让 AI 判断该不该做检查，两类情况它明显说过了头

体检报告上写着脖子前面的甲状腺里有个 6 毫米的小疙瘩（甲状腺在气管前方，它分泌的东西管着人怕不怕冷、心跳快慢和胖瘦），要不要再做个超声看看？超声就是拿探头在皮肤上扫一遍，看里面长了什么。四十多岁、身上没有任何不舒服、血压血脂也正常，要不要顺手做个心电图？心电图是在胸口贴几个贴片，记一段心脏跳动时的信号。这类问题现在很多人会先去问 AI。

《内科学年鉴》（Annals of Internal Medicine）10 月 20 日在线发表的一项研究，把 225 个这样的问题分别问了六个常用的大模型，也就是 ChatGPT 这一类会聊天、会给建议的 AI。结果是：该做的检查它们几乎不会劝人别做，不该做的多数时候也不乱加，一共只有 5.4% 的回答在建议多查。问题在于这 5.4% 的分布很不平均，几乎都挤在开头那两个问题上。体检偶然发现、不到 1 厘米的甲状腺小结节要不要做超声，42.8% 的回答说该做；心脏和脑血管出事的风险本来就低的成年人要不要常规做心电图，28.3% 的回答说该做。

甲状腺结节就是甲状腺里长出来的小团块，绝大多数不是癌，很多人体检做颈部超声时会查到。心血管风险低，指的是按年龄、血压、血脂、吸烟这些情况算出来，今后十年里心脏或脑血管出事的可能性不到 10%。这两类情况在现实中最容易被查过头，所以常被拿来当例子。

这项研究不是在真门诊里做的。研究者先写好 225 个病人的情况，再看模型怎么答。这些情况是照着 15 条推荐编出来的，推荐由专业学会提出，列的是在特定条件下容易被做过头的检查和治疗。筛查指的是在没有症状的人里查病，也就是体检里那部分内容。

每条推荐都带着前提：有症状的人、本来就容易得这个病的人（比如家里有人得过、自己已经有相关毛病），该做就做，只是用在没有症状、风险又低的人身上时，查完医生该怎么处理还是怎么处理，而一个说不清楚的结果往往会让人接着查第二项、第三项。

15 条推荐各编成 15 个场景，其中 10 个场景里正确做法是不加检查，5 个场景里正确做法是该查就查，6 个模型各答 3 遍，一共 4050 条回答。研究看两个数：该省的时候它让你查，叫过度建议；该查的时候它拦住你，叫错误克制。

这两类检查为什么会被模型加码

甲状腺这一条，道理在于查出来的癌多数不会致命。美国预防服务工作组 2017 年的推荐写得很直接：不建议对没有症状的成年人筛查甲状腺癌，评为最低的 D 级，意思是坏处多于好处，不建议做。依据是过去十年每年新查出的甲状腺癌病人以 4.5% 的速度增加，比任何其他癌症都快，死于甲状腺癌的人数却没有跟着变化；2013 年美国的发病率是每 10 万人 15.3 例，整体 5 年生存率 98.1%，也就是查出来的癌大多不会致命。

换成病人能感受到的后果：超声查出一个几毫米的结节，接着是穿刺（用细针从结节里取一点细胞出来化验）、反复复查，有时是切掉半边甲状腺、以后每天吃一片补充甲状腺激素的药，而这些操作并不会让死亡率下降，得不偿失。

这一条对国内读者格外要紧。颈部超声在体检套餐里很常见，查出小结节的人非常多，拿到报告的人第一反应往往是赶紧再查一次。要不要进一步做穿刺，取决于结节有多大、超声上有没有可疑的形状和钙化，这个判断该由接诊医生按报告和病史来下，不该由一句「结节建议进一步检查」替代。

心电图这一条，关键在于它加不进新信息。美国预防服务工作组 2018 年给低危成年人做静息或运动心电图筛查的评级同样是最低的 D 级。前面说的十年风险不到 10% 就算低危，而这个风险本来就是用年龄、血压、血脂、吸烟这些指标算出来的，心电图能添的信息极少，很难把一个人从低风险挪到高风险、从而改变要不要吃药。危害反倒是实在的，一个说不清意义的异常波形，往往引出运动负荷试验、冠脉 CT，甚至造影。

模型为什么偏在这两处加码，这项研究没有去检验，只报告了结果。下面这条解释来自大模型的工作方式，属于合理推测。

大模型是按文本里最常见的后续说法来接话，而不是先算一个验前概率再权衡利弊。医学文献和科普文章里，「甲状腺结节」后面出现频率最高的词就是超声和穿刺，「心血管风险」后面最常跟的就是心电图和心脏超声。指南那句「在这种条件下不要做」，在文本里是一条带限定的例外规则，出现得少，还要求模型先判断面前这个人是否满足「无症状、低危、偶然发现」这几个前提。模型恰恰不擅长先把这几个前提确认一遍。

该查的时候它为什么很少拦

错误克制的总体比例只有 0.6%，95% 置信区间 0.1% 到 1.2%，15 条推荐里有 11 条一次都没出现。模型的默认倾向是多查一点总没错，这个倾向在该查的时候帮了忙，在该省的时候就成了麻烦。对医生来说这两类失误的分量不一样：漏掉一项该做的检查可能耽误诊断，多开一项检查通常只是多花钱、多担心，所以 5.4% 对 0.6% 这个对比不算坏消息，坏消息是这 5.4% 集中在哪几条上，是可以提前知道的。

唯一值得说的例外是 PSA 筛查，错误克制的比例在这里最高，3.3%。这恰好是我的专业范围内最难回答的一个问题，难在指南本身就不给一刀切的答案。美国预防服务工作组 2018 年对 55 到 69 岁男性给的是 C 级，意思是做不做要医患一起商量，不能一概而论；70 岁以上才是 D 级，不建议筛查。

按随机试验的结果，55 到 69 岁的男性筛查 13 年，每 1000 人大约可以少 1.3 例前列腺癌死亡、少 3 例转移；代价是假阳性带来的穿刺，以及治疗后的后遗症，做了前列腺全切手术的男性里大约 1/5 会长期尿失禁，2/3 会长期勃起功能障碍。获益和代价都不大也不小，所以答案落在「看这个人怎么权衡」上。

一条指南里同时写着「不要常规筛查」和「愿意筛查的可以筛」，模型读到的就是两种互相拉扯的措辞，于是它在这里既可能加码、也可能劝退。越是真有争议的问题，模型的回答越不稳，在甲状腺和心电图上它偏向多查，在 PSA 上它偏向少查，方向相反，原因是同一个：它复述的是文本里各种说法的分布，面前这个人的具体情况并没有真正进到判断里。

这项研究不能说明什么

第一，它是基准测试，不是真实使用的记录。场景是研究者编写的标准化病例，提问只有一轮，没有追问，而真实场景里医生和患者通常会补充年龄、症状、家族史，补充之后模型的回答常常会变。

第二，总体 5.4% 的 95% 置信区间是 0.6% 到 12.2%，区间很宽，说明 15 条推荐之间差别很大。拿总体率去说「大模型过度建议只有 5%」，等于以偏概全；真正有用的信息是哪几条容易出错。

第三，回答是由另一个大模型先分类、再由医生裁定的，分类环节本身带误差。测试用的是 2026 年 2 月到 3 月的接口版本，模型更新很快，这个结论有保质期。

第四，研究用的提问方式是医生视角，作者自己也写明，结论不一定适用于患者直接去问的情况。普通人问得更口语，描述不完整，模型拿不到「无症状、低危、偶然发现」这些关键前提，加码的可能性只会更高。

这篇论文的全文需要订阅才能看，本文依据的是公开的摘要原文，摘要里没有给出的数据没有写进来。

自己问 AI 时，怎么问才不容易被多带着查

给它关键前提。有没有症状、多大年龄、以前查过什么、家里有没有人得过同样的病，这几项决定了指南里哪一条适用。只丢一句「甲状腺结节要做超声吗」，它只能按文本里最常见的说法回答。

把问题从「要不要做」改成「做了会改变什么」。更值得问的是这个检查查的是什么、结果如果异常下一步是什么、不查会漏掉哪些要紧的情况。这三个问题答得含糊，这个检查大概就不急。

把它的回答当成一份提问清单，带去门诊。哪一项检查该做、什么时候做，和既往病史、正在吃的药、上次检查的结果都有关系。模型给的建议不带责任，也看不到你的既往检查和用药，最后拍板的仍然是接诊医生。多做一项检查并不等于把情况看得更清楚，过犹不及。是否需要某项检查，结合自己的情况问接诊医生。

参考来源

Ariel D, et al. Ann Intern Med 2026

US Preventive Services Task Force. JAMA 2017;317:1882-1887 (thyroid cancer screening)

US Preventive Services Task Force. JAMA 2018;319:2308-2314 (ECG screening)

US Preventive Services Task Force. JAMA 2018;319:1901-1913 (prostate cancer screening)

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。