慢病治疗的主战场不在诊室。糖尿病、高血压、慢阻肺、戒烟,真正决定结局的是每天的日常:按时吃药、不复吸、该测的测、出现危险信号知道该怎么办。所以人们对 AI 聊天机器人抱有很高期待——便宜、24 小时在线、能提醒能教育能陪聊,部署实际上早就跑在了证据前面。2025 到 2026 年,一份 meta 分析和一份系统综述相继发表,加上此前一项过硬的随机试验,这个领域的证据链第一次可以被完整看清。结论一句话:行为层面有真实信号,生理层面几乎没有——而且那个真实信号,本身带着不小的折扣。
## 最硬的一块证据,也只有这么硬
先看最重的一块砝码。JMIR mHealth and uHealth 2022 年发表的马德里务实多中心随机试验,覆盖 34 个初级保健中心,纳入 513 名愿意戒烟的成年吸烟者:两组都接受基于临床指南 5A 框架的标准戒烟支持,干预组额外使用 Telegram 上的循证聊天机器人 Dejal@bot。终点很硬——生化验证的 6 个月持续戒断,不是受试者嘴上说说。结果:聊天机器人组戒断率 26%,对照组 18.8%,比值比 1.52(95% CI 1.00–2.31),P 值恰好压在 .05。
好听吗?再看这笔账的另一面:完成随访的只有 45.2%;干预组真正打开过机器人的只有 61.2%;置信区间下界 1.00 压在无效应的边线上。作者自己在结论里写,这些有希望的结果必须谨慎解读。也就是说,+7.2 个百分点的戒断率提升,是在一个脱落过半、显著性压线、工具只有六成用户真正碰过的试验里得到的。这已经是整个领域最强的证据——它的实际强度,大概就是这个量级。
还有一个容易被忽略的细节:Dejal@bot 是贝叶斯加自然语言处理的规则式架构,前大模型世代的产品。把这些结论外推到今天的 GPT 类对话式干预,中间隔着一次代际跃迁,而直接试验目前是零。
## 吃药提醒:平均数好看,细节才是全部
服药这个场景有更新鲜的证据。PLOS Digital Health 2025 年发表的系统综述与 meta 分析,汇总了 2017 到 2025 年的 7 项研究(其中 6 项随机试验进入定量合并,干预组和对照组各 2818 人):AI 聊天机器人确实提升了慢病患者的服药依从性,合并效应量 SMD 0.69(95% CI 0.17–1.22,p=0.01),属于中等档——但置信区间宽到"小到几乎无"与"很大"都兼容。
而这个平均数几乎没有意义:研究间异质性 I² 高达 97%,差异几乎能解释全部结果。亚组分析比总效应更有信息量:心血管疾病人群和短于 6 个月的短期干预效应更大;每天或每周至每月主动找上门的干预有效,按需、偶发式的无效;同时具备用药提醒、健康教育教练、实时问答三种功能的机器人才能看到显著改善,双功能的不显著。还有一个方法学脚注:这些"依从性改善"多数靠自报量表或药片计数测出来,不是药房配药记录或血药浓度——测量本身就是软的。
规模化的另一面也在这里。南非一个覆盖 8000 多名公共部门糖尿病患者的 WhatsApp 自我管理项目报告,71% 的用户自报行为改善、87.6% 自报信心提升——但完成率只有 12.6%,而且没有对照组;这组数字经由上述综述转引,原始数据没人核对过。它与马德里试验 61.2% 的触达率共同说明一件事:慢病 AI 的效果,永远要除以"真正用了它的人"。
## 把研究摞起来看:确定性低,安全记录尚可
Cureus 2026 年 6 月发表的系统综述把这个领域做了一次全面体检,纳入 2021 到 2025 年间横跨糖尿病、高血压、哮喘、癌症、精神健康和戒烟的 11 项研究。两个结论。其一:各终点域的证据确定性全部为低到极低,没有一项试验在全部偏倚评估域达到低风险;行为类终点信号最清晰,生理终点很弱——比如一款血压监测机器人在 112 名高血压患者中改善了血压知识和 7 天依从性,但与动态血压监测的一致性没有变化。其二:11 项研究均未报告严重不良事件。
但"零事故"不值得急着放心:这些研究都是小样本、短随访,没有一项有超过 12 个月的硬终点证据,而对误导性建议的监测在这个领域基本缺位——没出事不等于没风险,只是还没人看够久。另外引用这份综述时要记住,它自己声明的确定性是"低",发表载体又是一本选择性偏低的期刊,这是双重弱化,不是双重背书。
## 知识传上去了,信任没跟上来
慢病管理还有一个尚未定价的变量。JMIR Diabetes 2025 年 7 月发表的小型可行性试验,把 43 名即将开始司美格鲁肽周制剂自我注射的肥胖或超重患者随机分组:27 人接受一个带数字人形象的"数字临床医生"讲授的 10–15 分钟标准化教程,16 人接受护士常规教育。结果分裂:AI 组知识测验显著更高(中位 10 分对 8 分,P<.001),但对照组的咨询满意度和对教育者的信任度也显著更高(均 P<.001),自我效能无差异(P=.57);81%(22/27)的 AI 组表示愿意再用。
样本只有 43 人、单一教育场景——但它测到的恰恰是慢病管理最依赖的东西:患者要和一个工具相处几年,而不是只上一次注射培训课。信任折价在单次场景里是满意度问题,放进长期场景就可能是依从性衰减问题。把它与 meta 分析里"按需无效、高频主动有效"的发现放在一起读,能得出一个不那么浪漫的判断:聊天机器人的疗效成分,可能根本不是"对话",而是"被规律地想起"。它更像闹钟——你不会对闹钟交心,但闹钟确实叫你起床。
## 你能带走的三件事
第一,给使用者:现有证据支持的形态,是"高频主动找上门、提醒教育问答三合一"的辅助工具,而不是想起来了才打开的问答框;以及无论 AI 说得多好,用药剂量和治疗调整必须回到医生那里。
第二,给医院和采购方:评估慢病 AI 产品至少问四个问题——终点是怎么测的(生化验证、药房记录,还是自报)?实际触达率多少(不是随机化了多少人)?干预是主动高频设计吗?信任与满意度测了吗?这四问能滤掉大部分演示文稿型证据。
第三,给整个领域:现有证据大多来自前大模型世代的产品,没有超过 12 个月的硬终点。今天我们拥有的是"行为改善的弱阳性证据",不是"AI 能管慢病"的证明。
最后一个值得讨论的问题:如果聊天机器人真正起效的成分是"被规律地想起",而不是"懂得你",那卫生系统的钱应该花在更聪明的对话 AI 上,还是花在更坚持不懈的提醒系统上?
来源:Effectiveness of a Conversational Chatbot (Dejal@bot) in Smoking Cessation: Pragmatic, Multicenter, Controlled, Randomized Clinical Trial in Primary Care. JMIR mHealth uHealth 2022. https://doi.org/10.2196/34273