AI 知识库能教医学吗？VTE 教学研究显示：标准化任务表现较好，创造性命题仍需教师把关

AI 能不能教医学？

这个问题不能只看大模型能不能回答医学问题。真正进入医学教育现场后，答案要复杂得多：它是否能引用可靠证据？能否适应真实临床情境？能否帮助学习者理解复杂知识？又能不能支持教师完成教案设计、病例讨论和命题等教学任务？

北京大学第一医院等团队近期在《中华医学教育探索杂志》发表的一项研究，给出了一个比较克制但有价值的答案：基于检索增强生成技术构建的专科知识库，在医学教育中具有一定应用价值，尤其适合标准化学习任务；但在辅助命题等更具创造性的教学任务中，单体临床知识库仍有明显边界。

研究选择的对象是静脉血栓栓塞症，也就是 VTE。这个病种很适合作为医学教育 AI 工具的试验场。VTE 是院内可预防死亡的重要原因，诊疗涉及风险评估、抗凝治疗、围手术期管理、肿瘤、妊娠、重症等多个临床场景。它不是一个靠背诵几条规则就能掌握的知识点，而是需要在不同情境中不断平衡血栓风险和出血风险。

这正是医学教育中的难点：知识更新快，证据来源多，临床场景复杂，学习者容易被大量指南、共识、研究和病例信息压住。传统课堂讲授很难在有限时间里覆盖全部内容，通用大模型虽然能快速生成答案，却容易出现幻觉、引用不清和证据溯源困难的问题。

为了解决这个问题，研究团队采用了 RAG 技术，也就是检索增强生成。简单说，它不是让大模型凭空回答，而是先从本地知识库中检索相关资料，再基于这些资料生成回答。这样做的目的，是把 AI 的回答尽量锚定在经过筛选的专业证据上。

这个 VTE 智能知识库采用了“三层语料”结构：第一层是循证证据，包括指南、专家共识、高质量 Meta 分析、随机对照研究和核心期刊文献；第二层是专家经验，包括血管外科多年积累的授课 PPT、典型会诊情境、临床诊治误区和教学资料；第三层是真实病例，也就是经过脱敏和结构化整理的临床病例。知识库还设置了证据分级、版本控制、人工标签、引用溯源和人机协同审核机制，以降低医学教育场景中最需要警惕的错误风险。

截至 2026 年 1 月 18 日，知识库已经收录 688 份核心文档，其中脱敏病例库包含 151 例结构化真实病例。平台数据显示，该知识号累计访问量达到 5424 次，产生深度问答 915 次。这些数字说明，它并不是一个停留在概念层面的工具，而是已经有一定真实使用需求。

研究设计了两条应用路径：一条面向学习者，一条面向教师。

学习者路径纳入 131 份有效问卷，主要评价医学生和非专科医护人员在临床决策支持、知识问答和学习资源推荐中的使用体验。结果显示，知识库在标准化学习任务中的表现总体较好，各维度满意度评分中位数均为 4.00 分。其中，“持续使用价值”和“理解辅助”的高满意度比例分别达到 83.97% 和 82.44%。

这说明，对于学习者来说，AI 知识库的价值不只是“给出答案”，更在于降低复杂知识的检索和整合压力。面对 VTE 这样证据庞杂、情境复杂的主题，学习者可以借助知识库更快找到相关指南、理解诊疗逻辑，并把注意力更多放到临床推理本身。

但研究也发现，学习者对“循证依据可信度”的评价相对更谨慎。这一维度的高满意度比例为 74.05%，低于其他主要维度。这个结果很有意思。它说明即使使用了 RAG 技术，学习者在医学场景中仍然不会完全放松警惕。他们不仅关心答案是否流畅，还关心答案从哪里来、依据是否清楚、适用边界是否明确。

这也是医学教育 AI 工具和普通问答工具的区别。在医学教育中，一个回答不能只是“看起来对”，还要能被追溯、被验证、被教师和学习者进一步判断。尤其在 VTE 这样的高风险主题中，抗凝、溶栓、围手术期管理和特殊人群处理，都不能只依赖生成式回答。

教师路径的结果更能体现 AI 知识库的边界。研究纳入 19 名血管外科教师，采用单盲随机对照设计，评价不同使用深度下知识库在教案设计、疑难病例讨论和辅助命题中的表现。

结果显示，在教案设计和疑难病例讨论这类相对收敛的任务中，深度使用知识库的方案评分略高于入门使用状态。也就是说，当任务目标比较明确、需要整合专业知识和组织教学内容时，专科知识库确实可以提供一定帮助。

但在辅助命题任务中，情况发生了变化。深度使用知识库生成的方案，表现反而低于入门使用状态，并且差异具有统计学意义。也就是说，知识库内容越多、专业语料越集中，并不一定意味着所有教学任务都会做得更好。

原因并不难理解。命题不是简单把专业知识改写成题目。好的医学试题还需要教育测量学支持，包括知识点覆盖、难度控制、干扰项设计、题干清晰度、答案区分度和评价目标匹配。单体 VTE 临床知识库虽然有大量专业资料，但缺少教学法、测量学和命题规范相关语料。当 RAG 过度把模型回答限制在临床文档中，反而可能削弱通用大模型原本的发散和迁移能力。

这正是这项研究最值得关注的地方：AI 知识库不是“越专业越万能”。它适合降低学习者面对复杂医学知识时的认知负荷，也适合辅助教师完成部分教学准备；但对于需要创造性、教学判断和评价设计的任务，教师仍然不能退到幕后。

因此，研究团队进一步提出了“知识库矩阵”的思路。未来的医学教育 AI 工具，不应只是单一病种知识库，而应把专科知识、教学资源、科研资料、工具方法和动态信息分工组织起来。例如，在辅助命题时，除了调用 VTE 专科知识库，还需要调用教学大纲、经典试题、教育测量学规范和提示词模板；在病例教学中，则可能需要同时调用病例库、指南库和教学设计库。

这意味着，医学教育中的 AI 知识库建设，正在从“单体资料库”走向“知识系统”。模型本身重要，知识底座同样重要；语料数量重要，组织方式和治理机制同样重要。只有当知识来源可追溯、版本可核查、内容可复核，AI 工具在医学教育中的应用才可能更稳定。

这项研究也提醒我们，评价医学教育 AI 工具，不能只问“学生喜不喜欢用”或“教师觉得方不方便”。更重要的问题是：它是否真正提高学习效果？是否减少错误？是否能支持临床推理？是否能在真实教学中长期使用？是否能经得起多中心、更大样本和客观学习结局的检验？

研究本身也承认，目前仍存在局限。它是单中心初步应用研究，样本量有限；评价主要依赖学习者和教师的满意度及主观获益，客观学习结局还不足；研究也尚未开展长期随访。因此，这项工作更适合理解为一次有边界的探索，而不是对 AI 知识库教育效果的最终证明。

不过，它提供了一个重要方向：医学教育并不一定要在“直接用通用大模型”和“完全不用 AI”之间二选一。更现实的路径，可能是建设经过治理的专科知识库，让大模型在有证据、有版本、有人工审核的知识环境中工作，同时让教师继续承担判断、设计和把关的角色。

所以，AI 知识库能教医学吗？

它可以帮助学习者更快进入复杂知识体系，也可以辅助教师准备部分教学内容。但它还不能替代教师完成所有教育判断。医学教育中的 AI，真正有价值的地方，不是替教师“自动教学”，而是把零散知识组织起来，把循证证据连接起来，把学习者和教师从重复检索中解放一部分出来。

至于什么能用、哪里好用、哪里必须由教师把关，恰恰是接下来医学教育 AI 研究最需要回答的问题。

文章题目：静脉血栓栓塞症智能知识库的构建及在医学教育中的应用评价

期刊：《中华医学教育探索杂志》

DOI：10.3760/cma.j.cn116021-20260128-02296

机构：北京大学第一医院等

Chinese Journal of Medical Education Research is a monthly peer-reviewed journal sponsored by the Chinese Medical Association and hosted by Chongqing Medical University, under the supervision of the China Association for Science and Technology.

Launched in 2002, the journal publishes research and practice-oriented studies on medical education, with a focus on teaching reform, clinical teaching, curriculum development, residency training, graduate education, nursing education, educational technology, and international medical education. It also features themed columns and special issues on emerging topics and institutional innovations in medical education.

The journal is recognized as a Source Journal for Chinese Scientific and Technical Papers and Citations and is included in the Chinese Science and Technology Core Journals. It is indexed in Wanfang Data, Index Copernicus, the WHO Western Pacific Region Index Medicus, and Ulrich’s Periodicals Directory.

Journal page: 
http://yxjyts.alljournals.ac.cn/homeNav?lang=zh