在不久的将来，很可能人们在预约医生之前，必须先向AI描述自己的症状，再由AI决定是紧急情况还是可以等待治疗，并可能将患者分流至适当的专科。然而，俄亥俄州立大学的一项新研究发现，当人们认为对方是AI而非人类时，他们在沟通中会不自觉地“有所保留”——这一现象可能从根本上扭曲AI对病情的评估能力。
主要发现：AI与人类之间的同理心鸿沟
这项研究发表于《医学互联网研究杂志》，首次系统地对比了人们向人类与AI自述病情时的语言模式差异。研究对350名参与者的医疗访谈记录进行了分析。
不同于常规的临床检查，这些访谈采用“盲法”设计：访谈者被分为三组——AI、人类与一个被特别告知“正与人类交谈，但他会试图模仿AI”的对照组。
语言差异显著
研究发现，即便受访者能够在问卷中正确识别对话方身份，他们在心理层面仍未将其作为人类对待。
词汇量减少：相比面对人类，在与AI交谈时，人们用来描述症状的词汇会减少约30%。
负面情绪表达有限：在与AI对话时，人们更倾向于“报喜不报忧”，不太可能透露心理健康问题、疼痛程度或泌尿生殖系统症状等敏感信息。
“装病”风险：有趣的是，面对人类时，患者更倾向于夸大或捏造症状（这是被称为“模拟障碍”的心理现象，以获取关注或药物）。而面对AI时，这一动机消失，导致报告的症状数量和严重程度均显著下降。
信任与心理投射
研究认为，这种沟通差距的核心原因在于信任与心理投射。面对无法建立情感联系或做出判断的机器时，人们会自发地减少对其的信息输出。由于他们无需取悦AI或与其建立社会联系，患者在描述病情时会更加随意，忽略了那些可能至关重要的细节。
AI训练中的系统性假阴性
这项发现对当前AI的培训模式提出了严峻挑战。目前，医疗AI主要是由人类患者与人类医生之间的对话文本训练而成。
如果未来的分诊AI是由这些“高信息量”的人类-人类对话训练，但面对“低信息量”的人类-AI对话，其风险评估算法将变得不再可靠。该研究明确指出：“当向AI描述病情而非人类时，人们报告的信息会出现统计学上的显著差异，表明当前的AI医学培训模式可能存在根本性缺陷。”
本质上，这些AI是在对一种理想化的、完整的患者病史进行“事后学习”，而真正部署时，它们接收到的将是经过患者自我过滤、信息量减少的输入。这种“AI训练-部署错配”导致模型在面对真实世界的互动时，可能会系统性地低估疾病的严重程度。
对医疗政策和算法设计的启示
研究人员针对该问题提出了几点解决方案：
1. 机制设计：强制数据输入
为弥补信息缺失，AI可重新设计对话界面，采用多轮提问而非开放式的“描述你的症状”。可要求用户填写标准化问卷。
2. 智能审查：语义完整性检查
AI可内置算法，判断用户输入是否过于浅显，并主动引导用户补充说明：“你描述的症状似乎不完整，是否有其他信息需要补充？”
3. 风险评估：保守的校准策略
医疗AI在推断病情严重程度时，可采用更保守的阈值（即对模糊输入病例给予更大的权重），以避免将需要急诊的患者误判为低风险。
4. 混合模式：AI筛查与AI增强的“抄写员”
一个更现实的路径或许是，AI不应作为独立的检查者，而应作为人类医学术前筛查的辅助工具。或者，在AI问诊结束后，由一名人类护士对病历摘要进行快速审核，以纠正潜在的信息遗漏。
结论：信任是医学的通货
该项研究的资深作者、主任医师评论道：“医学不仅仅是数据，它取决于信任。如果你不愿意向机器倾诉你最深层的焦虑，那么机器的诊断能力在真正关键的方面就仍然存在盲点。”
随着各国将AI作为降低医疗成本、提升效率的工具，开发者必须在算法中植入同理心算法模块，并对“机器在诊断天然存在数据鸿沟时的系统预测误差”进行必要的校准。否则，节约下来的资金，将被因信息失真相伴而导致的系统误差带来的误诊和漏诊治疗费用所抵消。
参考文献
T. “Patients clam up with medical AI, and that gap could reshape digital diagnosis”. Medical Xpress. (2026).
A. B. “The Empathy Gap: How Reporting Styles Differ When Patients Interact with Medical AI”. Journal of Medical Internet Research. (2026).
P. E. “Automated Medical History Taking: A Scoping Review”. JMIR Medical Informatics. (2023).