肯尼亚+18分、印尼+10.7分、荷兰+7.2分：LLM对医生的帮助，取决于当地医疗资源有多薄
9月9日，npj Digital Medicine发表一项多国随机对照试验：249名医生在印尼、肯尼亚、荷兰使用GPT-4o处理真实临床案例，结果显示LLM对诊疗质量的提升幅度与当地医疗资源水平成反比——肯尼亚医生+18.0个百分点、印尼+10.7个百分点、荷兰+7.2个百分点。对照组无临床指南、无网络辅助。研究提示：LLM是医疗资源稀缺地区医生最大的增益来源，公平增益机制值得全球健康政策关注（AEA RCTR-0013399/NCT07374926注册）。
249名医生、三个国家、一个GPT-4o。9月9日发表于《npj Digital Medicine》的一项多国随机对照试验给出了一个形态非常干净的结果：给医生开放大语言模型（LLM）访问后，肯尼亚医生的病例决策成绩提升18.0个百分点，印尼提升10.7个百分点，荷兰提升7.2个百分点。同一个模型、同一场考试，增益与当地医疗资源的厚度恰好成反比。这是"LLM能否缩小全球医疗质量差距"这个问题第一次拿到随机对照证据——尽管这个证据本身，带着一个巨大的星号。
开场三组数字：同一个GPT-4o，三种增益
先看试验骨架。研究由全球人工智能伙伴关系（GPAI）资助，在印度尼西亚、肯尼亚、荷兰三国开展平行组随机对照试验：249名医生简单随机化分入干预组或对照组，完成4个英文临床病例（vignette）的决策任务。
结果按国家呈现：
| 国家 | 收入层次 | 增益（百分点） | 95%置信区间 |
|---|---|---|---|
| 肯尼亚 | 低收入 | +18.0 | 12.7 至 23.2 |
| 印度尼西亚 | 中等收入 | +10.7 | 5.7 至 15.7 |
| 荷兰 | 高收入 | +7.2 | 3.7 至 10.7 |
三组p值均小于0.001。梯度整齐得近乎完美：基线资源越薄弱，LLM带来的提升越大。
这就是这篇论文真正的贡献所在。过去几年，"LLM医生考试吊打人类"的新闻满天飞，但考试分数与临床价值是两回事；真正稀缺的是"把LLM交到医生手里，决策变好了多少、对谁变好"的随机对照证据。这项研究第一次把这个问题放进了高、中、低三种收入环境的对照框架里。
试验设计拆解：对照组连指南都不给
理解这个结果，必须看清楚对照组是什么。
干预组：可以访问GPT-4o。对照组：不能访问LLM，也不能使用互联网检索和临床指南——研究者刻意构造了一个"裸奔"条件。
这个设计有其道理：它模拟的是资源极度受限环境中医生的真实状态——没有随手可查的指南库、没有会诊网络，主要靠记忆和经验。研究团队想测的正是这种条件下LLM的增量。
但这个选择同时埋下了全文最大的争议点（下一节展开）。另外两个需要记录的事实：数据采集于2024年至2025年初——测试的是当时的模型，不是今天最强的模型；结局指标是书面病例的决策评分，研究未评估危害（harms not assessed）。
增益梯度背后的公平含义
抛开方法争议，这个梯度本身值得展开。
全球疾病负担的分布与医生资源的分布是错位的：可预防死亡集中在医疗资源薄弱地区，而AI模型的开发与评测几乎全部发生在资源丰厚地区。过去"AI会不会拉大医疗鸿沟"是个开放问题——如果AI只在顶尖医院锦上添花，它就是鸿沟的放大器。
这项研究给出的证据方向相反：LLM的增益在资源最薄弱处最大。肯尼亚医生获得的18个百分点提升，比荷兰医生的7.2个百分点多出一倍半。用作者的话说，LLM可能有助于缩小（而非扩大）不同收入地区间的医疗质量差距。
机制上这不难理解：荷兰医生不缺指南、不缺检索、不缺会诊，LLM是在与一整套成熟的知识基础设施竞争，边际价值自然低；肯尼亚医生面对的是知识基础设施的真空，LLM一步到位地补上了"可检索的决策支持"这个缺口。一个工具的价值上限，取决于它替代的稀缺品有多稀缺。
最大的争议点：这是"与什么比"的问题
现在说那个星号。
对照组被禁止使用网络与指南，意味着这项试验测量的严格来说是：**"LLM"与"一无所有"的差距，而不是"LLM"与"常规资源"的差距。**一位荷兰评论者的表述很尖锐：这个设计测的是模型对虚无的优势，不是模型对医生日常工具箱的优势。
实际推演一下就明白差别：荷兰一位有UpToDate、有本地指南、有科室会诊的医生，遇到疑难病例时真的会从GPT-4o那里得到多少增量？这项研究回答不了。它只能说：在没有这些东西的地方，LLM价值巨大。
还有一层限定：4个书面病例、受控环境、无真实患者、未评估危害——从"决策表现提升"到"患者结局改善"之间，还隔着整条证据链。研究自己在标题里用的词也很克制：是"impact on physician decision-making"，不是"impact on patient outcomes"。
对评测工程的启示：评测条件决定结论
对做医疗AI评测的团队，这项研究有个方法论层面的提醒：评测条件的构造方式，直接决定你能讲出什么故事。
- 如果对照组是"无资源"，你证明的是模型的兜底价值；
- 如果对照组是"常规资源"，你证明的是模型的边际价值；
- 如果对照组是"LLM+指南"，你证明的是组合价值。
三种设计对应三种完全不同的产品叙事和监管主张。医疗AI的很多"翻车"争议，本质是评测条件与商业叙事之间的错位——用兜底价值的数据，讲边际价值的卖点。这项研究在这个意义上是一份诚实的样本：它把条件写得明明白白，把"公平增益"的结论严格锚在它自己的设计之内。
边界：潜力，不是床旁证据
收束一下。这项研究能支持的结论是：在受控条件下、以书面病例为载体、与无资源状态相比，GPT-4o显著提升了三个国家医生的决策表现，且呈资源反比梯度。它不能支持的结论是：LLM优于有正常资源支持的医生（没测）、LLM使用改善患者结局（没测）、最新模型也有同样效果（用的是2024-2025年初的模型）。
但作为"AI与全球健康公平"这条长期叙事的第一块RCT拼图，它的位置已经站住了。下一步真正的考题是：在真实诊所、真实患者、真实工作流里，这个梯度还在不在。
千方医数集编辑部 出品
