【协和医学杂志】人工智能驱动的全链路临床诊断思维教学模式研发与评价
2026-10-01 协和医学杂志 协和医学杂志 发表于陕西省
本研究在严格控制教学内容与课时一致性的前提下,观察PDCA管理下AI驱动的新教学模式对临床诊断思维能力及教学效果稳定性的影响,并探索其内在作用路径,以期为智能化、标准化、高效化的医学教育改革提供参考。
临床诊断思维是医学生从知识掌握走向临床实践的核心能力,是医师资格准入与临床胜任力的关键构成要素[1-2]。传统临床思维教学以教师讲授、病例讨论、病区带教为主,存在训练场景有限、反馈滞后、标准不一、规模化不足等局限性,难以适应新时代精英医学人才培养对教学质量和效率的提升需求[3-4]。
人工智能(AI)技术的融入为临床思维训练提供了标准化、可重复、高度仿真的新路径。AI智能问诊系统能够模拟真实的诊疗流程,引导学生系统采集病史、合理选择辅助检查、逐步建立诊断逻辑,一定程度上可缓解传统教学中存在的资源配置不均衡等现实困境[5-7]。
本研究团队依托上海交通大学医学院附属瑞金医院数字医学创新中心自主研发的瑞智医学大模型,构建了国内首个覆盖“问诊-体格检查-辅助检查-鉴别诊断-初步诊断-病历书写-病例分析”全诊疗环节的AI临床诊断思维训练系统,该系统深度融合瑞金医院百余年积淀的临床教学经验与真实住院病例资源,依托诊断思维链构建,突破了传统AI工具仅具备单一问诊模拟功能的局限,实现了临床诊断全流程的沉浸式交互与智能化评估,具备完全自主知识产权和教学落地能力。目前,该系统已在诊断学课程教学、实习生轮转培训及住院医师规范化培训中实现了规模化应用。
需指出的是,单纯引入AI工具易出现“重使用、轻管理、弱反馈”的问题,导致教学效果波动较大、个体差异明显,且缺乏持续质量改进机制[8-9]。而计划-实施-检查-改进(PDCA)循环作为经典质量管理工具,已在医师资格考试培训、实验诊断学教学及住院医师规范化培训等医学教育场景中被证实能有效提升教学质量和考试通过率,形成闭环迭代、持续优化的管理范式[10-11]。
将AI智能辅助与PDCA质量治理深度融合,构建“AI赋能、数据驱动、闭环改进”的全链路教学模式,有望突破单一技术应用的局限,实现临床诊断思维教学效率与质量的双重提升[12-13]。
当前,国内外研究多集中于AI辅助教学或PDCA教学管理的单一维度,尚缺乏将二者有机整合的全链路模式构建及严格对照验证,亦未明确PDCA闭环在AI赋能教学环境中的独立效应及其作用机制。
为此,本研究在严格控制教学内容与课时一致性的前提下,观察PDCA管理下AI驱动的新教学模式对临床诊断思维能力及教学效果稳定性的影响,并探索其内在作用路径,以期为智能化、标准化、高效化的医学教育改革提供参考。
1 资料与方法
1.1 研究对象
本研究为单中心回顾性观察性研究,以2024年9月—2025年9月在上海交通大学医学院完成《诊断学基础》课程学习的临床医学专业学生为研究对象,涵盖临床医学八年制三年级、临床医学五年制三年级及“4+4”模式研究生一年级学生,均为处于临床医学见习阶段。
纳入标准:(1)已完成基础医学课程学习,进入诊断学与症状学核心学习阶段;(2)全程参加本周期教学、训练及全部测评环节,数据资料完整可追溯。
排除标准:因疾病、休学等原因未能完成全周期学习者和测评数据缺失者。
基于本周期实际教学改革实施方案,将符合标准的研究对象分为传统教学组(A组)、混合式AI教学组(B组)、PDCA循环优化的混合式AI教学组(C组)。其中A组为传统教学模式,B组与C组为“传统+AI辅助教学”模式。
本研究对“传统+AI辅助教学”模式作出明确定义:其核心为“传统线下理论授课 + AI全链路诊断思维训练系统自主练习”的组合形式,本质上是在传统教学基础上叠加AI系统辅助,区别于未引入智能训练工具的纯传统教学。
该模式具体分为两个层级:层级一为单纯AI辅助教学(B组),仅开放AI训练平台,不配套教学数据监测、阶段性复盘、个性化反馈等教学管理手段,学生自主完成AI训练,教师仅在固定时段提供答疑,不进行额外管理干预;
层级二为PDCA优化的“传统+AI辅助教学”(C组),在同等AI训练资源基础上,叠加PDCA全流程教学质量管控闭环。二者的核心区分标准在于是否纳入系统性的教学管理干预,而非简单以是否使用AI系统作为判定依据。
本研究已通过上海交通大学医学院附属瑞金医院伦理委员会审批(审批号:2026临伦审第611号),并豁免研究对象知情同意。所有数据均已完成脱敏处理,来源于常规教学存档资料,仅用于回顾性教学效果分析。
1.2 教学方法
本研究3组学生均执行统一教学大纲、核心病例库与教学考核标准,总学时均为32学时,仅教学模式、学时分配及质量管控机制有所不同,教学强度基本相当。3组师资配置保持统一,带教教师同步负责3组学生的线下授课与辅导。
在教学改革的模式下,教学行为存在明确差异,具体学时分配如下:
A组:32学时均为教师线下主导的传统授课、病例推演与床旁带教。
B组:12学时统一线下理论授课,4学时固定时段集中答疑,16学时AI系统自主训练;AI训练阶段无教师实时干预。
C组:12学时统一线下理论授课,4学时基于AI数据报告的个性化辅导与复盘,16学时AI系统自主训练;其中,复盘与个性化辅导内嵌于4学时答疑时段内完成,不额外增加教师总工作时长,仅依托AI数据支撑提升答疑的针对性与效率。
3组总学时一致,核心理论授课内容统一,组间差异体现于实践训练的载体形式及教师管理方式,基于此观察AI工具本身与PDCA教学管理机制各自产生的影响。
1.2.1 A组:传统教学
采用常规课堂理论授课联合病区小组式带教模式,共计32学时,全部由教师主导完成,涵盖病例讨论、床旁教学及线下答疑等环节。学生全程未使用AI全链路临床诊断思维训练系统,无系统化教学质量监测与动态反馈机制。课题组通过训练平台账号权限设置、课前使用情况问卷核查及课堂学习行为巡查等方式,保障教学模式的规范性。
1.2.2 B组:混合式AI教学
采用与C组完全一致的AI系统版本、核心病例库及训练任务,由AI全链路临床诊断思维训练系统全程辅助学生自主训练。学时分配为:12学时统一理论授课,4学时固定时段线下集中答疑,16学时学生自主进行AI训练,训练阶段无教师实时指导。教师仅负责集中答疑,未针对AI训练数据进行个性化指导或阶段性复盘。
本组在保留AI辅助教学条件的前提下,未应用PDCA质量闭环管理,未开展阶段性教学监测、数据复盘及教学动态调整,用于观察单纯AI工具应用的教学效果趋势。
1.2.3 C组:PDCA循环优化的混合式AI教学
本组在“传统授课 + AI全链路临床诊断思维训练系统辅助”教学基础上,叠加完整的PDCA教学质量闭环(图1),具体实施如下:
1 计划(Plan):结合临床诊断思维培养目标与AI系统训练特点,明确阶段性教学目标与核心能力达成标准,制定分层递进的学习任务及可量化的评价指标。以每4学时为1个周期,完成1个病例模块的训练与复盘。
2 实施(Do):完成12学时标准化诊断学理论课程学习;依托AI全链路临床诊断思维训练系统,完成16学时病例库AI专项强化训练,涵盖模拟问诊、体格检查、辅助检查及鉴别诊断等环节,学生在沉浸式交互中实时获取AI评价引导与思维路径辅助。
3 检查(Check):基于AI平台后台数据,动态监测学习进度、答题准确率、思维路径完整率及病例完成率等关键指标,形成阶段性数据报告。教师依据AI报告,将复盘与个性化辅导嵌入4学时答疑时段内,实现数据驱动的精准教学干预。
4 改进(Act):根据监测结果动态调整教学重点,优化病例难度、提示策略及评价引导方式;开展一对一结构化反馈与阶段性复盘,持续迭代教学方案,形成质量提升的闭环机制。

图1 PDCA模式下混合式AI教学流程图
PDCA:计划-实施-检查-改进;AI:人工智能
1.3 AI全链路临床诊断思维训练系统
本研究回顾性分析所采用的教学工具为团队自主研发的AI全链路临床诊断思维训练系统。该系统基于瑞智医学大模型与临床诊断思维链构建,适配医学生临床思维基础训练需求,能够实现问诊、体格检查、辅助检查、鉴别诊断及初步诊断等全流程临床场景的模拟与智能引导反馈。
1.3.1 系统架构与核心功能
1 系统架构与全流程诊疗模拟:系统以瑞智医学大语言模型为底层技术支撑,以临床诊断思维链为核心推理模块,以标准化病例库为数据基础,以过程数据采集与教学管理为扩展功能,构建完整的AI教学技术架构。系统覆盖病史采集、症状归纳、体格检查模拟、辅助检查决策、实验室结果判读、鉴别诊断排序及初步诊断形成七大核心环节,支持开放式、贴近真实临床的交互问诊,允许自由提问、系统追问及关键信息提示,不限定固定话术,契合临床实际诊疗场景。
2 智能引导与实时分级反馈:系统可实时追踪学习者的思维路径,对遗漏关键病史、不合理检查选择及诊断逻辑偏差等问题进行AI智能识别与评价,并按关键点提示、思路引导、原理解析等层级提供分级反馈,符合循序渐进的教学规律,有助于帮助学生逐步建立规范的临床诊疗思维。
3 标准化病例库与教学适用性:系统病例库涵盖七大系统共19个教学病种,总计1000例标准化病例,全部来源于瑞金医院真实住院病例,经脱敏、整理及专家审定后入库,与《诊断学基础》教材及八年制教学大纲要求高度吻合,可满足不同阶段学生系统化、阶梯化训练的需求。
4 过程性数据采集与教学管理功能:系统可自动记录训练次数、完成时长、病史采集问诊评价、检查选择合理性、诊断准确率及思维路径完整度等学习行为数据,生成个性化AI评价报告并自动推送,为PDCA闭环管理提供数据支撑。教师端可查看班级整体学习情况、高频错误点及阶段进步趋势,并可推送个性化训练任务,实现精准化教学管理。
1.3.2 系统使用规范
B组与C组采用完全一致的系统版本、病例库及训练任务,所有学生均按照统一要求开展训练,每周训练不少于2次,每次训练时长不低于30 min,所有训练数据全程留痕存档。系统仅提供思维引导与过程性反馈,不直接给出诊断结论,保障训练过程的客观性、公平性及教学有效性。
1.4 观察指标与评价方法
研究观察周期为2024年9月—2025年9月的2个完整教学学期。基线测评于课程开课首日完成。学生基线资料包括年龄、性别、既往平均学分绩点(GPA)、见习前诊断学理论测验成绩(≥60分为及格,>85分为优秀)、医患沟通测评成绩、既往病例分析训练次数及AI工具使用经验。其中,既往病例分析训练次数是指研究对象在本课程开始前,参与结构化病例讨论或病例分析训练的累计次数,涵盖课堂病例讨论、模拟病例推演及标准化病例分析训练;AI工具使用经验定义为研究开始前曾使用基于AI的医学学习辅助系统累计不少于3次,或持续使用时间超过1个月。以上信息由学生自报,通过课前问卷调查统一收集。
终末测评数据为课程结束后1周内的统一考核结果,用于评估不同教学模式的学生学习成效差异。包括以下两项指标:
1 理论掌握能力:以《诊断学基础》课程期末理论成绩为评价依据,满分100分。统计指标包括平均分、优秀率(>85分)及及格率(≥60分)。
2 临床技能实践能力:以客观结构化临床考试(OSCE)临床技能多模块考核成绩为评价依据,包括5个模块评分,具体涵盖病史问诊、体格检查、实验室检查、诊断与诊断依据、病例分析,各部分满分均为20分。
1.5 统计学处理
采用STATA 17.0软件对存档教学数据进行回顾性统计分析。所有计量资料均进行正态性检验,符合正态分布者以均数±标准差表示,3组比较采用单因素方差分析,组间比较采用LSD检验(为控制多重比较所致的一类错误风险,两两比较时对P值进行Bonferroni校正,检验水准设定为0.017);计数资料以例数(%)表示,组间比较采用卡方检验。以P<0.05为差异具有统计学意义。
2 结果
2.1 一般资料
共纳入180名临床医学专业学生,其中临床医学八年制三年级80人、临床医学五年制三年级60人及“4+4”模式研究生一年级40人;A组、B组、C组各60人。基线资料显示,3组年龄、性别、既往GPA、见习前诊断学理论测验成绩、医患沟通测评成绩等基线资料差异均无统计学意义(P均>0.05),详见表1。
表1 3组基线资料比较

2.2 不同教学模式对学生理论课程成绩的影响
通过比较3组学生的《诊断学基础》课程完成后期末理论成绩,评估不同教学模式对基础理论知识掌握水平的影响。结果显示,A组、B组、C组分别为(83.1±5.9)分、(83.4±6.0)分、(82.6±5.4)分,组间差异无统计学意义(F=0.303,P=0.739)。在及格率(≥60分)方面,3组均为100.0%;在优秀率(>85分)方面,3组分别为28.3%(17/60)、31.7%(19/60)和35.0%(21/60),组间比较差异亦无统计学意义(χ2=1.252,P=0.535)。上述结果表明,不同教学模式对学生基础理论知识掌握水平的影响差异有限。
2.3 不同教学模式对学生临床技能实践能力的影响
通过比较3组学生的OSCE考核成绩,评估不同教学模式对其临床技能实践能力的影响。单因素方差分析结果显示,3组在“病史问诊”与“病例分析”两个模块的评分差异具有统计学意义(P均<0.05)。进一步两两比较显示,A组、B组、C组“病史问诊”与“病例分析”两个模块的得分均依次增高,差异均具有统计学意义(P均<0.017)。在“体格检查”“实验室检查”“诊断与诊断依据”方面,3组差异均无统计学意义(P均>0.05),详见表2。
表2 3组临床技能考核成绩比较


3 讨论
本研究通过回顾2024年9月—2025年9月期间单中心临床医学教学实践数据,比较了传统教学、单纯AI辅助教学及PDCA优化+AI混合教学三种模式的教学效果差异。回顾性分析结果显示,3组学生《诊断学基础》理论考核成绩无统计学差异;但在OSCE考核中的“病史问诊”与“病例分析”模块,3组间呈现出一定的特征差异,其中AI叠加PDCA教学模式组学生的相关得分整体相对更高。上述发现可为智能化教学模式的后续优化提供参考性实践数据。
本研究共纳入180名临床医学专业学生,3组在年龄、性别、既往GPA、见习前诊断学理论测验成绩、医患沟通测评成绩、病例训练次数及AI工具使用经验方面差异均无统计学意义(P均>0.05),提示研究对象分组呈现随机化、基线资料具有可比性,可排除基础水平差异对观察结果造成的主要干扰,组间结局差异或与教学模式不同存在一定关联,但无法完全排除其他潜在混杂因素影响。
从理论成绩观察结果来看,3组《诊断学基础》期末理论成绩、优秀率、及格率差异均无统计学意义(P均>0.05),提示3种教学模式对学生《诊断学基础》理论成绩的影响有限。推测原因在于《诊断学基础》理论知识高度依赖教材内容与课堂讲授,3组统一教学大纲、授课内容与考核标准,因此知识掌握水平相近。该结果也提示,AI驱动与 PDCA管理在教学中的价值更多体现在临床思维、实践技能、诊疗流程规范等能力维度的培养,对理论知识记忆的提升作用尚不显著。
3.1 AI辅助教学对临床思维核心维度的提升效应
OSCE各模块数据分析结果显示,接受AI辅助训练的两组学生在“病史问诊”与“病例分析”等侧重诊断逻辑与临床思维梳理的模块中表现相对更优,而在“体格检查”“实验室检查”等偏重实操技能与知识记忆的模块中未见明显优势。
上述结果提示,全链路AI训练工具对医学生临床诊断思维逻辑的培养具有潜在的辅助作用。传统教学多依赖教师个人经验与床旁病例资源,仅能覆盖碎片化的诊疗环节,且反馈滞后、标准不一,难以实现诊断思维的系统化培养。
本研究采用的全链路AI训练系统可提供从首次问诊到最终诊断的完整临床路径模拟,为学生提供了连贯、闭环的思维训练场景,可能在一定程度上改善学生的病例分析与问诊能力。
本研究采用混合式AI教学的两组在“病史问诊”与“病例分析”两个核心维度的得分均显著优于传统教学组(P均<0.017),提示AI诊断思维训练系统或能够将抽象的临床思维转化为可练习、可纠错、可追踪的标准化训练过程,可能弥补传统教学中病例资源不足、示范机会有限及反馈延迟等固有短板。
在“体格检查”“实验室检查”“诊断与诊断依据”模块,3组差异无统计学意义(P均>0.05)。推测原因为体格检查操作更依赖线下实操带教与手感训练,AI系统难以对操作细节进行沉浸式指导;实验室检查判读与诊断表述则更依赖基础理论知识的记忆与理解,而3组理论教学内容一致,故水平相近。
上述结果提示,AI辅助教学可作为诊断逻辑与问诊流程等思维类能力的补充培养手段,尚无法完全替代线下实操教学。
3.2 PDCA循环是提升AI教学效果的增效机制
本研究进一步发现,在相同AI训练资源与总学时条件下,叠加PDCA质量闭环的学生,“病史问诊”与“病例分析”模块得分整体优于单纯AI训练组,差异具有统计学意义(P均<0.017)。分析其潜在原因,PDCA循环通过计划(Plan)明确目标、实施(Do)落实训练、检查(Check)数据监测、处理(Act)持续改进,实现对学习过程的全流程质控。
一方面,基于AI系统数据精准识别薄弱环节,动态调整教学重点;另一方面,通过结构化复盘与阶段性反馈,强化正确思维路径、纠正高频错误,使AI训练从自由练习升级为闭环提升。
通过目标规划、常态化训练、数据化监测、阶段性整改优化的闭环模式,将学生自主式AI训练从无规律的自由练习,转化为有目标、有监测、有反馈、有优化的系统化训练过程,或可有效减少学生自主训练的随意性,有助于梳理规范的临床诊断思维路径,从而呈现出更好的训练效果。
临床诊断思维是临床医学八年制教育的核心能力目标,然而传统教学模式在实现规模化、同质化及高质量培养方面仍面临较大挑战。结合本研究的回顾性观察数据,AI驱动联合PDCA管理模式可在不增加教学时长、不改动现有课程框架的前提下,一定程度上优化学生在临床思维核心能力维度的表现,为临床思维标准化教学的改良提供了参考思路。但由于研究设计所限,该模式的普适性与稳定性尚需进一步通过前瞻性、多中心研究加以验证。
本研究为单中心、回顾性观察性研究,存在诸多固有局限性:
(1)研究采用非随机干预设计,各组学生来源于教学改革背景下的常规教学分组,可能存在潜在的选择偏倚,观察结果无法确立严格的因果关系,仅能提示变量间的相关性与趋势。
(2)仅纳入单学年、单中心样本,样本量有限,结果外推性受限;观察周期局限于课程阶段,未开展远期随访,因此未能评价学生能力的长期留存效果及对后续临床轮转表现的影响。
(3)本次OSCE考核的评分,教师未实施严格的评价者盲法,可能存在一定的评价偏倚。
(4)单次OSCE考核仅能反映当前阶段的临床思维水平,尚不足以作为临床诊断思维能力判定的金标准。
未来研究可通过开展多中心、大样本、长期随访设计,进一步优化AI系统与PDCA的融合路径,完善评价体系,以进一步验证该教学模式的长期效果与推广应用价值。
综上,本研究通过回顾性观察性数据初步发现,相较于传统单一教学模式,PDCA循环优化的全链路AI临床诊断思维教学模式,与医学生“病史问诊”与“病例分析”等核心临床思维能力的提升存在一定相关性,且未对学生理论知识学习产生负面作用,未增加理论教学负担。该教学模式有望作为临床医学诊断思维教学的改良方案,但其长期效果、适用场景、推广价值仍有待更多高质量研究进一步验证。
参考文献
[1]张翰林, 何紫棠, 李玥, 等. 临床医师胜任力的经典模型与研究进展[J]. 协和医学杂志, 2023, 14(6): 1296-1300.
[2]Cahyaningrum Y D, Suhoyo Y, Rahayu G R. Facilitating clinical reasoning for medical students in clinical settings: a scoping review[J]. Korean J Med Educ, 2025, 37(2): 163-186.
[3]Lou J C, Guo F. Comparing the seminar-case learning and lecture-based learning models in medical education: a meta-analysis of randomized controlled trials[J]. BMC Med Educ, 2025, 25(1): 470.
[4]Zhou X X, Yang Q, Bi L L, et al. Integrating traditional apprenticeship and modern educational approaches in traditional Chinese medicine education[J]. Med Teach, 2024, 46(6): 792-807.
[5]Liu H T, Cheng H H, Zhang Y, et al. Revolutionizing clinical skills training with Generative AI: the Intelligent Inquiry Training System framework[J]. Front Med (Lausanne), 2026, 13: 1781314.
[6]周志浩, 宋佳琳, 刘嘉成, 等. 基于人工智能LLM技术的虚拟患者系统构建与临床教学应用[J]. 医学新知, 2024, 34(7): 833-842.
[7]Wang H, Zheng D N, Wang M Y, et al. Artificial intelligence-powered training database for clinical thinking: app development study[J]. JMIR Form Res, 2025, 9: e58426.
[8]胡洺皓, 韩雨廷, 吕筠, 等. 人工智能应用于医学教育的优势与挑战[J]. 中华流行病学杂志, 2026, 47(2): 200-206.
[9]Tran M, Balasooriya C, Jonnagaddala J, et al. Situating governance and regulatory concerns for generative artificial intelligence and large language models in medical education[J]. NPJ Digit Med, 2025, 8(1): 315.
[10]贾明月, 肖锶瑶, 邵翔, 等. PDCA循环在中医内科学临床教学中的应用研究[J]. 中医教育, 2025, 44(2): 137-140.
[11]廖仕贤, 周日照, 熊琨, 等. PDCA循环在住院医师规范化培训出科理论考核中的应用及思考[J]. 科教导刊, 2023(35): 59-61.
[12]赵萍, 胡忠利, 叶明, 等. PBL+PDCA+OSCE教学法在风湿免疫科临床教学中的应用[J]. 中国继续医学教育, 2025, 17(10): 97-101.
[13]苑广奎, 孙欣花, 赵进, 等. 基于PDCA循环的医院教学质量持续改进机制研究[J]. 中国卫生产业, 2026, 23(2): 24-27.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言











#人工智能#
54 举报