一个AI代理在模拟器中独立处理了完整患者病例——基于历史病历

回答问题不等于处理完整病例

大多数医疗 AI 故事讲的都是一个会回答的模型。你给它一段病例简介或一道考试题，它返回一个诊断或一段建议，而且得分不错。这很有用，但范围很窄：它就像一个从不碰病历的聪明会诊医生。

MIRA 的设计目标不同，而这种不同才是真正的新闻。它不是回答一个问题，而是处理完整病例：读取患者病历，判断还需要了解哪些病史，开具实验室、影像和微生物学检查，读取结果，缩小鉴别诊断范围，然后写下随之而来的医嘱——处方、入院、转诊至外科。它通过在电子健康记录内部采取行动来完成这些事，就像临床医生一样，而不是生成供人抄录的自由文本。

这是实实在在的一步：从提供建议的系统，走向贯穿整个工作流程并采取行动的系统。但在报道中，这一步也恰恰最容易被压扁成“AI 胜过医生”。因此，有必要准确说明测试了什么，以及测试范围在哪里。

一句话概括：MIRA 能够独立处理完整病例，而且在这项基准测试中，诊断准确率超过了医生——但它是在沙盒中、基于回顾性病历、针对预先选定的八种诊断、仅通过文字交流完成的，并且它的大部分优势来自检查结果最明确的疾病。进步是真实的，计分板却不是诊所。

作者做了什么

MIRA——Medical Intelligence for Reasoning and Action（用于推理和行动的医疗智能）——是一个基于 OpenAI 模型构建的自主智能体：负责对话和行动的部分运行在 GPT-4o 上，另一个独立的规划步骤使用 OpenAI 的 o1 推理模型。这些组件运行在一个定制的、符合标准的框架中——该框架基于 HL7 FHIR，这是现实中的医院用于传递病历的数据标准——并配备了八万多个可能的临床操作工具。在这个沙盒里，MIRA 可以调取患者病史，开具并解读实验室、影像和微生物学检查，生成鉴别诊断，并制定治疗计划——开药、安排外科手术、计划入院。这里先指出一个值得注意的细节：为 MIRA 的回答打分的自动“评委”本身就是 GPT-4o，也就是正在接受测试的同一模型家族；在同行评审者提出这一担忧后，作者又让一名获得委员会认证的医生进行了复核。

测试集来自 MIMIC-IV，这是一个公开的大型去标识化 EHR 数据库。作者从 2008 年至 2019 年间在 Beth Israel Deaconess Medical Center 接受治疗的大约 300,000 名患者中，选取了涵盖 八种目标诊断的 574 个患者病例——包括腹部病变和内科急症，其中有阑尾炎、胰腺炎、肺炎和尿路感染。对于每个病例，MIRA 都从有限的信息开始，必须逐步判断下一步该做什么——形式上与真实检查过程相同，但它面对的是一份真实结局已经记录在案的病历。

随后，研究者将它在这些相同病例上的表现与医生进行了比较。

他们发现了什么

在这项基准测试中，MIRA 的诊断准确率超过了医生——但标题掩盖了三个不同的数字，而它们很容易被混为一谈，所以有必要分开来看。

MIRA 独立处理全部 574 个病例时，有 88.9% 的时间给出了正确诊断——评分依据是 MIMIC-IV 中每位患者实际记录的出院诊断。至于与人类进行正面对比，医生并没有处理全部 574 个病例，而是处理了一个共享的 311 个病例子集，使用与 MIRA 相同的病历和工具。在这 311 个相同病例上，MIRA 得分 87.8%，研究者将它与两个单独招募的群体进行了比较。第一组是资深组：四名获得委员会认证、拥有 7 至 11 年经验的医生，得分 78.1%。第二组是混合资历组：主要由初级住院医师和两名专科医生组成，更接近真实急诊科的人员构成，得分 71.1%。病例相同，工具相同——最终顺序却是 AI 第一，经验丰富的医生第二，以初级医生为主的团队第三。论文自己的谨慎表述是，在八种疾病中，MIRA 的表现“始终不逊于医生，而且经常超过”医生。

它后续的决策也经得起检验：总体上符合指南，用药安全，入院安排恰当。作者报告称，在五类安全问题（药物相互作用、肾脏剂量、过敏、QT 风险和阿片类药物处方）中，没有出现高严重度用药错误；468 个病例中有 467 个病例的处方正确——同时也指出该系统“没有达到 100% 的可靠性”。如果照字面看，这是一个引人注目的结果：一个能够运行完整病例的智能体，在诊断上胜过了医生。

但胜利的形状与胜利本身同样重要。独立专科人士阅读论文后指出了这种优势的实际来源。在科学媒体中心的专家小组中，Wei Xing 医生（谢菲尔德大学）指出，标题中的数字——AI 在诊断准确率上胜过医生——主要由检查结果明确的疾病驱动，例如阑尾炎和胰腺炎，因为一项决定性的扫描或实验室数值就能解决问题。对于肺炎和尿路感染——这两种疾病是人们实际前往急诊科的最常见原因之一——AI 和医生的表现都最差，而且两者之间的差距最小。

双方进行比较时还存在一种不对称，而这点就体现在论文自己的数字中。MIRA 更依赖实验室检查：它利用了常规医疗中可用实验室分析物的大约 51%，而获得委员会认证的医生约使用 28%——每个病例的中位数多出七项血液参数。作者谨慎地将这一点描述为低于数据集自身的常规医疗基线，而不是“什么都开”的策略，并报告称高成本横断面影像检查没有系统性增加。不过，更多信息本身就可能带来更高的诊断准确率——因此，这并不完全是信息量相同的选手之间的同类对决，这也是 Xing 直接指出的差距。如果允许临床医生开具所有便宜的血液检查，却不必权衡费用、不适或延误，他们在纸面上的表现也会更好。

“胜过医生”不等于“更好的医生”

基准测试获胜很容易被过度解读。从“MIRA 得分更高”到“MIRA 更好”之间，隔着三件事。

第一，它是依据什么评分的。Julie Jacko 教授（爱丁堡大学）指出，MIRA 的几项关键结果是相对于底层数据集中记录的内容定义的——这意味着系统获得的奖励是复现记录中的临床行为，而不一定是展示最佳医疗。历史病历成了答案依据。这是构建基准测试的一种合理方式，但它衡量的是与既有做法的一致性，而不是某种绝对意义上的正确性。公平地说，这一问题对治疗一致性指标的影响最大——MIRA 的医嘱是否与病历一致？——而标题中的诊断准确率是以出院诊断为依据的，比单纯复述记录更接近真实结局。

第二，就是前面提到的信息不对称：血液检查多得多（可用分析物约 51%，而不是 28%）就意味着证据更多。准确率差距中的一部分，很可能是用资源买来的，而不是推理出来的。

第三，它运行在哪里。这是一项在沙盒中、基于回顾性病例、针对预先选定的八种诊断、仅以文字进行的测试。正如 Dominic Oliver 医生（牛津大学）所说，真实临床评估不仅取决于患者说了什么，也取决于他们怎么说——还包括体格检查、观察到的行为和肢体语言；这些全都不是一个只读文字、阅读已经完成的病历的智能体能够看到的。而如果患者的问题不属于选定的八种诊断之一，那就完全超出了这项研究能够说明的范围。

评审者还提出了一个不那么显眼的担忧：数据污染。MIMIC-IV 是公开数据集，相关内容也被大量撰写，因此，一个在开放互联网数据上训练的语言模型可能已经看过相关论文、病例讨论，甚至数据本身。谢菲尔德大学的 Midhun Parakkal Unni 医生直接提出了这一点——如果部分答案出现在训练数据中，那么表现的一部分来自记忆，而不是临床推理；只有独立复现才能区分二者。值得注意的是，作者没有敷衍这一问题：他们写道，研究结果“可以谨慎地解释为一个可能的上限”，并且“可能高估了对其他公开病例的泛化能力”——这是一篇主动给自己的标题数字设限的论文。

这些都不会让 MIRA 变得不那么有趣。它们只是意味着，正确的解读应当经过校准：在一项回顾性基准测试中，一个能够贯穿整份病历采取行动的智能体，在检查结果明确的诊断上胜过了医生——部分原因是它开了更多检查，部分原因是它与记录中的病历相一致。这是一次真实的能力展示，但不是“机器现在诊断得比医生更好”的判决。

这项研究不能证明什么

• 它不能说明 MIRA 能用于真实患者。每个病例都是回顾性且经过模拟的，没有任何患者曾由它管理。
• 它不能说明 MIRA 能处理八种诊断之外的疾病。预先选定范围之外的疾病——医学中混乱、尚未分化的大多数情况——没有接受测试。
• 它不能说明 MIRA 可以安全部署。作者自己写道，泛化能力、安全性和治理仍需要前瞻性的真实世界研究。
• 它不能证明与医生进行的是公平的正面对比。它使用了多得多的血液检查（可用分析物约 51%，而不是 28%），而且几项治疗结果的评分部分依据记录中的病历，而不是最佳治疗的真实标准答案。
• 它不能说明结果没有受到记忆影响。公开的 MIMIC-IV 数据可能与模型训练数据重叠，独立复现需要排除这一点。
• 它不意味着“AI 取代医生”。它是一种能够贯穿整份病历采取行动的决策支持工具；评审者的共识是，现实中的使用将与临床医生合作，由临床医生保留决策权，并提供文字病历无法包含的全部信息。

证据有多强？

把这个主张拆成两半，因为两半的证据很不一样。

作为能力展示——也就是证明语言模型智能体能够在 EHR 沙盒中运行完整的临床病例，将病史、检查、诊断和医嘱端到端串联起来——这项工作确实新颖，也相当有说服力。这是其中真正新颖的部分，也是值得关注的部分。

作为优越性主张——也就是 MIRA 比医生更好——证据是有边界的，应当谨慎解读。这个结论只在一项具体的回顾性基准测试、八种诊断、存在信息不对称（检查更多）、答案取自历史病历的情况下成立，同时还存在训练数据污染的可能性。这足以说明“该智能体在这项基准测试中的表现令人印象深刻”，却不足以说明“该智能体是比医生更好的诊断者”；作者也没有提出后一种主张。

最有用的立场既不是“AI 胜过医生”，也不是“不过是玩具”。应该这样理解：一种新型医疗 AI——它不是回答问题，而是贯穿病历采取行动——在一项艰难的回顾性基准测试中表现良好；现在，它必须在尚未接受检验的地方证明自己：面对真实的、尚未分化的患者，在前瞻性研究和治理框架下接受测试。

为什么这很重要

几年来，医疗 AI 中真正有趣的问题已经悄然改变。过去的问题是“模型能否正确诊断？”——模型在越来越理想化的测试集上不断回答“能”。MIRA 把问题转向了更难的一层：“模型能否完成这项工作——收集、开具、解读、决策、行动——贯穿整个工作流程？”这是一个更有用、也更诚实的问题，因为困难和风险都存在于采取行动之中。

这正是框架如此重要的原因。标题式的条件反射——AI 胜过医生——指向了结果中最不新颖、支持也最薄弱的部分。真正的新东西更小，却影响更大：一个能够贯穿整份病历运行的智能体。如果这项能力经受住检验，它首先改变的是工作流程，很久之后才可能改变谁负责它。医生并没有被取代；开检查、解读结果、追踪检查结果——也就是工作流程——才是这类工具首先落地的地方。

它还把举证责任重新放回了正确的位置。在回顾性病例上的排行榜胜利，是开展前瞻性试验的理由，而不是试验的替代品。作者也表达了同样的意思。对 MIRA 最诚实的解读，是把它视为对下一项研究的邀请——按照这个领域已经熟悉的标准：在患者身上进行评估，而不是在基准测试上。

简明总结

MIRA 是一个自主 AI 智能体，运行在沙盒化电子健康记录中：它可以采集病史，开具并解读实验室、影像和微生物学检查，得出诊断，并写出治疗计划。在公开 MIMIC-IV 数据库的 574 个回顾性病例上、针对预先选定的八种诊断进行测试时，它的诊断准确率超过了医生（总体 88.9%；正面对比中为 87.8%，医生为 78.1%），并作出了总体上符合指南且用药安全的决策。但这项评估是在过去病历上的模拟，仅使用文字；它的大部分优势来自检查结果明确的疾病；它使用的血液检查远多于医生（可用分析物约 51%，而医生为 28%）；几项治疗结果是依据原始病历的记录评分的；公开数据集还带来了真实的数据污染风险——作者自己也称这可能构成其数字的上限。真正的进步在于，一个智能体能够贯穿整个工作流程采取行动，而不是只回答孤立的问题。作者明确表示，泛化能力、安全性和治理仍需要前瞻性的真实世界研究——正确的解读正是如此：这是一次令人印象深刻的能力展示，不是 AI 诊断能力胜过医生的证明，也不是一个已经准备好进入真实诊所的系统。

不绕弯检查

**论文展示了什么：**一个语言模型智能体（MIRA）能够在沙盒化 EHR 内端到端运行完整的临床病例——病史、检查、诊断、医嘱——并且在涵盖八种诊断的 574 个回顾性病例基准测试中，诊断准确率超过了医生（总体 88.9%；与获得委员会认证的医生正面对比时为 87.8%，医生为 78.1%），且没有出现高严重度用药错误。

**合理但尚未证明的内容：**这项能力能够为真实的、尚未分化的患者带来益处；准确率优势反映的是更好的推理，而不是开具了更多检查、与记录中的病历一致，或记住了公开数据。

**它没有展示什么：**MIRA 能够处理八种诊断之外的疾病；它可以安全部署；它在公平且信息量相同的比较中胜过医生；它能取代临床医生；结果没有受到训练数据污染。

**主要局限：**回顾性、模拟、仅使用文字的评估；八种预先选定的诊断；信息不对称（血液检查多得多——可用分析物约 51%，而不是 28%，而且是低成本血液检查，不是影像检查）；治疗结果部分依据历史病历评分；以及一个语言模型可能在训练中见过的公开基准（MIMIC-IV）——作者指出，这可能构成表现的上限。

**普通读者应该有多大信心？**对于 MIRA 是一次真实且新颖的能力展示——一个能够贯穿病历采取行动、而不只是聊天的智能体——应当有较高信心。对于它是比医生更好的诊断者，信心应当较低：这一主张被限制在一项回顾性基准测试中，而且受到检查开具、依据病历评分以及可能的数据污染等因素的干扰。作者自己的结论是正确的——在这项结果对患者护理产生任何意义之前，还需要开展前瞻性的真实世界研究。