如何看待「普通医生迟早被计算机替代」的观点？
首先，我们得弄清楚“普通医生”指的是什么。在我的理解里，“普通医生”并非贬义，它通常指的是在临床实践中，负责日常诊疗、诊断、开具处方、执行常规手术等工作的基层医生或专科医生。他们的工作核心在于对疾病的识别、病情的分析、治疗方案的制定以及与患者的沟通和关怀。
而“计算机替代”，这里的计算机更准确的说法应该是人工智能（AI）驱动的医疗系统或机器人。这些系统在处理大量数据、识别模式、进行复杂计算方面拥有天然的优势。例如，AI在医学影像分析（如识别X光片、CT、MRI中的病灶）、基因测序数据解读、新药研发等方面已经展现出超越人类专家的潜力。它们能够以惊人的速度和精度处理海量信息，找出人类肉眼可能忽略的细微差别。
那么，计算机（AI）能否“替代”普通医生呢？我认为答案是复杂的，不能简单地说“是”或“否”。
AI在哪些方面可能“替代”或“增强”普通医生的工作？
诊断辅助： 这是AI目前最突出的优势之一。AI可以通过分析医学影像、病理报告、基因数据，甚至患者的电子病历，辅助医生做出更准确、更快速的诊断。对于一些常见的、模式化的疾病，AI甚至可能比经验尚浅的医生更擅长。例如，在皮肤癌筛查、眼底病变检测方面，AI算法已经达到了专业医生的水平。
数据分析与决策支持： 医生每天面对大量患者信息，而AI可以快速整合和分析这些信息，提供个性化的治疗建议。例如，AI可以根据患者的基因信息、病史、对药物的反应等，推荐最有效的治疗方案，甚至预测潜在的副作用。这对于一些复杂的疾病，如癌症，尤其重要。
效率提升与任务自动化： 一些重复性、耗时的工作，如病历录入、报告生成、部分药物配送等，完全可以由AI来完成，从而解放医生，让他们将更多精力放在与患者的互动和复杂决策上。
远程医疗与基层医疗： 在医疗资源匮乏的地区，AI驱动的远程诊断系统可以为基层医生提供强大的支持，甚至直接为患者提供初步的咨询和诊断，一定程度上缓解医疗资源不均的问题。
药物研发与疾病预测： AI在加速新药研发、识别疾病高危人群、预测疾病爆发趋势等方面也发挥着越来越重要的作用。
为什么说“替代”并非完全准确？或者说，普通医生有哪些AI难以替代的特质？
同情心、关怀与人文关怀： 医学不仅仅是科学，更是一门艺术，一门关于与人打交道的艺术。医生与患者之间的沟通，不仅仅是信息的传递，更是情感的交流。患者在疾病面前，需要的是理解、安慰和信任，这是冰冷的算法和机械的流程所无法给予的。医生需要用语言、表情、肢体动作去安抚患者的恐惧，给予希望，建立起医患之间的信任关系。一个好的医生，不仅能治疗疾病，更能治愈心灵。AI在这方面，目前还远远无法企及。
复杂情境的判断与灵活应变： 虽然AI在处理结构化数据上表现出色，但在面对复杂的、非典型的、多因素交织的临床情况时，它可能缺乏人类医生的直觉和经验。医学实践中，许多时候需要医生结合零散的信息、患者的非语言表达，甚至是“感觉”，来做出临时的、非标准化的决策。AI的决策是基于训练数据，当遇到数据模型之外的“黑天鹅”事件时，其应对能力可能会受到限制。
责任与伦理的担当： 医疗决策往往涉及重大的伦理和法律问题。当出现误诊、漏诊或治疗不当导致不良后果时，谁来承担责任？目前，AI系统尚不具备独立承担法律和伦理责任的能力。最终的决策和责任，仍然需要由人类医生来承担。
创造性思维与突破： 科学的进步往往伴随着突破性的创新。在面对未知疾病、罕见病时，医生需要运用创造性思维去探索新的诊断方法和治疗策略。AI的优势在于优化和应用现有知识，但在从零开始的探索和颠覆性创新方面，人类的智慧仍然是不可或缺的。
感知与解释模糊信息的能力： 患者描述症状时，往往会使用模糊、带有情感色彩的词语。医生需要通过追问、观察、甚至体察患者的情绪，来理解这些信息背后的真实含义。AI在理解这类非结构化、主观性强的信息时，仍然面临挑战。
所以，更准确的说法是“AI赋能”而非“替代”？
我更倾向于将AI的出现视为对普通医生工作模式的“赋能”和“重塑”，而不是简单的“替代”。未来的医生，可能不再是单纯的知识和技能的执行者，而是AI系统的“使用者”和“协作者”。
AI将成为医生强大的助手： 就像我们现在使用各种先进的医疗器械一样，AI将成为医生诊断和治疗的“超级工具”。医生需要学习如何有效地使用这些工具，并将AI提供的建议与自己的临床经验和对患者的理解相结合，做出最终决策。
医生角色的转型： 随着AI承担更多基础性的诊断和数据分析工作，医生将会有更多时间专注于需要人文关怀、复杂决策、创造性思维和情感交流的方面。他们可能需要成为更好的沟通者、伦理决策者、以及复杂病例的整合者。
“普通医生”定义的延伸： 那些能够熟练运用AI工具，并在此基础上提供更优质、更人性化服务的医生，将不再是意义上的“普通医生”，而是适应时代发展的新型医疗从业者。
总结来说：
“普通医生迟早被计算机替代”这个观点，在强调AI在医疗领域巨大潜力这一点上是正确的，特别是在信息处理、模式识别和效率提升方面。然而，它过于简化了医疗实践的复杂性，低估了人类医生在同情心、人文关怀、复杂情境判断、伦理担当以及创造性思维等方面的不可替代性。
我预计，未来的医疗场景将是人类医生与AI系统高度协作的模式。AI会极大地提升诊断的准确性和效率，优化治疗方案，并减轻医生的工作负担，让医生能够将更多精力投入到那些真正需要“人”来完成的方面。所以，与其说是“替代”，不如说是“进化”和“协作”。那些能够适应并驾驭AI的医生，他们的价值将得到更大的体现，而那些拒绝拥抱新技术的，可能会面临被时代淘汰的风险。这场变革，与其说是对医生职业的终结，不如说是对其更深层次价值的重新定义和提升。
网友意见
我是医生。
我认为，普通医生被计算机取代，最多也就是30年的事情。不会被完全取代，但社区门诊和基层卫生院很大部分常见病会交给电脑自动诊断。
楼上有搞机器学习的朋友说，不能这么乐观，现在深度学习还没有传说的那么神。比如
@王刚说的
但凡真正了解过“AI”的定义（比如维基百科上的），或者实打实地看过一两本AI导论式的书，都绝对不会问出这样的问题。
对，我承认他说的，现在AI系统还不靠谱。但同样的，但凡真正了解过基层医生水平和工作能力的人，绝对会相信电脑可以取代这个医生。
毫不客气的说，我国大部分医生都不合格。尤其是基层卫生单位。知乎上的人提到医生保底都得是三甲，但问题是哪儿有那么多三甲医院？
以我们县城为例，县医院中医院最近两年才评上三甲，俩医院门诊住院人次全年加起来也就三四万人。
其他还有哪些医疗资源？
12个乡镇卫生院。（普遍是一乙，偶尔有几个一甲。）
700多个乡医诊所（卫生院直接管理，有基本药物补贴）。
2000个民营诊所。
后面这些地方每年的诊疗人次远超过县医院和中医院。
这些地方，大部分医生业务知识匮乏，没有学习动力，一个药方能用十几年。这几年卫生局每年都组织定岗定级考试，但考核内容和实际工作完全脱节，考核方式松散，劳民伤财应付公事。
对于这些医生，我非常希望能有电脑来代替他们。甚至不需要太高的AI，只要能输入所有体检症状，数据库得出诊断，再由诊断得出治疗治方案。哪怕是非常教条死板的指南方案，也比大部分基层大夫自己开的药方要强。
你看卫生部这几年做的最大的事情：规范化培训。规范化，不是研究，不是提高，不是发扬，只是规范。什么叫规范？就是必须做到的。现在很多医生连规范化都做不到。电脑别的好处没有，一丝不苟的执行命令最在行了。所以，这个意义上说，在基层推广一套规范化诊疗软件可以极大的提升基层医疗质量。
------------------------
答完题吃完饭，趁着交班多说几句。
题主引用的
@紫霞狼的那句话
普通医生在我眼里无非是个敲敲打打的匠人，照着指南看病的工作普通人而已，迟早被计算机代替；高级别的专家兼顾看病和科研，勉强算厉害了。
实际上，能够照着指南看病的医生，在基层单位，已经是刻苦钻研的典型代表了。很多基层医生还处在指南都看不懂，看了也不会用的阶段。有些大夫每次出去培训就抄几个方子，大概听人说一下药理病理，自己琢磨琢磨，然后就拿回来用，这样的算是有进取心的。更多的基层大夫连这个都不想操心。
所以，计算机取代基层医生做诊断，势在必行。其实也不用特别复杂的深度学习算法，就把所有诊疗指南分解，向导式的一步步引导基层大夫做出判断。
比如高血压，病人年龄、身高、体重、性别输入，目前诊室血压多少，晨间自测血压多少，有没有靶器官损伤，有哪几个损伤，分别是什么程度的，有没有其他危险因素，目前在吃什么药物等等，这些数据输进去，就能得到几组处方，然后再根据病人的工作性质，经济情况，服药依从性，医保情况等筛选出一组最优处方，然后按时服药。
相信我，这样一套软件绝对可以抵得上大部分基层医生。哪怕这些最美医生有数十年的经验。
真的，西医之所以可靠，就是因为规范化。而我国目前的基层医疗现状，距离各种意义的“规范化”还很远。所以，起码在基层，推广计算机诊疗，会有极高性价比。
看到
@Klaith的回答，尤其是他说的：
换言之，假如计算机无法再现我们的直觉，我们的灵光一闪，抑或多巴胺对我们决策中枢的复杂影响，我们这些临床工作者大概至死都不愿相信这门手艺「不过尔尔」。
于是我不禁想到了这个例子：（来自《Rational Choice in an Uncertain World》）
Hillel Einhorn在1972年发表了一项研究，发现医师对于霍奇金淋巴瘤患者预期寿命的判断和最终存活时间负相关；相反，如果对医师评估预期寿命时所使用的9项病理状况进行回归分析得出预测模型，其预测结果明显优于医师们的判断。（利益相关：Einhorn本人就是霍奇金淋巴瘤患者，最终于1987年去世）
甚至不需要AI那样复杂的神经网络算法，单单使用线性模型进行预测的“透镜模型（The lens model）”就已经能够获得优于专家的判断了。
不仅如此……透镜模型的一系列研究表明：
1）如果研究中人类Judge做出的判断比线性预测模型更加准确，通常是因为Judge有额外的线索，将这些线索加入线性模型中，线性预测模型的表现会重新超过Judge。
2）即使不使用真值Criteria来做回归分析，而是把Judge的判断当作“真值”来进行回归分析（所谓的Bootstrap），所得到的线性模型的“判断”也比Judge原本的判断表现更佳。
3）大多数Judge在描述自己如何使用线索时，所声称的权重或者重要性排序不仅和真值与线索的相关程度不符，而且和他们自己的判断与线索的相关程度也不符。换言之，Judge并不清楚自己做出判断的依据。许多Judge声称自己的判断基于复杂的非线性标准，但从最终结果上来说他们的判断却可以用线性模型很好的模拟。
当然，其实有很多理由可以用来为专家们辩护（比如，Einhorn的这项研究是否忽略了，当医师认为患者预期寿命更短时，将会更加关注患者并提供更有效的治疗手段，从而使得存活时间更长？再比如，Einhorn的这项研究所使用的样本数量实在太小……），而且作者也不认为所有的专家都可以被替代。但是不可否认的是，有许多“专家判断”可以而且应当交给更加有效率、更加稳定的“机器”来完成，而让专家真正聚焦在其拥有某种insight的地方。
一个合格的临床大夫看的是人不是病，如果AI能够在人际交流过程中感受到患者隐藏在自己症状背后的诉求和诸如焦虑绝望沮丧等情绪并且加以针对性疏导化解的话，这个人工智能一定是强人工智能，这种技术的出现之后颠覆的不是医疗行业，而是人类社会
类似的话题
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有