，而且研究明确关闭了专用AI和生成式AI辅助搜索功能。
研究使用一个含88个临床模拟案例的题库，涉及风险因素、病因、初步诊断及就医紧急程度判断；参与者回答从题库抽取的题目，并非每人作答全部88个案例。
这不是让2400名真实患病的人分别接受AI或医生诊疗，而是让普通人在受控条件下回答医学情境题。 中国研究原文与公开摘要；中国研究公开补充材料
为什么要这样设计？
医学AI研究经常测试模型能否回答医学考试题。
例如，给AI一段完整病史、检查结果和若干诊断选项，让它选出正确答案。
但是，真实生活没有那么整齐。
一个人在家发现自己不舒服时，通常不知道哪些信息重要。
他可能只会说：
“我最近有点喘。”
而不会主动提供症状发生时间、既往疾病、用药情况和其他相关线索。
因此，研究人员不仅需要知道模型是否掌握医学知识，还需要知道：
普通人真正使用它时，能否得到更准确的答案？
这项研究把普通人纳入随机分组，是它的重要价值。
但它仍然停留在模拟情境，并没有进入真实临床诊疗。
这个区别，将决定我们应该怎样理解后面的所有数字。
二、AI组得了70分，但这个数字究竟意味着什么？
研究预先设定的主要终点，是参与者在不同医疗判断题目上的准确性。
研究者通过混合效应统计模型，分析风险与病因识别、初步诊断及就医分诊等问题的答题表现。
在主要的符合研究方案分析中，共纳入2176份问卷，两组各1088份。
结果如下：
| 指标 | LungDiag AI辅助组 | 传统网页搜索组 |
|---|---|---|
| 模型估计的总体答题准确率 | 70.0% | 55.4% |
| 初步诊断类题目准确率 | 81.2% | 54.5% |
| 就医分诊类题目准确率 | 53.4% | 47.1% |
| 完成任务时间中位数 | 527秒 | 461秒 |
总体准确率的组间差异为14.6个百分点。
95%置信区间为12.2至17.0个百分点。
相对风险比为1.26，95%置信区间为1.20至1.33。
主要比较的p值小于0.001。 中国研究原文与公开摘要
从实验结果看，AI组确实表现更好。
但这里有三个数字需要分开解释。
第一，70%不是“70%的患者被AI正确诊断”
这是对模拟案例中各类题目的模型估计准确率。
它不是实际患者确诊率。
也不能解释成：
“现实中100个人找AI看病，就有70个人能够得到正确诊断。”
因为真实患者的信息更不完整，疾病分布更复杂，而且症状可能随时间变化。
第二，14.6个百分点不等于医疗风险降低14.6%
AI组总体答题准确率比对照组高14.6个百分点。
这是研究任务中的表现差异。
它并不意味着：
使用AI的人，误诊率、住院率或医疗事故发生率就会相应下降。
这些真实临床结局没有被该试验直接测量。
第三，AI也不是在所有任务上表现同样出色
初步诊断类问题，AI组达到81.2%。
但就医分诊类问题，只有53.4%。
这说明，在这项实验中，AI辅助对不同任务的帮助程度存在明显差别。
需要补充的是，各类题目的准确率应结合其自身的统计分析解释，不能只根据百分比大小就推断每一项组间差异都具有同等程度的统计确定性。
真正值得普通家庭关心的，也正是这个区别。
三、最应该关注的结果，其实不是70%，而是53.4%
假设你向AI描述一种不舒服的感觉。
它列出了几种可能的疾病。
即使这些疾病名称基本合理，也没有回答最重要的问题：
你现在需要采取什么行动？
是可以继续观察？
应该预约普通门诊？
还是需要立即接受医疗评估？
在医学上，这属于分诊或紧急程度判断。
它与列举可能诊断不同。
一个人可能暂时无法确定疾病名称，但仍然可以准确识别需要紧急处理的危险信号。
反过来，即使AI猜对了某种疾病，也不意味着它正确判断了当前情况的严重程度。
在中国这项试验中，AI辅助组的就医分诊题目准确率为53.4%，对照组为47.1%。
虽然AI组数字更高，但这种表现远不足以证明它能够独立承担真实世界中的安全分诊工作。
研究还专门考察了识别高紧急程度案例的能力。
这里的“高紧急程度”是将“一天内就医”和“急诊”合并为一类，与“自我护理或一周内就医”比较；它不同于前面要求准确选中四个分诊等级之一的题目。 补充表S6
LungDiag辅助组的敏感度为85.6%，特异度为62.1%。
传统搜索组分别为80.9%和56.0%。 中国研究原文与公开摘要
敏感度和特异度意味着什么？
敏感度反映的是：
在实际上属于高紧急程度的模拟案例中，有多大比例能够被正确识别出来。
85.6%的敏感度，意味着这一实验分类任务仍存在漏判。
特异度则反映：
在不属于高紧急程度的案例中，有多大比例能够被正确识别。
62.1%的特异度，意味着一些属于“自我护理或一周内就医”的案例，也可能被归入“一天内就医或急诊”的高紧急组。
但不能直接把这些实验指标转换成现实急诊患者的漏诊率或误诊率。
因为实验参与者面对的是标准化文字案例，不是真实医疗环境。
尽管如此，这些数字已经足以提醒我们：
“AI能够列出可能疾病”，与“AI能够安全决定是否去医院”，不应该被视为同一种能力。
对于普通家庭，这个区别可能比AI是否能通过医学考试更重要。
四、另一项英国随机试验，却没有发现AI改善普通人的医疗决策
如果只看中国这项研究，我们可能认为：
只要让普通人使用AI，就能明显改善医疗判断。
但2026年2月9日，《Nature Medicine》发表的一项英国随机试验，得出了不同的结果。
研究来自牛津大学等机构。
研究人员招募1298名英国成年人，让他们面对10种模拟医疗情境。数据收集于2024年8月至10月，每人最多完成两个情境，总计取得2400份情境回答；2026年是论文发表年份，并不代表测试的是2026年的最新模型。
参与者被随机分配使用以下工具之一：
GPT-4o、Llama 3、Command R+，或者自己通常会使用的信息资源。
研究要求参与者判断可能的疾病，以及应该采取什么行动。
例如，是否需要寻求医疗帮助，以及紧急程度如何。
研究发现了一个明显反差。
当AI模型单独获得完整的模拟病例信息时，平均94.9%的回答至少提到了一个医生预先列出的相关疾病。
这是相关疾病命中率，不是对真实患者作出最终确诊的准确率。
但在判断就医行动方面，模型单独完成任务的平均正确率只有56.3%。
而当普通人实际与同样的AI交互时：
各AI辅助组至少识别一个相关疾病的比例均不足34.5%。
各AI辅助组正确选择就医行动的比例均不足44.2%。
这些是对各组表现的上限式概括，并非全部AI使用者合并后的平均值。
总体而言，AI辅助没有让参与者在这些医疗决策上优于使用常规资源的对照组。进一步看，AI辅助组识别相关疾病的表现显著差于对照组，而就医行动选择的组间差异没有统计学显著性。 英国研究开放全文
这个结果为什么重要？
因为它揭示了医学AI评估中一个容易被忽略的问题。
模型独自做对一道题，不代表普通人使用模型也能做对这道题。
问题可能出在信息传递的过程
研究者检查了部分真实的人机对话。
他们发现，参与者有时没有向AI提供足够的信息。
有时模型提出了正确方向，但参与者没有理解或采用。
也有时候，模型给出的信息不够准确，或者不同回答之间缺乏一致性。
这与日常体验非常接近。
医生问诊时，不只是等待患者主动汇报所有信息。
医生会根据医学知识，继续询问某些关键症状和风险因素。
而普通人并不知道哪些信息必须提供。
如果AI没有进行充分追问，或者用户没有回答完整，最终建议就可能出现偏差。
医学知识是否正确，是一个问题；人与AI之间能否正确传递并使用这些知识，是另一个问题。
这项英国研究还提供了一个很有价值的警示：
模型在标准化测试中取得高分，并不能可靠预测普通人实际使用时的表现。
研究论文后来于2026年4月17日发布过一次出版更正，将图2a两张图纵轴误标的第二个“80”改为“40”。更正公告未报告上述数据或核心结论发生变化。 英国研究正式更正
五、为什么中国研究发现AI有帮助，英国研究却没有？
两项研究都是随机设计。
但它们研究的并不是完全相同的干预。
中国研究使用的是专门面向呼吸疾病设计的LungDiag。
它将基础语言模型与呼吸专业知识资源相结合，并限定在特定任务范围内。
英国研究则比较了几款通用大语言模型。
两项研究的参与者来自不同国家，模拟案例不同，对照条件也不同。
中国研究的对照组关闭了AI增强搜索功能。
英国研究的对照组则使用参与者通常使用的信息资源。
更重要的是，两项研究在任务构成和评分方式上也存在差异。
因此，不能把70.0%与不足44.2%直接放在一起，认定中国研究中的AI一定更加先进。
也不能因为一项研究结果积极、另一项研究没有发现改善，就认为其中一篇论文质量不好。
更合理的解释是：专门设计的AI工具，在特定任务和比较条件下，可能确实优于传统搜索；但通用AI模型在其他交互条件下，未必能够改善普通人的决策。
这说明，未来评价医疗AI，不能只问：
“使用了哪个大模型？”
还应该问：
它被设计来完成什么任务？
有没有可靠的专业知识资源？
是否能够主动收集关键病史？
对照工具是什么？
最终评价的是医学问答，还是实际医疗安全？
这些问题，直接决定研究结果能够推广到什么范围。
六、真正进入医院之后，AI的效果又如何？
前面两项研究都使用模拟医疗情境。
那么，如果AI进入真实临床工作，是否就能改善患者结局？
2026年6月26日，《Nature Medicine》在线发表了一项在肯尼亚开展的真实临床随机试验。
研究覆盖16家基层医疗机构。
研究人员把103名临床工作人员随机分组。
其中52人使用带有大语言模型辅助功能的电子病历系统，51人使用没有这一功能的常规系统。
研究共招募9691名患者，主要分析纳入9347名患者。随机化单位是临床工作人员，而不是患者；临床工作人员保留最终诊疗决定权。
与前面两项模拟案例研究不同，这项研究观察了真实患者的短期健康结局。
研究预先设定的主要终点，是经过独立专家判断的、入组后14天内发生的复合治疗失败事件。
主要分析报告：
AI辅助组4693名患者中，102人发生治疗失败事件，比例为2.2%。
对照组4654名患者中，94人发生治疗失败事件，比例为2.0%。
在考虑机构和临床工作人员聚类的统计模型中，调整后优势比为0.77，95%置信区间为0.55—1.08，p值为0.13。
这个调整后的估计不能由2.2%和2.0%直接相除得到，也不能解释为已经证实治疗失败减少23%。
研究没有发现两组在主要终点上存在明确的统计学差异。
这不等于证明两种做法等效，也不等于已经证明AI没有任何作用。 肯尼亚研究开放全文
这是不是说明AI完全没有用？
也不能这样说。
首先，这项试验没有发现与干预相关的严重不良事件，独立安全性审查也没有发现明确的安全信号。但研究期间确实发生了33件严重不良事件；“没有干预相关事件”并不等于“没有严重事件”，研究也不足以排除罕见伤害。
其次，试验主要回答的是特定临床系统能否减少14天内的治疗失败，而不是AI能否改善所有工作效率或信息质量。
第三，研究发生在肯尼亚一个私营城市基层诊所网络，使用的是特定系统、观察期为14天，不能代表所有医院和所有医疗AI工具，更不能直接代表患者自行使用聊天AI。
但它给我们的提醒非常明确：
即使AI已经进入专业医疗环境，并由受过训练的工作人员使用，也不能假定它必然改善患者结局。
研究作者并没有因为主要终点未达到统计学显著性，就认定整个技术方向没有价值。
他们更谨慎的判断是：在这项研究条件下，未显示AI辅助显著减少短期治疗失败；如果存在临床收益，其幅度可能有限。
这是一项随机试验能够提供的重要信息。
七、三项研究放在一起，我们究竟知道了什么？
现在可以把它们放到同一张证据表里。
| 研究 | 研究对象 | AI发挥的作用 | 关键结果 | 不能证明什么 |
|---|---|---|---|---|
| 中国，2026年10月 | 2400名没有正规医学培训的成年人 | 专用AI辅助回答模拟呼吸疾病问题 | 总体准确率70.0%，优于传统搜索组55.4% | 不能证明真实患者获得更安全的诊疗 |
| 英国，2026年2月 | 1298名普通成年人 | 通用AI辅助模拟医疗决策 | 未发现优于常规信息资源的决策表现 | 不能证明所有专用医疗AI均无价值 |
| 肯尼亚，2026年6月 | 9691名真实患者、103名临床工作人员 | AI辅助临床工作人员诊疗 | 14天治疗失败主要终点未发现显著差异 | 不能证明AI对所有临床任务没有帮助 |
这三项研究来自不同团队，具有独立性，但研究问题和结局不同，不能简单汇总准确率或把结果投票相加。
它们共同支持一个判断：
医疗AI的价值，必须通过具体任务、真实用户和实际结局来评价。
这比“AI超过医生”或者“AI根本不可靠”都更加准确。
尤其需要区分三个层次。
第一层，是AI能否理解医学知识。
第二层，是AI能否帮助普通人正确使用这些知识。
第三层，是这种帮助能否减少延误、改善诊疗并带来真实健康收益。
这三层之间，并不存在自动成立的等号。
八、普通家庭现在应该怎样使用AI？
面对这些研究，我不认为最好的建议是让所有人停止使用AI获取健康信息。
AI确实能帮助我们理解复杂术语、组织问题和阅读资料。
但更合适的做法，是根据不同任务的风险程度划定边界。
第一，适合用AI帮助理解，但不要要求它给出最终诊断
例如，体检报告里出现一个陌生术语。
可以让AI解释这个指标是什么、通常与哪些情况有关，以及需要向医生确认哪些问题。
但不能只根据某个指标的高低，让AI确定自己患了什么病。
同一种检查结果，可能在不同年龄、病史和临床环境下具有不同意义。
一个回答看起来全面，并不能代替医生结合具体情况作出判断。
第二，适合用AI整理症状，但不能依靠它排除急症
如果需要去医院，提前整理症状发生的时间、变化过程、相关病史和已经使用的药物，通常有助于沟通。
AI可以辅助把这些资料整理成清楚的时间线。
但对于突然发生且不缓解的胸痛或胸部不适、严重呼吸困难（如喘不过气或无法正常说话）、突然意识混乱，或突发脸歪、单侧肢体无力、言语异常等可能危及生命的情况，不应继续等待AI回答或反复比较不同模型的意见，而应立即联系当地急救服务。这些是一般安全提示，并不是一份完整的急症排查清单。 NHS胸痛急救提示；NHS呼吸困难急救提示；NHS突发意识混乱提示；NHS卒中症状提示
AI的“建议观察”，不能作为排除急症的可靠依据。
中国研究中的分诊准确率和高紧急程度识别结果，正说明了这一风险。
第三，适合用AI准备就诊问题，不适合自行改变治疗
已经确诊疾病的人，可以让AI帮助整理公开指南中的术语，或者列出下次复诊值得询问的问题。
但不要依据AI建议自行停药、增加剂量、更换处方药或推迟已经安排的必要检查。
对于儿童、孕妇、老年人以及同时患有多种疾病的人，这一点尤其重要。
他们的风险与治疗条件可能更加复杂，而前面几项研究并没有证明AI能够安全处理所有这些特殊人群。
第四，不要忽视医疗数据的隐私
上传体检报告、病历或检验单时，应考虑其中可能包含姓名、身份证号、联系方式、医疗机构信息及其他敏感健康资料。
是否允许上传、数据如何保存，以及是否用于其他目的，需要查看所使用服务的实际隐私和数据处理政策。
世界卫生组织在2024年发布的医疗AI治理指导中，明确提醒公众和开发者注意不准确的信息、自动化依赖、数据偏差以及隐私和网络安全风险。 WHO中文发布介绍
如果只是希望解释某个医学术语，通常不需要上传包含完整个人身份信息的报告。
九、真正值得改变的，是我们判断AI可靠性的方式
过去，我们经常根据一项AI技术能否通过医学考试，判断它是否已经接近医生。
现在，这种评价方式正在受到越来越多的挑战。
因为医学考试通常具备完整题目和预先设定的标准答案。
真实诊疗则需要持续收集信息、判断风险、进行检查、处理不确定性，并根据病情变化调整决定。
有时候，最困难的不是知道某种疾病有哪些症状。
而是知道：
眼前这位患者究竟有哪些尚未发现的重要信息？
是不是存在不能耽误的危险情况？
哪个问题需要先解决？
哪种判断还缺少必要证据？
AI可以为这些工作提供帮助。
但目前还没有充分证据表明，普通人仅靠通用AI对话，就能安全地完成整个医疗决策过程。
这也是为什么世界卫生组织强调，医疗AI的开发与部署需要明确任务、可靠验证、使用者参与、专业监督和持续治理。
2026年9月，世界卫生组织欧洲区域办事处发布的一份论坛讨论报告，也强调了评估、责任和治理对于医疗AI应用的重要性。该材料汇总知识共同体参与者的观点，样本不具统计代表性，也不必然代表WHO的正式立场。 WHO欧洲论坛讨论报告
值得注意的是，技术进步和临床证据积累并不同步。
模型可能在几个月内获得明显升级。
但一项新的模型能力，仍然需要经过实际用户测试和临床环境验证，才能确定是否带来了可靠的健康收益。
所以，我们不能把某款AI在某项测试中的胜利，直接理解为医学责任已经可以转交给机器。
所以，需要改变生活吗？
YES｜值得行动
把AI当作理解医学信息、整理症状和准备就诊的辅助工具。
使用时明确问题、核查来源，并在涉及重要医疗决定时寻求合格专业人员的判断。
这是一种结合现有研究和医疗AI治理原则的审慎使用方式。
MAYBE｜值得关注
经过专门设计和验证的医疗AI，可能比传统信息搜索更能帮助普通人完成某些医学任务。
2026年中国随机试验提供了积极结果。
但这种优势是否能够转化为更安全的真实分诊和更好的健康结局，仍需要验证。
NOT YET｜不要过度推断
目前不能说：
“AI问诊已经有70%的真实诊断准确率。”
也不能说：
“使用AI，就可以减少14.6%的误诊或医疗风险。”
更不能认为：
“既然AI能够正确猜出疾病，就可以独立决定要不要去医院。”
最后：AI可以回答很多问题，但不能替你承担所有决定
AI正在改变我们接触知识的方式。
过去，获得医学信息需要主动搜索、筛选网页和阅读资料。
现在，我们可以直接提出问题，并得到一份有条理的解释。
这种便利是真实存在的。
但便利不等于可靠，解释清楚也不等于判断正确。
尤其在健康问题上，一个看起来很专业的回答，可能仍然缺少关键病史、体格检查或必要的检测信息。
对于普通人，我认为最值得建立的习惯，不是每次身体不舒服都去寻找“最聪明的AI”。
而是在使用AI之前，先分清自己需要的是哪一种帮助。
如果需要理解知识，可以让AI解释。
如果需要整理信息，可以让AI协助。
如果需要判断可能的严重疾病、决定是否急诊，或者改变治疗，就必须承认它目前的能力边界。
真正有价值的技术，不是让我们不再作出判断，而是帮助我们更清楚地知道，什么时候应该由谁来判断。
这也许才是AI时代最重要的健康素养之一。
本期证据卡
核心研究：LungDiag随机试验
| 项目 | 核查结果 |
|---|---|
| 期刊 | Nature Health |
| 在线发表日期 | 2026年10月5日 |
| DOI | 10.1038/s44360-026-00189-9 |
| 第一作者 | Jinghao Liang |
| 研究时间 | 2025年4月至6月 |
| 研究地区 | 中国，24个医疗体系 |
| 研究类型 | 预注册、多中心、单盲、随机模拟病例比较研究 |
| 随机分组人数 | 2400名成年人 |
| 主要符合方案分析 | 2176份问卷，两组各1088份 |
| 干预组 | GPT-4o结合呼吸专业知识资源的LungDiag |
| 对照组 | 传统移动网页搜索，关闭AI增强搜索 |
| 主要终点 | 风险与病因识别、初步诊断、就医分诊等题目的准确性 |
| 总体准确率 | 70.0%对55.4% |
| 绝对差异 | 14.6个百分点，95% CI 12.2—17.0 |
| 相对风险比 | 1.26，95% CI 1.20—1.33 |
| 初步诊断题目准确率 | 81.2%对54.5% |
| 分诊题目准确率 | 53.4%对47.1% |
| 高紧急程度分类敏感度 | 85.6%对80.9% |
| 高紧急程度分类特异度 | 62.1%对56.0% |
| 实际临床结局 | 未测量真实诊断延误、就医行为或患者健康结局 |
上述核心指标来自原始期刊公开摘要和论文公开信息。 中国研究原文与公开摘要
研究设计值得肯定的地方
研究使用随机分组，而不是简单询问AI使用者是否觉得工具有帮助。
它让普通人参与测试，更接近日常用户使用情境。
研究还区分了初步诊断和分诊等不同任务，没有仅报告一个总体分数。
主要局限
模拟案例不等于真实诊疗。 参与者并不需要承担实际患病带来的风险和压力。
研究使用了特定AI系统。 结果不能直接推广到所有AI聊天机器人。
对照条件具有局限。 传统搜索组关闭了AI增强功能，因此不能证明LungDiag优于所有现代搜索工具。
主要分析并非包括全部随机分组问卷。 主要符合方案分析纳入2176份问卷，共排除224份（9.3%），两组各排除112份。公开补充表S7及代码另提供包含全部2400名随机分组参与者的敏感性分析，但本次未独立复算。
技术复现存在限制。 论文公开了部分分析数据与代码，但没有完全公开LungDiag的内部提示词、知识资源和检索系统配置。
没有验证真实患者结局。 因此无法直接推断能否减少漏诊、误诊或医疗伤害。
资助及利益关系
研究披露的支持包括广州国家实验室研发计划、广东省自然科学基金和国家自然科学基金相关经费。
论文感谢广州悦发健康科技有限公司提供技术与平台支持。
作者披露，研究使用的呼吸知识资源由研究团队拥有和维护。
研究所使用的第三方界面及API服务按商业条件接入；作者表示与相关服务商不存在个人雇佣、咨询、股权或收益分成关系，相关服务商没有参与研究设计与结果分析。
这些信息有助于理解系统开发和研究之间的关系，不能单凭存在技术支持就判断研究结果失真。 中国研究原文与公开摘要
资料核查限制： 中国LungDiag研究的完整主文需要订阅，本次核查了公开摘要、出版信息、资助和利益披露，以及公开补充材料中与本文相关的样本排除、分诊定义和部署边界；没有逐页复核全部83页补充材料，也没有独立复算数据。英国和肯尼亚研究的开放全文及英国正式更正已核查。本文不对未核实的分层分析、额外终点或未公开实现细节作出推断。
Walk the Walk证据判断
较有依据： 在这项中国模拟呼吸疾病研究的特定条件下，LungDiag提高了普通人的总体答题准确率。
证据存在明显差异： 普通人使用不同AI工具进行医疗决策，并不总能优于传统信息资源。
尚未确立： 通用AI问诊能够安全替代专业医疗分诊，或通过独立使用改善真实患者的健康结局。
主要信源
1. 中国随机研究｜2026年10月5日
Liang J, Wang Y, Ni J, et al.
Accuracy of a respiratory assessment chatbot in a nationwide messaging system for layperson diagnosis and triage: a randomized preregistered study.
Nature Health.
DOI：10.1038/s44360-026-00189-9
2. 英国随机研究｜2026年2月9日
Bean AM, Payne RE, Parsons G, et al.
Reliability of LLMs as medical assistants for the general public: a randomized preregistered study.
Nature Medicine，32，609—615。
DOI：10.1038/s41591-025-04074-y
出版更正日期：2026年4月17日。
更正DOI：10.1038/s41591-026-04404-8。
3. 肯尼亚真实临床随机试验｜2026年6月26日
Agweyu A, Mwaniki P, Menon V, et al.
Generative AI-enabled clinical decision support system in primary care: a pragmatic, cluster-randomized trial.
Nature Medicine，32，3032—3039。
DOI：10.1038/s41591-026-04503-6
利益披露说明： 该试验披露两名研究相关人员持有试验开展机构Penda Health的股票期权。OpenAI提供过云计算额度和技术指导等实物支持，论文声明OpenAI没有参与研究设计、数据收集、分析、解释或发表决定。这与中国LungDiag研究属于不同的研究团队和试验。 肯尼亚研究开放全文
4. 世界卫生组织指导｜2024年1月18日
WHO.
Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models.
5. 世界卫生组织欧洲区域办事处｜2026年9月1日
Progress on AI in health should be determined by strength of governance, WHO forum urges.
信源独立性说明： 三项随机试验来自不同研究团队，比较条件和评价指标也不相同。期刊摘要、PubMed记录和机构介绍如果指向同一项研究，不作为额外独立研究计数。WHO资料用于提供风险治理和使用边界，不作为某款具体AI产品有效性已经确立的证据。
Walk the Walk
读懂研究，认真生活。
我们阅读全球研究，比较不同证据，回答三个问题：
发现了什么？
证据可靠吗？
普通人的生活需要改变吗？
本文为公开研究解读，不构成个体诊断、分诊或治疗建议。AI辅助完成公开文献检索、资料阅读、证据比较和写作。部分研究仅核查了公开摘要及披露内容，未虚称完成全部全文与附录复核。本文尚未经独立医疗专业人员审核；如发布平台或账号类别要求专业审核，应在正式发布前完成。
资料核查日期：2026年10月14日