大语言模型在临床决策支持领域的应用正从概念验证走向实证评估。2026 年初发表在 Science 期刊上的一项哈佛 - 斯坦福联合研究，首次系统性地将 OpenAI o1 推理模型与人类医生在急诊分诊场景下进行对标，结果显示 o1 在初始分诊阶段达到 67% 的诊断准确率，显著超越人类医生的 50% 至 55% 水平。这一数据引发了医学 AI 领域的广泛讨论，但更值得关注的是该研究揭示的性能边界与验证方法论，这对于工程化落地具有直接的参考价值。
分阶段准确率与性能边界分析
研究采用了两阶段评估框架。第一阶段评估患者在急诊科初始呈现时的诊断准确率，即分诊护士或急诊医生首次接触患者时获取的信息量。此时 o1 模型能够从电子健康记录文本中识别出精确或非常接近的诊断结论，准确率为 67%；而两位参与对照的专科医生分别仅有 50% 和 55% 的准确率。当评估推进到第二阶段 —— 即患者准备收治入院时 ——o1 的准确率提升至 81%，两位人类医生则为 70% 和 79%。这一提升曲线揭示了一个关键工程洞察：模型性能高度依赖于临床上下文的丰富程度，在信息不完整的早期分诊阶段，模型的优势更为显著。
值得注意的是，研究中设置了一组被称为 “不能漏诊”（cannot-miss）的病例，这类病例涉及可能直接危及生命的紧急情况。在这一高风险子集上，o1 的表现并未优于 ChatGPT 或人类医生。这一发现具有重要的工程意义，它划定了一个明确的性能边界：当诊断任务涉及强时间敏感性、且错误后果不可逆的情况下，模型的推理能力并未展现出决定性优势。研究者 Adam Rodman 博士明确指出，这一结果并不意味着 AI 可以替代医生，而是提示在特定场景下可作为辅助决策工具。
推理质量的量化评估：R-IDEA 量表
研究团队采用 R-IDEA 量表对临床推理质量进行独立评估。R-IDEA 是一个经过验证的 10 分量表，从四个维度评价推理文档的质量：解释性总结（Interpretive summary）、鉴别诊断（Differential diagnosis）、主要诊断的解释（Explanation of lead diagnosis）以及替代诊断的论证（Alternative diagnosis explained）。这一评估框架的优势在于它不仅考察最终诊断的正确性，更重要的是评估推理过程的结构化程度和逻辑严密性。
评估结果显示，o1 在 80 个测试病例中的 78 个获得了 R-IDEA 量表满分，而参与评估的资深医生组仅有 28 例满分，住院医师组更是低至 16 例。这一巨大差距表明，推理模型在生成结构化临床推理文档方面具有显著优势。从工程实现角度，这意味着当系统需要输出可解释的诊断依据时，基于 R-IDEA 的自动化评分可以作为持续监控推理质量的实时指标。实际部署时，建议设置 R-IDEA 评分阈值（如 8 分以上为合格），对低于阈值的输出触发人工复核流程。
验证方法论与工程化路径
该研究为临床 AI 系统的验证方法论提供了可操作的参考框架。首先，研究区分了三种测试用例来源：医学训练标准用例库、模拟病例以及真实世界历史病例。每类用例对应不同的验证目标 —— 训练用例用于与大规模历史数据进行基准对比，模拟病例用于控制变量下的性能评估，而真实病例则最接近实际部署场景。研究表明，o1 在训练用例上的表现最为优异（70 个特定病例达 88.6% 准确率），在真实历史病例上表现相对下降（67%），这提示工程团队需要在测试集设计时纳入足够比例的真实世界数据。
其次，研究揭示了概率估计能力的显著短板。o1 在估计肺炎发生概率时给出了 70% 的估计值，而医学文献中的合理范围仅为 25% 至 42%。这一发现与诊断准确率形成了有趣的对比：模型能够 “猜对” 答案，但对该答案的置信度校准能力薄弱。对于工程实现而言，这意味着仅依赖模型输出的概率值进行风险分级是不够的，需要引入独立的概率校准模块或后处理机制。
最后，研究明确呼吁进行前瞻性临床试验以验证真实场景下的安全性和有效性。当前数据全部来自回顾性分析，模型并未在实际诊疗过程中接受检验。这一方法论 gap 直接关联到工程落地的合规要求：任何临床决策支持系统在上线前，都需要通过设计严格的前瞻性验证试验，记录真实环境下的准确率、响应延迟和不良事件发生率。
工程落地的关键监控参数
综合上述分析，为临床决策支持系统的工程化部署提出以下可操作参数建议。在准确率监控层面，建议分阶段统计初始分诊准确率与入院前诊断准确率，两者应分别监控并设定不同的告警阈值（如初始阶段低于 60% 触发复核，入院阶段低于 75% 告警）。在推理质量层面，R-IDEA 评分应作为实时输出质量指标，建议对每例输出的 R-IDEA 得分进行记录，并在得分低于 8 分时强制要求主治医师确认。在可靠性层面，针对 “不能漏诊” 类高风险场景，应设置独立的安全网机制 —— 无论模型诊断结果如何，涉及胸痛、 stroke 症状、可疑脓毒症等情形时，系统应直接提示必须由人类医师评估。此外，由于模型概率估计能力不足，不建议将模型输出的概率值直接用于自动化患者分流决策。
总而言之，OpenAI o1 在急诊分诊场景下展现的 67% 准确率标志着推理模型在临床诊断领域已达到可与资深医生比肩的性能水平，但这一性能存在明确边界 —— 在信息不完整的高风险场景下优势消失，且概率估计能力存在系统性偏差。工程化落地需要建立分阶段的准确率监控体系、基于 R-IDEA 的推理质量评估机制，以及针对高风险场景的强制人工介入流程。唯有通过严格的前瞻性临床试验验证，这类系统才能真正从实验室走向临床一线。
资料来源：该研究发表于 Science 期刊，由哈佛医学院与斯坦福大学联合完成，评估了 OpenAI o1 在急诊分诊中的诊断准确率及临床推理质量。