收益：
- 能够使用人工智能辅助扩大鉴别诊断（可能的疾病）列表并提醒被忽视的可能性
- 能够将人工智能建议与临床检查、实验室和影像学结果进行比较，并做出属于医生的最终诊断
- 能够识别和管理决策支持输出中的缺失数据、偏差和危险信号（紧急警告）信号
鉴别诊断是列出可能引起主诉的疾病；这是医生从最有可能到最危险的想法，通过检查和测试缩小范围，最后得出诊断的思维过程。临床决策支持系统（“临床决策支持”；简称KDS）是在此过程中向医生提供提醒、可能性列表和警告的软件。人工智能 (AI) 是这一领域的强大助手：它可以从大量信息中快速生成概率，提醒被忽视的罕见诊断，突出显示危险信号（应立即排除的危险情况）。但这里应该强调的是：人工智能扩展了鉴别诊断，但它并不做出诊断。最终诊断属于对患者进行检查并完整解释结果的医生。在本单元中，您将学习如何安全地使用人工智能作为鉴别诊断伙伴。
人工智能在决策支持中的真正作用
即使是经验丰富的医生也会经历“锚定效应”和“可用性偏差”（过度思考你看到的最后一个病例）。这就是人工智能最有价值的贡献所在：提醒你那些你没有想到但应该出现在清单上的可能性。人工智能就像“第二思维”一样工作；但这个心不检查，不看病人，不知道病人脸上的苍白或腹部的压痛。
人工智能无法提供的是在患者的现实中扎根的可能性。列表中的 8 项诊断中哪一项对该患者有效；哪项检查可以区分；只有临床判断才能确定哪种情况紧急。人工智能在训练数据中也可能存在偏差：它可能无法充分反映疾病在特定性别、年龄或种族群体中的不同表现。这就是为什么应该始终批判性地阅读输出。
注意：人工智能说“最有可能的诊断”并不是诊断。概率排名反映了训练数据的频率，而不是患者的现实情况。罕见但致命的诊断并没有因为“不太可能”而从清单中删除；而是它会一直留在你的脑海中，直到被排除。
循序渐进：利用人工智能进行安全鉴别诊断
- 匿名且结构化地提供案例。年龄、性别、主诉、持续时间、重要发现、病史。请勿提供身份信息。
- 向人工智能询问清单，而不是决定。 “列出鉴别诊断的可能性作为提醒；写下每个鉴别检查和危险信号。”
- 首先解决危险信号。首先排除致命的可能性（心脏病发作、肺栓塞、脑膜炎、败血症、主动脉夹层）。
- 按诊所缩小范围。按检查、实验室和影像筛选列表。
- 作为医生做出最终诊断。在文件中写下您的理由以及指导方针和调查结果。
- 记录AI推荐以及如何验证。
三个迷你箱子
案例 1——引发的可能性。 28岁女性，乏力心悸5天。医生认为是甲状腺和贫血。它将“室上性心动过速”以及“妊娠和产后甲状腺炎”添加到人工智能列表中。医生进行心电图检查；节律正常，但检查 TSH 并发现甲状腺功能亢进。 AI扩大了可能性；诊断是通过检查和医生做出的。
案例 2——误导性排名。 60岁老人，腰酸背痛。 AI 表示“肌肉骨骼疼痛”是最可能的诊断。医生仍然看到突然发作、撕裂性疼痛和脉搏差异；他怀疑主动脉夹层，并要求进行 CT 血管造影以确诊。 AI所说的“最有可能”并没有反映患者的现实；临床怀疑挽救了生命。
案例 3——偏见陷阱。 45岁女性，胸痛。人工智能将“焦虑”的可能性放在首位，但没有强调女性心脏病发作的非典型过程。医生要求进行心电图检查和肌钙蛋白检查，因为他知道女性的非典型表现；检测到 NSTEMI（一种心脏病发作）。人工智能偏见推迟了可能被遗漏的诊断。
决策支持输出评估表
信号
你什么意思？
医生应该做什么
缺失数据
AI 上榜但没有重大发现
完成检查和病史并重新评估。
过度自信
提出单一诊断，就好像它是确定的一样
强制列出替代方案和危险信号
偏见
错过的表现对于年龄/性别组来说不典型
包括非典型病程和致命诊断以排除
没有红旗
未列出的直接可能性
首先手动添加和排除致命诊断
无来源标准
他给出的诊断标准没有任何来源
从当前指南确认
四个可复制模板
作用：您是临床鉴别诊断的提醒者；您不是医生，您不做出诊断。病例（匿名）：[年龄]、[性别]、主诉[...]、持续时间[...]、检查结果[...]。任务：列出可能的鉴别诊断。对于每个： - 鉴别检查/检查 - 支持或排除该诊断的结果 - 紧急/危险信号？决定由医生做出；你只是一个提醒。
任务：添加下面鉴别诊断列表中可能缺失的可能性，尤其是致命但可能被遗漏的可能性。对于每一个，写下为什么在排除之前应该考虑它。列表：[...]
任务：标记在这种情况下可能被忽视的任何偏见风险（年龄、性别、非典型表现）。例如，女性非典型心脏病发作。案件： [...]
任务：列出下面的诊断标准，并在每个标准旁边注明：“应根据哪个现行指南进行确认？”你不编造来源；只需标记要确认的点即可。文本：[...]
弱提示/强提示
弱者：“腹痛患者的诊断是什么？”
Güçlü：“匿名病例：35岁，女性，右下腹疼痛6小时，发烧37.9，食欲不振。列出鉴别诊断的可能性作为提醒；分别评估阑尾炎、卵巢病理、宫外孕和泌尿系统原因。写下每种可能性的鉴别检查和紧急危险信号。不要做出诊断；声明由医生决定。”
年龄、性别、持续时间和发现结果在强有力的提示中一目了然；公开希望有致命的可能性； AI的极限已经被指出。
常见错误
- 将“最有可能的诊断”误认为是诊断。该排名反映的是数据，而不是患者。
- 绕过红旗。致命的可能性仍保留在清单上，直到被排除。
- 不承认偏见。非典型表现（例如女性心脏病发作）可以被推到后台。
- 靠名单而不是考试。 AI看不到病人；该决定是基于调查结果。
- 使用无源标准。诊断标准应根据现行指南确定。
不确定性下的决策和结算误差
临床决策通常是在不确定性而非完整信息的情况下做出的。一位经验丰富的医生在排除一种可能性时会说“我已经排除了这种可能性足够长的时间了”，以达到平衡：过早排除它会错过诊断，根本不排除它会使患者接受不必要的检查。这称为“结束”决定。人工智能无法建立这种平衡，因为它看不到整个患者和临床过程；但它可能有一个贡献：“需要什么最低限度的检查才能排除这种致命的可能性？”它可以为问题提供一个提醒框架。
这里的危险在于，人工智能将给出早期“最有可能的诊断”，迫使医生过早结束（强化锚定效应）。解决这个问题的方法是使用人工智能作为打开可能性的工具，而不是作为关闭可能性的工具。那么“还能是什么呢？”参考 AI； “这确定吗？”您根据临床病程、检查和时间做出决定。随着时间的推移（临床过程）重新评估诊断可以解决大多数不确定性。
提示：将 AI 保持在“列表扩展”一侧，而不是“列表缩小”一侧。过早关闭是漏诊的主要原因；人工智能自信的初始反应可能会加深这个陷阱。
综上所述
人工智能是鉴别诊断中有价值的“第二个思维”：它扩大了可能性，提醒我们被忽视的事情，突出危险信号。但它并不能做出诊断。匿名且结构化地给出病例，以清单作为提醒，首先排除致命的可能性，通过临床发现缩小清单，并根据指南做出医生的最终诊断。始终对人工智能偏见和过度自信持批评态度。
应用任务
将最近看到的复杂病例（匿名）插入上面强大的提示模板中，即可获得AI的鉴别诊断提醒。清单上有多少种可能性是您一开始就没有考虑过的？有多少是临床有效的？有没有AI漏掉的致命可能性？写下最终诊断的结果和理由。
清单
- [ ] 我以匿名方式给出了这个案例，并且结构清晰。
- [ ] 我向 AI 询问了一系列可能性，而不是诊断。
- [ ] 我首先排除了致命/危险信号的可能性。
- [ ] 我将列表范围缩小到检查、实验室和成像。
- [ ] 我检查了偏倚和非典型表现的风险。
- [ ] 我确认了当前指南中的诊断标准。
- [ ] 作为一名医生，我做出了最终的诊断并记录了原因。