医生花在文书上的时间比花在患者身上的还多——这是职业倦怠研究里反复出现的结论。于是一种叫"环境式 AI 记录员"的产品成了近年医院采购清单上最热的品类之一:它在诊室里安静地旁听医患对话,自动生成病历草稿。但要是问它到底管不管用,2025 年 11 月之前你能拿出的证据,几乎全是无对照的前后比较和问卷调查。加州大学洛杉矶分校(UCLA)团队在自己论文的背景段里直言:这类记录员的影响"尚未在随机临床试验中被检验过"。
转折发生在 2025 年 11 月 26 日。NEJM AI 同一期背靠背刊出两项随机对照试验,这个领域第一次有了 RCT 级别的证据。而 RCT 给出的答案,比宣传册复杂得多:两款产品不一样,几把尺子量出来的结果也不一样。
## 238 名医生、两款产品、两种结果
第一项试验由 Lukac 等人在 UCLA 牵头:238 名门诊医生覆盖 14 个专科,按 1:1:1 随机分入两款商用记录员——微软的 DAX Copilot 和 Nabla——或常规对照。主要终点很硬:电子病历系统日志记录的每份文书耗时,不靠问卷,不靠感觉。
结果在两款产品之间裂开了。Nabla 组的文书耗时相对对照下降 9.5%(95% CI −17.2% 至 −1.8%,P=0.02);DAX 组只下降 1.7%(95% CI −9.4% 至 +5.9%,P=0.66),与没变化在统计上无法区分。同一场试验、同一类工具,换一个牌子,主终点就从"显著"变成了"不显著"。
还有一个更容易被忽略的数字:使用率。DAX 实际只被用在 33.5% 的 24,696 次就诊中,Nabla 只被用在 29.5% 的 23,653 次就诊中。这类务实试验测的是"把工具发给医生"的效果,不是"逼医生每次都用"的效果——工具发了下去,六七成的就诊里它根本没被用上。安全方面,试验报告了 1 例 1 级(轻度)不良事件;对"临床上有意义的不准确",使用者在 5 分制量表上自评约为"偶尔"(DAX 2.7 分,Nabla 2.8 分)。作者的结论措辞克制:Nabla 降低了文书时间,倦怠类次要终点"有潜在改善"但需要更大规模的多中心试验确认,而两个平台偶发的不准确"需要持续警惕"。
## 倦怠降了,但不是每把尺子都同意
第二项试验由 Afshar 等人在威斯康星大学开展,采用阶梯楔形设计:66 名执业者在两个州的门诊里,按三个 6 周批次分批启用环境式 AI,总观察 24 周,期间产生 71,487 份文书,其中 27,092 份(38%)由 AI 生成。
"医生是不是没那么倦怠了"这个问题,在同一项试验内部就分裂了。共主终点之一:工作耗竭与人际疏离下降 0.44 分(5 分制,95% CI −0.62 至 −0.25,P<0.001),达到显著;共主终点之二:职业成就感上升 0.14 分(95% CI 0.004 至 0.28,P=0.04),但按试验预设的共主终点判定标准,未达显著。次要终点里,文书时间每日减少 0.36 小时;"工作外工作"——排班之外继续工作的时间——每日减少 0.50 小时,但作者专门披露:剔除每日观测值中最极端的 3% 之后,这一项不再显著。计费相关的诊断编码有改善(P<0.001),文书质量各维度均分 3.97–4.99(5 分制),也未检测到软件性能随时间漂移。
这篇论文最难得的不是哪个数字,而是诚实:它把"哪个结论经得起极端值检验"直接写进了摘要。反过来读也就清楚了——最容易被转述成"AI 每天帮医生省半小时"的那一项,恰恰是没站住的。
## 流传最广的数字,出自最不可比的研究
还有一个好看得多的数字流传更广:临床医生的倦怠比例从 51.9% 降到 38.8%(比值比 0.26,95% CI 0.13–0.54)。它来自 Olson 等人 2025 年 10 月——比两项 RCT 早约两个月——发表在 JAMA Network Open 的研究:263 名可分析的临床医生使用同一 AI 平台 30 天后的前后对比。
但翻开论文的设计栏:这是一个质量改进项目,前后问卷自身对照,没有对照组;451 人入组,只有 272 人(60.3%)完成了两次问卷;参与者自愿加入。利益冲突栏还写明:合著者中包括 Abridge AI 的临床成功高级总监和研究期间的首席临床官,作者单位之一即 Abridge AI 公司。
这不意味着数据造假——作者自己也列出了局限。但它示范了为什么"51.9%→38.8%"和"−9.5%"不能放进同一个天平:前者是 30 天自身前后比较加上四成流失的样本,后者是随机化对照下的客观日志终点。在这件事上,最抢眼的数字,恰恰出自最不可比的设计。
## 冷水的方向是一致的
把视线从这两项 RCT 移开,其他研究的方向也是一致的。JAMIA 2026 年发表的一项开放标签随机交叉试验(Chowdhury 等人,单一三级学术医学中心,160 名门诊临床医生随机、136 份问卷纳入分析)发现:两款记录员都改善了工作流满意度和个人、工作相关的倦怠感,但"睡衣时间"——排班之外花在电子病历上的时间——没有有意义的改善。
JMIR AI 的一项快速综述(Kanaparthy 等人)检索 5 个数据库、筛选 2014 至 2024 年的 1450 篇文献,最终只有 6 篇符合纳入标准。综合出的图景是:自报的文书时间下降一致出现,但用标准化量表测的倦怠未受影响,按计费指标测的生产率没有变化,且现有研究普遍达不到 QUEST、SEIPS 3.0 这类评估框架的要求。综述的结论只有一个词:证据仍然稀薄(sparse)。
看出规律了吗?"自己说省了时间"几乎总是成立,"拿日志和账单客观量"就常常不成立。感觉轻松和真的轻松之间的落差,本身就是值得记住的发现。
## 三把尺子,三种答案
把这五份研究并排放,会看到一个结构性现象:主观量表(倦怠、满意度)、客观日志(每份文书耗时)和系统终点(计费编码、文书质量),三把尺子在同一项研究里可以指向不同方向。Afshar 的试验里,耗竭显著下降而成就感没有;Chowdhury 的试验里,满意度上升而睡衣时间不动;Lukac 的试验里,一款产品显著而另一款不显著。
这不是研究质量差,而是"文书负担"本身就是多面体。所以"AI 记录员到底有没有用"目前没有单一答案——答案取决于你量什么、用谁家的产品、以及医生真的用了多少。
给普通读者三件带得走的事。第一,再看到"AI 让医生负担下降 XX%"的标题,先找三样东西:研究设计(随机对照,还是前后自比?有没有对照组?流失了多少人?)、终点类型(自己说的,还是日志量的?)、利益冲突声明(作者和厂商什么关系?)。缺了任何一样,51.9%→38.8% 这种数字就会被误当成 RCT 级别的结论。第二,"发了工具"不等于"用了工具"——务实试验里记录员只被用在约三成的就诊中,效果和使用率是两本账。第三,对医生自己:按现有证据,这类工具能买回一点客观时间(取决于产品和场景),但"减轻倦怠、改善医疗"还缺长期证据——两项 RCT 分别只有 238 人和 66 人,观察最长 24 周,长期效应、差错的客观监测(而非使用者自评)和对患者结局的影响,都还没有随机证据。
如果你所在的医院正在或准备部署 AI 记录员,最值得盯的不是宣传册上的满意度,而是那两本账:每份病历的时间到底降了多少,以及工具到底被用在了多少次就诊里。
来源:Lukac PJ, et al. NEJM AI 2025. https://doi.org/10.1056/AIoa2501000