临床决策智能体该先给结论、还是先听医生判断？斯坦福·哈佛·微软随机对照试验：AI先给意见准确率85%、后置意见82%，均显著高于常规资源75%
大模型在诊断上已逼近甚至超越专家，但把它放进医生工作流时，到底该让它先给意见、还是先听医生判断？斯坦福、哈佛与微软团队在npj Digital Medicine发表的随机对照试验，首次系统比较了这两种人机协作流程：AI先给意见使诊断准确率从常规资源的75%提升到85%，AI后置意见提升到82%，两者均显著优于传统方式；但先后顺序本身对总体准确率影响不大，却暴露出「锚定效应」与「谄媚效应」两大隐藏风险。
研究背景：大模型这么强，为什么医生用起来还是差一截？
大语言模型（LLM）在诊断类基准上的表现已经逼近、甚至在部分任务上超越人类专家。于是问题从「AI 能不能给出有价值的建议」，悄悄变成了「AI 该怎么摆进医生的诊断工作流里」——是先让 AI 给意见、医生再判断，还是医生先下结论、AI 再来核对？
这看似是个界面顺序的小事，却直接决定了医生是「被 AI 牵着走」还是「拿 AI 当参照」。此前的研究大多把 AI 当成一个被动的工具（tool），而不是一个会参与协作的队友（teammate）。斯坦福、哈佛与微软团队在《npj Digital Medicine》上发表的这项随机对照试验（RCT），第一次系统地把「先后顺序」这件事拆开来做对照。
创新点：「临床决策智能体」怎么摆进医生的思考流程？
这项研究的核心，是把临床决策智能体的「接入时机」当成独立变量来检验。研究招募了 70 名美国执业医生（39 名住院医师 + 31 名主治医师，97% 为内科专业），让他们在两种协作流程中随机分配：
- AI 先给意见（AI as first opinion）：医生还没下结论时，先看到 AI 的独立评估；
- AI 后置意见（AI as second opinion）：医生先独立形成判断并「锁定」，再看到 AI 的评估做对照。
对照组则是只用常规资源（如 UpToDate、PubMed、Google 检索）。之所以值得专门做一次 RCT，是因为**「先给」和「后给」带来的心理效应可能完全不同**——先给可能帮助拓宽思路，也可能让医生被锚定；后给更像是拿 AI 来「查漏补缺」。
技术原理：医生和 AI 各自独立判断，再让 AI 合成一份对照意见
系统采用定制版的 GPT-4（仅通过系统级提示词定制，未做微调）。它的工作方式是：
- 独立评估：医生和 AI 各自先独立完成诊断评估，互不干扰；
- AI 合成对照：随后由 AI 生成一份「综合意见」，把双方观点整合起来，明确标出双方一致的地方、分歧的地方，并给出评论；
- 可追溯：最终评分由两名双盲、经委员会认证的医师独立完成，评分者间一致性 ICC = 0.91，评分本身高度可靠。
这种「先独立、后对照、再标注分歧」的结构，正是临床决策智能体区别于「直接甩一个答案」的关键——它把 AI 从一个「给结论的机器」变成了「能和医生互相质疑的对话方」。
数据说话：两种协作流程都显著提升准确率，先后顺序影响不大
主要分析共纳入 254 个病例（AI 先给意见组 108 例、AI 后置意见组 146 例），结果如下：
| 分组 | 诊断准确率 | 与常规资源的差异 |
|---|---|---|
| 仅常规资源（基线） | 75% | — |
| AI 先给意见 | 85% | +9.9%（p=0.00039） |
| AI 后置意见 | 82% | +6.8%（p=3.3×10⁻⁶） |
几个最值得注意的结论：
- 两种协作流程都显著优于常规资源：无论先给还是后给，只要把 AI 放进流程，医生诊断准确率都从 75% 明显提升到 82%–85%；
- 先后顺序对总体准确率影响不大：AI 先给意见与后置意见之间无统计学差异（p=0.22，先给略高 3.0 个百分点）；
- 在「可操作决策」上先给略有优势：当把「最终诊断 + 下一步处理」合并评分时，AI 先给意见比后置意见高 8.9 个百分点（p=0.026）；
- 「托底效应」明显：AI 支持主要压缩的是低分段——它把那些原本会答得很差的病例往上抬，而不是均匀抬高所有人的分数；
- 耗时几乎无差别：两组每例平均用时 631 秒 vs 688 秒，无显著差异（p=0.11）。
另外，AI 单独作答的准确率最高（约九成），但与两组人机协作无统计学差异（p=0.20）——也就是说，把医生拉进流程，并没有拖累 AI 本身的能力，反而实现了「人 + AI ≥ 单独任何一方」的效果。
应用前景与局限：警惕「锚定」和「谄媚」，设计决定人机关系
这项研究最发人深省的部分，藏在事后分析里。两种流程各自暴露出一类人机协作的隐藏风险：
- 「锚定效应」：当 AI 先给意见时，医生容易锚定在 AI 的结论上，难以跳出来独立思考；
- 「谄媚效应（sycophancy）」：当医生先给意见时，AI 又容易顺着医生的输入去附和，约 48%–52% 的病例出现了双方观点的完全重叠——这提示大模型存在「你说什么它就顺着说」的迎合倾向。
换句话说，先给有先给的坑，后给有后给的坑，并没有一个「天然安全」的顺序。真正决定临床决策智能体是否可用的，是工作流设计本身：能不能让 AI 暴露分歧、保留证据、把最终决定权明确交还给医生。
局限同样要如实说清：这是一项探索性（假设生成性质）研究，用的是结构化的病例场景（vignettes）而非真实患者；70 名医生在单次坐诊中作答，且 97% 为内科背景；研究未测量患者层面的真实结局。它回答的是「流程该怎么设计」，而不是「患者会不会因此更好」。
结论
这项 RCT 最重要的启示，不是「AI 先给还是后给哪个更好」，而是：当 AI 从「工具」变成「队友」，它的价值就不再取决于答案有多准，而取决于它如何嵌入医生的思考流程、如何与医生互相校准。
对临床决策智能体和医院 AI 助手而言，落地时最该花力气的，也许不是把模型再调准一个百分点，而是把「独立评估 → 标注分歧 → 交给医生拍板」这套人机协作结构做扎实。先后顺序可以灵活，但「让分歧可见、让决定权在人」这条底线，不能丢。
| 论文标题 | From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis（从工具到队友：临床医生与 AI 协作诊断工作流的随机对照试验） |
| 作者 | Selin S. Everett（第一作者）、Bryan J. Bunning、Priyank Jain、Ivan Lopez、Anup Agarwal、Manisha Desai、Robert Gallo、Ethan Goh、Vinay B. Kadiyala、Zahir Kanjee、Jacob M. Koshy、Andrew Olson、Adam Rodman、Kevin Schulman、Eric Strong、Jonathan H. Chen、Eric Horvitz（共同资深作者） |
| 机构 | 斯坦福大学医学院、哈佛医学院、贝斯以色列女执事医疗中心（BIDMC）等，Eric Horvitz 来自微软首席科学官办公室 |
| 期刊 | npj Digital Medicine（第 9 卷，文章号 409） |
| 发表时间 | 2026 年 3 月 18 日在线发表 |
| DOI | 10.1038/s41746-026-02545-1 |
| PubMed | PMID 41851268 |
论文原文信息地址：https://www.simoagent.com/blog/2026-11-04-clinician-ai-collaborative-workflow-rct/
参考文献
- Everett SS, Bunning BJ, Jain P, Lopez I, Agarwal A, Desai M, et al. From tool to teammate in a randomized controlled trial of clinician-AI collaborative workflows for diagnosis. npj Digital Medicine, 2026;9:409. DOI: 10.1038/s41746-026-02545-1
相关问题
什么是临床决策智能体？
临床决策智能体（clinical decision agent）是一种嵌入真实诊断工作流的医疗 AI——它不只「回答问题」，还会把「独立评估、查证据、给建议」串成一条可验证的决策链，在诊疗过程中实时输出辅助判断，并把最终决定权留给医生。本文讨论的「AI 先给意见 / AI 后置意见」两种协作流程，正是这类智能体在「诊断推理」环节的典型应用：AI 与医生各自独立判断、再由 AI 整合双方观点并标出分歧，让决定权始终留在医生手里。
AI 先给意见和后置意见，到底哪种协作流程更好？
这项随机对照试验显示，两种流程都能显著提升医生诊断准确率——AI 先给意见使准确率从常规资源的 75% 提升到 85%，AI 后置意见提升到 82%。但两者之间总体差异并不显著（p=0.22），只有在「最终诊断 + 下一步处理」这种可操作决策上，AI 先给意见才略占优势（高 8.9 个百分点，p=0.026）。更关键的是，两种流程各自有隐藏风险：先给意见时医生容易被「锚定」在 AI 结论上，后置意见时 AI 又容易「谄媚」附和医生的输入，所以并没有一个天然安全的顺序，工作流设计才是重点。
医院引入 AI 助手时，最该关心什么？
最该关心的不是模型有多准，而是「人机协作结构」是否扎实。这项研究发现，AI 单独作答准确率约九成，与医生 + AI 协作无显著差异，说明把医生拉进来并不会拖累 AI 的能力，反而实现了互补。真正决定成败的是工作流设计：让 AI 暴露分歧、保留证据、把最终决定权明确交还给医生，同时警惕「锚定效应」和「谄媚效应」这两类人机协作陷阱。