DeepSeek-R1作认知脚手架：麻醉初级医生决策准确率升至86%，逼近专家但仍有差距

核心要点

• 问题：麻醉决策高度依赖经验，初级与资深医生之间存在显著能力鸿沟，决策支持工具能否弥合这一差距尚缺对照证据。
• 方法：模拟多臂对照研究招募48名麻醉医生（16名专家、32名初级医生），初级医生随机分为纯自主组与AI辅助组，后者用DeepSeek-R1按先独立决策、再AI咨询、后修订的三步法处理20个临床场景。
• 结果：AI辅助组决策准确率86.0%，显著高于纯自主组61.7%（P<0.0001）；但与专家相比差异未达统计学显著（P=0.349）。
• 意义：推理型大模型可作初级医生的认知脚手架，显著缩小但未完全弥合经验鸿沟，且存在自动化偏见风险，需在真实临床前瞻验证。
• 原文：Bridging the experience gap: reasoning-oriented LLMs as cognitive scaffolds for junior anesthesiologists—a multi-arm controlled study，BMC Anesthesiology，2026年8月14日

麻醉决策的经验鸿沟与AI机遇

麻醉学（Anesthesiology）的临床决策高度依赖经验积累。初级住院医师与资深专家之间，在气道管理（airway management）、血流动力学调控（hemodynamic regulation）、麻醉药理学（anesthetic pharmacology）与危机管理（crisis management）四个核心领域存在明显能力差距，而这种差距直接关系到围术期患者安全。传统上，初级医生只能依靠轮转带教和病例积累缓慢补足，过程漫长且成本高昂。

大型语言模型（Large Language Models, LLMs）的兴起为弥合这一鸿沟提供了新思路。与此前多模态AMIE研究展示的对话式AI诊断能力不同，具备推理能力的模型（reasoning-oriented LLM）能够展示逐步思考过程，更像一位可以边想边解释的资深带教。然而在麻醉这一高时效、高风险的决策领域，推理型大模型究竟能否真正辅助初级医生、又是否会被盲目信任，此前缺乏严格的对照证据。

2026年8月14日，广东省人民医院团队在《BMC Anesthesiology》发表一项多臂对照研究，用DeepSeek-R1作为认知脚手架，系统评估其对初级麻醉医生决策能力的影响。

认知脚手架的三步式创新

这项研究在方法上有三个实质性设计，与既往AI决策辅助研究形成明显区别：

一、把大模型定位为认知脚手架，而非决策替代者。 过去多数研究把AI当作给出答案的第二诊断者，直接比较AI与医生的准确率。本研究则把DeepSeek-R1定位为初级医生的认知脚手架，人始终是决策主体，AI负责补充思路、提示遗漏，而非直接下结论。

二、先独立决策、再AI咨询、后修订的三步流程。 初级医生先独立给出判断，再咨询AI，最后决定是否修订。这一顺序本身就在对抗自动化偏见——医生先形成自己的判断，AI只能作为校验，而非思考的起点。这正是它与既往研究的关键差异。

三、随机分组并引入专家金标准。 初级医生被随机分为纯自主组与AI辅助组，同时以16名资深专家作为金标准参照。研究回答的不仅是AI是否优于不用AI，更是AI辅助能否追平专家，这比单纯的两两比较更贴近临床关切。

技术原理：先独立决策、再咨询、后修订

本研究的输入是20个标准化临床场景，覆盖气道管理、血流动力学调控、麻醉药理学与危机管理四个领域。处理流程分为三步：初级医生先独立评估并给出初始决策；随后将该决策提交给DeepSeek-R1，由模型输出逐步推理与建议；最后医生依据AI建议决定是否修订，形成最终方案。

评价环节由资深专家按准确性（accuracy）、全面性（comprehensiveness）与安全性（safety）三个维度评分，并以专家自身表现作为金标准参照。需要强调的是，DeepSeek-R1在本研究中是具体的推理型大模型干预工具，并非完整的临床产品；研究评估的是人与模型协作后的整体效果，而非模型独立运行能力，因此不能据此推断模型可脱离医生自主决策。

数据说话：准确率提升24个百分点

研究共完成对48名医生在20个场景下的决策评估。以下是核心结果：

最核心的发现是：AI辅助使初级医生的决策准确率从61.7%提升到86.0%，提升了约24个百分点；全面性从53.7%提升到84.3%。但值得注意的是，混合效应分析显示，AI辅助组与专家组的准确率差异并未达到统计学显著（P=0.349），全面性亦然（P=0.335），意味着AI显著缩小了差距，却并未反超专家。安全性维度两者无显著差异（P=0.644），且AI辅助组用时与自主组基本相当，未造成明显延误。研究还报告，约65%的AI建议最终被医生采纳。

从实验室到临床：应用前景与局限

可能的应用场景：

• 规培带教与继续教育：在模拟训练中引入推理型大模型作为即时反馈，帮助初级医生在安全环境中补足经验短板。
• 术前高风险决策的双人核对：初级医生独立判断后，由大模型提供第二意见，用于提示遗漏或风险点。
• 基层与资源有限场景：在资深专家短缺的机构中，可作为辅助工具，但需在专家监督下使用。

重要局限：

第一，这是模拟场景研究，而非真实患者。20个标准化场景无法完全复现真实手术室的多任务并行、时间压力与不确定信息，结论外推需谨慎。第二，样本量较小，仅48名医生、且为单中心设计，跨机构、跨文化环境下的泛化性有待验证。第三，自动化偏见风险不可忽视——65%的AI建议被采纳，作者也明确提示在危机场景中需培训医生批判性评估AI输出，这与我们此前报道的自动化偏见随机对照试验结论一脉相承。

需要明确，本研究能支持的是模拟环境下推理型大模型可提升初级医生的决策表现；不能支持的是DeepSeek-R1可直接用于真实临床麻醉决策。后一结论需要前瞻性临床试验和监管审批才能得出。

结论与产业启示

这项研究最有价值的结论是：推理型大模型作为认知脚手架，能显著缩小但未完全弥合初级医生与专家的经验鸿沟，且这一提升建立在三步式人机协作设计之上，而非简单地让模型替医生做决定。

对医疗AI企业和研究团队有三点可执行建议：一是把产品设计的重心从模型性能转向人机协作流程，通过先独立决策、再咨询、后修订的顺序降低自动化偏见；二是把专家金标准引入评估体系，衡量AI能否追平而非仅仅超越基线；三是将安全性作为独立维度持续评测，而非只报告准确率。

思陌智能科研服务在医疗大模型与临床决策支持方向持续投入，可为医院和研究机构提供大模型临床应用的方案设计、基准评估与安全验证服务，帮助团队在模型落地前厘清适用边界与风险。若您的团队正推进类似工作，欢迎与我们探讨。

相关问题

Q：DeepSeek-R1 能直接用于真实临床麻醉决策吗？

A：不能。本研究是在模拟场景下完成的对照评估，未在真实患者和手术室环境中验证，模型本身也未作为医疗器械获批。结果只说明推理型大模型可在模拟环境中辅助初级医生，从实验室到真实临床仍需要前瞻性验证与监管审批。

Q：AI 辅助会让医生越来越依赖模型、产生自动化偏见吗？

A：存在这一风险。研究中有65%的AI建议被采纳，作者也明确提示危机场景下的自动化偏见风险。为缓解该问题，研究采用先独立决策、再咨询AI、后修订的三步法，并要求对医生进行批判性评估AI输出的培训。

Q：初级医生会被AI替代吗？

A：不会。AI辅助组的准确率升至86.0%，仍略低于资深专家（差异未达统计学显著，但并未反超），说明临床经验仍有不可替代的价值。本研究中AI的定位是认知脚手架，帮助初级医生缩小差距，而非取代医生。

参考文献

1. Yang H, Zhang G, Wang Z. Bridging the experience gap: reasoning-oriented LLMs as cognitive scaffolds for junior anesthesiologists—a multi-arm controlled study. BMC Anesthesiology. 2026. DOI: 10.1186/s12871-026-04173-4

2. Qazi IA, Ali A, Khawaja AU, et al. Automation Bias in Large Language Model–Assisted Diagnostic Reasoning among Physicians Trained in AI Literacy — A Randomized Clinical Trial. NEJM AI. 2026;3(5). DOI: 10.1056/AIoa2501001

3. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open. 2024;7(10):e2440969. DOI: 10.1001/jamanetworkopen.2024.40969

本文基于 Bridging the experience gap: reasoning-oriented LLMs as cognitive scaffolds for junior anesthesiologists—a multi-arm controlled study 的独立解读，仅供学术交流，不构成临床建议。