AI赋能的循证决策培训：内科规培智能化路径探索

AI-empowered evidence-based decision-making training: Exploring the intelligent path to internal medicine residency training

摘要

人工智能（artificial intelligence，AI）技术在循证决策支持中的应用已从辅助诊断延伸至教学创新领域。对规范化培训（规培）医师进行AI技术赋能的循证决策培训，可提升规培医师的AI工具应用能力与数据素养，降低循证应用难度。本研究着重探索了循证决策培训的智能化转型路径，通过与传统规培模式的对比，就AI赋能循证决策培训的必要性、软硬件配置、师资要求、教学模式与内容、评价体系等方面进行梳理，并回顾分析已有的AI赋能培训实例。研究表明，AI赋能循证决策培训可协助规培医师提升临床思维与决策能力，并提高其循证医学应用素养。

Abstract

The application of artificial intelligence (AI) technology in evidence-based decision support has extended from diagnostic assistance to the field of teaching innovation. Integrating AI technology into evidence-based decision-making training for the standardized training of resident physicians may enhance their proficiency in utilizing AI tools and improve their data literacy, thereby reducing the complexity of evidence-based application. This study aims to explore the intelligent transformation pathway for evidence-based decision-making training. By comparing it with conventional training modes, the study systematically analyzes the necessity, required software and hardware configurations, instructor qualifications, teaching modes and content, as well as evaluation systems for AI-empowered evidence-based decision-making training. Additionally, existing examples of AI-empowered training are reviewed and critically analyzed. Studies indicate that AI-empowered training can facilitate the development of clinical thinking and decision-making skills among resident physicians, effectively enhancing their competency in evidence-based medicine.

关键词

住院医师规范化培训 / 循证决策 / 人工智能 / 教学模式 / 评价体系

Key words

standardized training for resident physicians / evidence-based decision-making / artificial intelligence / teaching mode / evaluation system

内科学培训是住院医师规范化培训（规培）的核心环节。它通过系统化训练，使规培医师掌握病史采集、病例分析等基础技能，进而构建扎实的临床疾病知识框架，具备处理多学科复杂病例的综合能力。值得注意的是，循证决策培训是规培中重要的课程，它要求医师在积累诊疗经验的基础上，结合最佳研究证据及患者个体差异，选择、动态优化诊疗策略。循证决策培训可提升规培医师临床决策的科学性和规范性，塑造其终身学习能力。目前，人工智能技术已经在医疗领域得以深度渗透，其在循证决策支持中的应用已从辅助诊断延伸至教学场景创新^[1]：AI可通过整合多模态医学数据（如电子病历、影像组学、基因组学信息），快速检索并筛选高质量的循证证据，为规培医师提供个性化的决策建议。然而，AI赋能的循证决策培训面临多重挑战，如对软硬件配置、复合型师资团队培养、信息获取及知识更新等提出了更高要求，在培训中须解决规培医师接受度和认知偏差、课程设计缺乏系统性、评价指标单一化等问题，并消除人们对“证据污染”误导、影响思维培养、削弱临床技能等相关顾虑^[2-4]。为此，本研究结合内科学规培实践与AI技术特征，对照传统循证决策教学，系统探讨AI赋能循证决策培训的必要性、软硬件配置标准、教学模式设计、效果评价体系等，以期为规培教学改革提供理论依据与实践路径。

1 开展AI赋能循证决策培训的必要性

2025年4月，教育部等九部门发布的《关于加快推进教育数字化的意见》^[5] 明确指出，“以教育数字化为重要突破口，开辟教育发展新赛道和塑造发展新优势，全面支撑教育强国建设”、“全面推进智能化，促进人工智能助力教育变革”。在此背景下，将AI技术与医学教育深度融合、重塑临床教学模式，既是顺应政策导向的必然选择，也是回应医学发展需求的实践路径。当前，循证医学教育被认为是规培教学改革的重要方向^[6-7]，其可通过“提出问题—查找证据—严格评价—恰当应用—后效评价”这一闭环流程，培养规培医师制定最优诊疗决策的能力。然而，多数规培医师虽认可循证医学的价值，却存在着循证基础知识薄弱、实践能力不足等的短板^[8-9]。ChatGPT、DeepSeek及不断涌现的医学AI模型，可有效弥补传统教育局限^[4]：一方面，AI能快速归纳临床问题、高效整合多源证据（如PubMed文献、Cochrane系统评价），降低证据获取门槛；另一方面，通过虚拟病例模拟（如动态调整患者年龄、基础疾病、伴随症状、辅助检查数值等参数）与个性化学习路径设计（如基于认知偏倚分析的定向训练），AI可强化规培医师的证据应用能力与循证思维内化。具体而言，AI在循证决策全链条中可以展现多重优势^{[4, 10]}：在问题确定阶段，AI可辅助生成结构化PICO框架，即患者或人群（patient or population）、干预措施（intervention）、对照措施（comparison）、结果（outcome）；在证据合成阶段，AI可自动筛选高循证等级研究，将证据矛盾点可视化；在决策实施阶段，AI将结合患者个体特征（如基因组数据、代谢差异、合并症、心理状态、社会经济因素）推荐个性化、最优化的诊疗方案。研究证实^[4]，AI模型不仅可以模拟真实的临床场景（如急诊抢救、日常诊治、多学科协助、随访复诊等），还可以通过实时反馈优化规培医师的决策路径，为其提升诊疗精准性、降低相应的认知负荷。基于以上内容不难得出：AI是规培医师可选用的、理想的循证工具；对AI工具与循证决策结合应用的相关培训，不仅提升规培医师的AI工具应用能力与“数据素养”，更通过标准化、可复现的循证实践流程，为其应对复杂病例与终身学习需求奠定基础。因此，构建AI赋能循证决策的规范化培训体系，是推动规培教学与循证医学深度融合的关键抓手，也是实现医学教育智能化转型的必由之路。

2 AI赋能循证决策培训的软硬件配置及师资要求

相较于传统的循证决策培训，AI赋能循证决策培训需要特别重视软硬件配置的升级以及师资的智能化教学素养。在硬件配置层面，传统循证医学培训依赖的图书资源与循证数据库（如UpToDate、Cochrane Library），而AI赋能的培训则需具备完善的AI循证决策平台。该平台能实现临床数据（电子病历、用药记录、实验室检查、影像资料、病理指标等）与循证证据的有效整合；该平台需要配以支持AI训练的高性能计算集群、模拟动态病例的虚拟现实/增强现实设备、支持分布式存储架构与隐私计算模块及保障实时数据交互的高速局域网^[11]等硬件。在软件生态层面，须部署具备模型迭代能力的AI辅助系统，集成自然语言处理工具（如优化证据摘要生成的模型）、证据质量自动评价模块，并建立动态知识库更新机制（如定期同步国内外最新文献与临床试验注册数据）。基于降低软硬件配置成本、提升资源利用效率、避免重复建设等考虑，AI循证决策平台可由规培单位挖掘、选用（如河北医大一院的“精智MedSeek”^[12]），或者联合多个应用机构，依靠高校、企业、政府资源及区域高性能计算产业联盟共同构建^[13-14]。在师资能力方面^[15-16]，除要求教师及其团队具备丰富临床经验与规培教学能力外，AI赋能培训还需要教师兼具循证医学核心技能（如PICO问题构建、证据分级）与AI技术素养，包括掌握自然语言处理、数据挖掘、偏倚识别、AI模型调优以及伦理审查能力，同时具有虚拟仿真考核设计能力（如基于Unity引擎构建多分支临床决策场景）。此外，还需注意保障体系建设，如保证持续的算力扩容、AI技术投入、跨学科教研团队（含临床专家、教育专家、技术工程师）的组建与管理。

3 AI赋能循证决策培训的教学模式与内容

从总体看，不论传统的或是AI赋能的循证决策培训，均应以临床问题为驱动、以证据评价为工具、以能力转化为目标。为此，在AI赋能培训的教学过程中仍可参考既往循证培训的主要模式与方法逐步施行。如在培训中可采取与问题导向学习相结合的模式，以“病例驱动”（即以真实或模拟病例为起点），引导规培医师提出临床问题、利用循证数据库进行证据检索、评估证据质量并最终形成诊疗决策。在此过程中，教师除做好上述引导工作外，还须点评证据链的完整性^{[15, 17]}。在教学实施过程中，可遵从分层递进式培训^[8]，即在“初期阶段”注重文献检索、证据分级、指南解读，通过标准化病例练习循证流程；在“中级阶段”练习复杂病例循证实践，注重整合多源证据（病历资料、实验室检查、影像资料、基因检测、指南共识等）、多学科证据并制定个体化方案；在“高级阶段”强调科研转化训练，指导住院医师基于临床问题设计研究方案，撰写循证医学论文或病例报告。

在AI赋能培训时，教师应基于AI工具的特性及应用需要注重特定内容的教学^{[4, 17-18]}。例如，须结合AI模型特点及应用原理，引导学员掌握检索策略、正确编写AI检索指令，嘱其注意评估检索指令的精准性、有效性并根据检索反馈结果修正指令；应强调循证思维的灵活性，利用AI获取线上证据、虚拟仿真等方面的优势，重视指导规培医师针对不同变量条件（如患者年龄、合并症）、复杂临床场景（如急诊抢救、诊治操作、多学科讨论）等进行多维度的循证决策练习；利用AI模型的动态反馈功能，注重“理论-实践映射”，帮助规培医师认识应用AI获取证据后的决策结果对临床事件、预后等的影响，指导其动态评价决策效能并达到“理论—实践—反馈”闭环。但是，AI目前仍存在技术缺陷^[3-4]。例如，所引用的证据来源虚假、存在“污染”，生成诊疗决策可能存在矛盾，在培训课程中亦须强化规培医师进行证据源头辨别、矛盾解析及证据权重排序等的训练。此外，为保护患者隐私，在课程中还要模拟医疗数据泄露场景，教授学员使用脱敏技术处理训练数据。

4 AI赋能循证决策培训的评价体系

整体评价规培医师对AI赋能循证决策课程的学习质量及临床应用能力时，需要构建涵盖理论掌握度、技能熟练度、实践应用力、科研转化力等多项核心维度的评价框架；评价时可采用客观量化考核与主观质性评价相结合的双轨机制^[19-20]。在传统循证培训指标（如指南依从性、证据分级准确率）考核的基础之上，AI赋能的培训需重点强化以下指标的评价^[21-24]：

AI技术认知与应用素养 考核规培医师对AI平台功能模块（如智能证据检索、证据分析处理、循证决策仿真与支持、数据安全与治理）的操作熟练度，评估其编写、优化检索指令的能力，以及利用AI平台整合多源证据以制定个体化方案的水平。

循证决策动态调适能力 通过AI循证决策平台的虚拟仿真功能，叠加患者的真实临床数据（如生命体征、实验室结果、影像资料、病理证据等）、药物不良反应（如突发过敏反应）、治疗依从性、社会经济状态等动态变量，测试规培医师识别与分析关键变量、审查及采纳AI推荐诊疗方案的能力。

批判性思维 评价规培医师对AI训练数据来源（如验证原始证据的真实性、研究设计、样本代表性、指南/共识的时效性、多源证据的一致性等）的审查能力，以及对AI推荐方案逻辑性（如检查论证链条完整性、因果关系）、适用性（如临床情景的匹配程度，推荐诊疗方案的可操作性，患者个体偏好、依从性与耐受程度）等的分析能力。

数据安全及隐私保护的意识 考核规培医师对《个人信息保护法》《数据安全法》等相关法律条款的认知水平，评价其处理伦理冲突的能力（如患者知情同意缺失时的应对措施），考核规培医师对脱敏技术的应用（如匿名化、区域遮挡、差分隐私）、数据传输/共享的限制及申请流程；模拟医疗数据泄露场景，评估规培医师对泄露事件的严重程度判定、上报流程与时限、补救措施等应急响应机制的掌握水平。

由以上指标所构成的评价体系，可通过“理论—技能—实践—科研”递进式的考核链，结合AI特有的动态反馈机制（如实时记录决策过程并生成效能雷达图、个性化学习路径完成度、学习周期、AI资源利用率等），全面量化评估AI技术赋能下规培医师循证决策能力的提升效果。

5 AI赋能循证决策培训的实例

目前，AI赋能循证决策培训课程的建设及实施仍处于探索阶段，具有示范意义的实践案例尚不多见。为实现“知识体系智能化、实践能力场景化”的核心目标、增强学员的临床决策能力，南通大学最近推出了循证医学AI课程，该课程深度融合了AI技术并集成了循证教材、科研论文、临床案例等多种资源；通过引入“循证AI助手”及AI课程内容的学习，学员在临床问题发现、证据探索及评价、文献溯源、逻辑推演、解决临床问题等方面的能力得以有效提升^[25]。山东大学齐鲁医院^[26]近期举办了“AI＋临床案例分析教学工作坊”专题培训，创新性地构建了“三轨对比”教学模式：在一例复杂发热的疑难危重症病例讨论中，带教团队引导学员分别采用传统临床分析、DeepSeek AI辅助分析及两者融合分析这三种路径进行诊疗决策。通过该教学实践，学员深刻体会到应用DeepSeek可实现高效数据处理与精准诊断支持，传统临床分析与DeepSeek应用需互为补充、深度融合以实现知识的实时更新与循证决策。参与此次教学工作坊观摩的专家、教师则提出了各自的见解，如认为AI可“通过人机协同实现诊疗决策的双核驱动”、要“紧跟时代步伐，在扎实训练临床技能的基础上，熟练掌握AI辅助工具，注意患者的数据隐私保护”、“传统教学模式迎来了智慧化教学的变革时代”、“活动具有创新意识，是经验医学与数字循证医学的深度融合”。通过诸如此类的教学实践，将有助于引导师生认识AI在循证医学、规培教学中的应用价值，促进AI赋能培训的课程建设及实施。

6 结束语

综上所述，AI赋能循证决策培训的建设和实施，是推进规培教学数字化、智能化变革的有益尝试。目前，该培训课程所需的AI平台搭建、师资团队培养、教学模式与内容设计、评价体系制定等核心环节均处于理论探讨及实践摸索阶段。随着AI大模型技术的迭代升级及其与医学教育理念的深度融合，此类新型培训将助力培养兼具“循证决策力”“技术创新力”“证据思辨力”的复合型医学人才，为推进健康中国战略与全球医疗智能化进程提供强有力的人才支撑。

参考文献

[1] XUY Y, JIANG Z H, TING D S W, et al. Medical education and physician training in the era of artificial intelligence[J]. Singapore Medical Journal, 2024(3): 159-166.

[2] 樊荣荣, 施晓雷, 孙安, 等. 人工智能在住院医师规范化培养中的应用价值探讨[J]. 肿瘤影像学, 2018(4): 261-264.

[3] 隋佳宇, 刘爽, 刘海霞, 等. ChatGPT在临床医学教育中的应用与挑战[J]. 医学教育研究与实践, 2024(2): 141-145.

[4] 罗姚, 谈在祥. ChatGPT对循证医学发展的影响、挑战及其应对[J]. 医学与哲学, 2024, 45(12): 16-21.

[5] 教育部等九部门. 关于加快推进教育数字化的意见(教办〔2025〕3号)[EB/OL]. (2025-04-11) [2025-05-30].

[6] 白璐, 王耀东, 李娟, 等. 基于住院医师规范化培训视角的临床实践教学改革研究[J]. 中国继续医学教育, 2018(10): 11-13.

[7] 袁丽, 胡艺曦, 王照萱, 等. 论循证课例研究的实践: 教师教育的新取向[J]. 教师教育研究, 2020(4): 17-23.

[8] 江利冰, 张宏宇, 徐善祥, 等. 微信公众号背景下住院医师循证医学认知、态度及实践的多中心调查研究[J]. 中国毕业后医学教育, 2024(12): 913-917.

[9] WAGNER G, RINGEVAL M, RAYMOND L, et al. Digital health competences and AI beliefs as conditions for the practice of evidence-based medicine: A study of prospective physicians in Canada [J]. Medical Education Online, 2025(1): 2459910.

[10] 胡源晖, 邓伟祺, 李夏妍, 等. 2024全球证据峰会: 热点议题与人工智能在循证医学中的应用[J]. 中国医院用药评价与分析, 2025(2):129-133.

[11] 王梦溪, 王娜, 张欣多, 等. 人工智能医学教学平台的构建[J]. 中国高等医学教育, 2020(3): 46-48.

[12] 吕海坡. 河北广播电视台冀时客户端.“精智MedSeek”住培大模型河北首发![EB/OL]. (2025-03-21) [2025-05-30].

[13] 孔鸣, 何前锋, 李兰娟. 人工智能辅助诊疗发展现状与战略研究[J]. 中国工程科学, 2018(2): 86-91.

[14] 李鸿浩, 陈波, 李建平, 等. 医学教育中人工智能应用的现状、问题与对策[J]. 中国循证医学杂志, 2020(9): 1092-1097.

[15] NG F Y C, THIRUNAVUKARASU A J, CHENG H R, et al. Artificial intelligence education: An evidence-based medicine approach for consumers, translators, and developers[J]. Cell Reports Medicine, 2023(10):101230.

[16] 徐嘉悦, 王雨宁, 孙鑫, 等. 信息时代下的循证医学课程改革探索[J]. 中国循证医学杂志, 2024(5): 612-616.

[17] 丁文婧, 沈海波, 徐丁. ChatGPT在泌尿外科PBL教学中的应用探索与实践[J]. 中国医学教育技术, 2024(3): 287-292.

[18] 陈湘, 邓然, 吴川清. “ChatGPT+”时代普通外科住培教育的探索与思考[J]. 中国继续医学教育, 2024(12): 162-165.

[19] 蒋秋燕, 秦燕, 陶丽华, 等. 结合EBM理念的PBL在住院医师规培内科轮转中的应用评价[J]. 中华医学教育探索杂志, 2016(3): 304-310.

[20] 牟智佳, 刘珊珊, 陈明选. 循证教学评价: 数智化时代下高校教师教学评价的新取向[J]. 中国电化教育, 2021(9): 104-111.

[21] 李睿, 王欣苗, 戴蕴秋, 等. 人工智能素养发展维度指标构建的新思路: 《2023人工智能促进教育发展报告》节选四[J]. 中国教育信息化, 2024(7): 43-53.

[22] 李科威. 循证医学决策系统[J]. 中国数字医学, 2008(3):7-9.

[23] 杨秀木, 申正付,熊韵波, 等. 人工智能工具对医学硕士研究生科研创新能力的影响研究[J]. 蚌埠医科大学学报, 2025(1): 57-62.

[24] 武宗渊, 刘振, 张宗明. 人工智能在医学教育领域的现状、未来治理研究[J]. 中国医学伦理学, 2024(9): 1093-1100.

[25] 南通大学研究生院 学堂在线教育研究. AI智启研途:学科特质与技术赋能的深度融合——南通大学《循证医学》《纤维新材料及应用》创新教学实践[EB/OL]. (2025-05-07) [2025-05-30].

[26] 徐立升. 齐鲁医院举办AI人工智能＋临床案例分析教学工作坊暨DeepSeek赋能疑难危重症案例分析教学实践[EB/OL]. (2025-02-20) [2025-05-30].