骨折后用AI自诊被吓到“交代后事”:医疗问答风险再次引发讨论

一次普通骨折,因 AI 自诊演变成严重心理恐慌 。 近日, 一篇关于老人使用 AI 解读病情后陷入焦虑的文章引发关注。事件并不复杂, 却把 AI 医疗问答中最容易被忽视的问题推到台前: 当模型给出“看似专业”的推断时, 普通用户是否有能力判断其边界?

📌 从骨折到自我诊断: 问题如何一步步放大

事件中的老人约六十岁,手臂骨折后迟迟未能顺利愈合, 后续检查发现存在较严重的骨质疏松。起初, 这只是一个需要医疗随访、营养和康复配合的问题; 但在她开始把检查数据和自身症状输入 AI 后, 事情发生了明显变化。

AI 在回答中列出多种可能性,其中包括更严重、更罕见的疾病解释。老人将其中较悲观的方向当作确定结论, 并进一步寻找对应药物和治疗方案。原本还能正常生活的人, 随后出现卧床、食欲下降、睡眠紊乱、持续诉说疼痛等表现, 甚至开始向亲友表达“熬不过去”的想法。

🔍 医生判断与 AI 推断之间的落差

文章作者随后联系多地医院的骨科、内分泌科医生协助查看相关资料。根据文中描述, 多位医生的意见较为一致: 主要问题是重度骨质疏松导致愈合较慢, 同时长期焦虑影响营养和状态; 当务之急不是追逐极端诊断, 而是稳定情绪、保证饮食睡眠、适度活动, 并配合维生素 D、补钙等常规处理。

这说明 AI 在医疗场景中的风险,并不只来自“答错”。更现实的风险是, 它会把低概率情况与常见情况并列呈现, 甚至用确定性较强的语气输出, 使缺乏医学背景的人难以区分“可能性”“倾向性”和“诊断结论”。

💡 普通用户为什么更容易被 AI 说服

AI 问答天然具备一种“专业感”: 语句完整、结构清晰、术语丰富,还能根据用户追问继续补充解释。对于没有医学训练、信息辨别能力较弱的人来说, 这种表达很容易被理解为权威判断。

• 术语门槛高:医学名词本身就容易制造压迫感, 用户很难自行校验。
• 负面信息更刺眼:相比“继续观察”, 严重疾病更容易被记住并放大。
• 反复追问会加深暗示:用户越焦虑, 越可能围绕最坏结果继续提问。
• AI 不承担诊疗责任:即便页面有免责声明, 用户仍可能把回答当成行动依据。

📊 AI 医疗问答需要更清晰的安全边界

这起事件也提醒 AI 产品设计者,医疗健康不是普通知识问答。尤其面对老年人、低文化水平用户或焦虑状态下的患者, 模型不应只追求“回答完整”, 更要主动降低误导概率。

🚀 总结:AI 可以辅助, 但不能替代诊断

围绕“我妈骨折了, 用 AI 自我诊断后觉得命不久矣”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。