摘要： 《Science》於 2026 年 4 月 30 日刊登哈佛醫學院與 Beth Israel Deaconess 研究，以 76 名真實急診病患的電子病歷做盲測，結果 OpenAI o1 在急診診斷任務勝過兩位內科主治醫師。檢傷階段 o1 的精確或接近精確診斷率為 67%，醫師分別為 55% 與 50%；資料補齊後 82% 對 70%–79% 的差距未達統計顯著。作者指結果尚不足以支撐真實急診現場決策，批評者也質疑對照醫師並非急診專科。
2026 年 4 月 30 日，《Science》刊登了哈佛醫學院與 Beth Israel Deaconess 醫學中心團隊的研究，結論毫不修飾：在急診診斷任務上，OpenAI 的 o1 推理模型贏過了兩位主治醫師。TechCrunch 在 5 月 3 日跟進報導，這項結果才廣為人知。它不是衝聲量的宣傳：實驗材料是真實急診患者的電子病歷，負責評分的主治醫師也無從得知手上每個診斷出自人還是模型。還在決定醫療 AI 該往哪裡放的團隊，值得把數字讀細，再把限制讀完。
實驗是這樣設計的
研究由兩人掛帥：哈佛醫學院的 Arjun Manrai（他主持一間 AI 實驗室）與 Beth Israel 的醫師 Adam Rodman。研究選定 76 名實際抵達急診的患者，要求 o1、GPT-4o 與兩位內科主治醫師在彼此相同的時間點上，只依據當下已有的電子病歷內容開出診斷；評分工作交給另外兩位始終不知道診斷來源的主治醫師，以盲測方式給分。送進模型的資料未經任何整理——臨床當下拿得到什麼，它們就看得到什麼。作者對此宣示得毫不客氣：大型語言模型「已經超越了大多數臨床推理的基準」。
數字裡的訊息
檢傷是全流程裡資訊最匱乏的一段，也正是 o1 領先之處：它在 67% 的案件交出精確或接近精確的診斷，兩位醫師則各為 55% 與 50%。臨床細節一項項補齊之後，o1 的準確率升至 82%，醫師則介於 70% 至 79%，差距並不具統計顯著性。治療計畫子研究才是差距真正被拉開的地方：5 個案例、46 位醫師的對照裡，AI 拿下 89%，而只能動用常規資源（搜尋引擎也算在內）的醫師僅得 34%。有個案例最能說明問題：肺栓塞患者的症狀一路惡化，o1 把原因正確指向人類醫師略過的紅斑性狼瘡病史。
檢傷時刻為何是模型的強項
急診室裡手上線索最少、時間又最急迫的就是檢傷：人才剛到院，檢驗報告還沒出來，每分鐘都在賽跑。模型偏偏在這裡相對吃香——整份病歷的每一條線索，它能同時放上來衡量，罕見卻具決定性的病史也不會在疲勞或認知偏誤之下被漏看。Rodman 接受《衛報》訪問時提到，大型語言模型是「數十年來最有影響力的技術之一」，並描繪了未來的「三方照護模式：醫師、病人與人工智慧系統」。Manrai 明顯保守許多：「我不認為我們的發現代表 AI 取代醫師」，他稱之為「將重塑醫學的重大技術變革」。
來自臨床的反駁與研究邊界
最猛烈的批評出自急診醫師 Panthagani，她稱這是「一項有趣、卻帶來大量炒作標題的 AI 研究」。她質疑的核心在對照組：內科主治醫師並非急診專科醫師，而急診醫師的首要任務從來不是猜中最終診斷，而是盡快排除會致命的病因，兩種工作的定義天生不同。技術上還有一道天花板：模型只讀得進文字，患者的外觀、痛苦程度，以及生命徵象以外的臨場線索，它一律無從評估；作者自己也承認，這好比「來自紙本的第二意見」。論文明白表示，這些結論還不足以支撐真實急診的現場決策，必須先進行前瞻性實地試驗。Rodman 補充了一個治理缺口：AI 診斷目前「沒有正式的問責框架」，而在生死交關的抉擇上，病人終究希望有人參與其中。
給臨床與產品團隊的三個著力點
比研究本身更值得盯著看的，是採用現況：美國已有將近五分之一的醫師靠 AI 輔助診斷；英國則有 16% 的醫師天天使用，另有 15% 每週使用。臨床推理向來「文件密集、資訊碎片化」，消費級模型剛好能接上這個位置。產品團隊可以帶走三件事：其一，檢傷與鑑別診斷是模型最早創造價值的接觸點，因為輸入幾乎清一色是文字；其二，盲測評分加上「精確或接近精確」的評級設計相當務實，能直接放進自家的評估流程；其三，問責歸屬與專科匹配是部署前非答不可的問題——拿內科醫師當對照組掀起的爭議，就會成為下一版研究設計的教科書案例。在論文作者眼中，AI 的能力已足以支撐一場正式的臨床測試——這正是全文的核心主張。