精神病学及整体医疗正面临加速的技术进步。颠覆性创新如人工智能（Artificial Intelligence, AI）正在改变心理健康服务与教育的面貌。随着AI渗透到临床服务中，精神病学教育者被迫适应新的挑战。当今培养的学习者将面临不同的医疗格局，这将要求其具备灵活性和新技能集。因此，教育者需准备好使用新技术，并将所学的经验教训传授给下一代心理健康临床医生。本篇社论审视了近期的技术进步及其在精神病学教育中当前和潜在的应用，重点关注AI应用，特别是大语言模型（Large Language Models, LLMs）。AI正在快速重塑医疗及卫生专业教育（Health Professions Education, HPE），带来了诸多预期或已证实的益处。几乎没有数字健康创新像它这样具有变革性，新的应用每天都在涌现。乐观者认为这不同于以往任何医疗技术进步，而其他人则警告这可能只是一个暂时的泡沫。2025年，三分之二的美国医生报告使用了AI工具，超过一半的精神科医生和心理学家也加入了这一行列。尽管在精神病学教育和临床护理的许多领域效率和改进潜力增加，但仍存在许多伦理担忧。其环境影响也不容否认：AI的基础设施和运行增加了电子垃圾和温室气体排放，并对水资源和能源资源，尤其是在弱势社区，造成了巨大负担。本文补充了近期关于AI的三篇社论。研究者提出了一套原则，以帮助教育者保持根基并减轻被信息洪流淹没的压迫感。这些原则及相应示例总结于表1中，并在下文详细阐述。表1 精神病学教育中使用人工智能工具的原则。全文表格。**强调高阶认知过程**：诸如OpenEvidence等AI工具使学习者能够快速访问带有可验证链接来源的信息，这在互联网可用的基础上速度更快、效率更高。这种快速获取降低了对细节记忆（如关键通路酶、典型药物剂量或罕见副作用）的需求。学习者需要有效地综合这些信息、进行沟通并将其应用于复杂的临床问题，这些都是更高层次的认知技能。教育者需继续强调批判性思维和复杂决策能力，并教授宏观概念，如神经精神疾病的大脑回路和病理生理学。LLMs可以增强自主学习，但需要教师监督、AI提示词工程培训与评估、伦理方面的考量，以及防范不准确性和偏见的保障措施。过度依赖AI工具可能导致认知自满和能力错觉，从而引发医疗错误并使批判性思维扁平化。**适应知识洪流的教育策略**：教育策略也需要适应快速涌现的知识库。最近的一次经验可能提供了一个蓝图。COVID-19大流行带来了前所未有的挑战，但也为快速适应和创新提供了机遇。学术精神科医生几乎在一夜之间不得不适应新学习环境下的教育策略。异步在线模块（部分为“微学习”）取代了面对面讲座。同样，教育者在教授关于AI的知识，因为这是一个全新的、动态且快速发展的领域。“即时学习”与大流行的经历相似，反映了学习者在将新获得的知识和技能应用于临床实践时掌握新主题的需求。所教授的内容更具相关性，但教育者仍需阐明基本原则如何应用于新领域，以便学习者能够将新信息搭建到已有知识上。在临床环境中使用AI工具存在真实风险，如技能退化（丧失执行特定任务或工作的知识、决策能力或自主性）、技能错配（错误地学习新任务）或技能缺失（完全错过学习机会）。对于高级用户，AI可能提供有益协助，但经验较少、资历较浅的学习者可能更易受到技能退化的影响。教育者需要找到有效的方法，将AI工具的使用和监督融入临床工作中，例如，留出时间在接诊患者后进行汇报，反思使用了哪些工具以及特定环境下的最佳实践。鉴于“幻觉”（不正确陈述）、偏见和错误信息扩散的风险，识别和传播评估生成式AI输出的有效策略也是关键。用户需对AI生成的内容包含迭代审计循环，以最小化对患者的风险。布置要求学生将AI输出与权威来源交叉验证的作业，可以培养批判性思维并教导负责任的技术使用。2021年，很少有学术机构提供AI课程。到2023-2024年，这一数字已增长到美国和加拿大77%的医学院（包括对抗疗法和整骨疗法）。AI课程和核心主题已被描述，能力要求也已提出。一项关于本科医学教育AI循证建议的系统综述确定了六个主题：伦理、理论与应用、沟通、协作、质量改进以及认知与态度。新的教育策略，如虚拟病人和聊天机器人导师日益普及，但尚未经过充分评估。机构也将医学生纳入AI课程的制定。除了帮助创建有效的课程外，在课程改革的最初阶段让学习者参与进来可以增强参与度并培养积极性。由于学生和教师之间存在代际和技术素养差异，可能需要反向指导。诸如放射学等专科正在制定与AI相关的涉及AI模型开发、评估、临床实施、算法偏见、差异处理、法规、伦理使用以及医疗法律和经济方面的能力。教育者和学习者也必须驾驭健康AI及相关伦理和法规方面的复杂格局。此外，AI素养可能很快过时，因此经常性复习很重要。**使用AI临床工具增强而非替代人文关怀**：最近一项范围综述发现，健康AI机器人目前在精神科实践中用于诊断、监测、治疗、风险识别和预测以及心理治疗。患者可以咨询健康聊天机器人（使用自然语言处理与人类进行对话的软件应用程序）以回答问题、自我诊断甚至制定治疗计划。事实上，13%的美国青少年和22%的18-21岁年轻人曾向AI寻求心理健康建议，近半数患有精神疾病的成年人使用AI工具寻求支持。虽然AI生成的回复有时被认为比医生的回复更具同理心，但与这些应用相关的风险尚未完全了解，事实上，AI可能提供有害建议。转向聊天机器人的人可能会完全放弃就诊精神科医生，这对于寻求在线治疗支持或陪伴的青少年或孤立的成年人可能带来可怕后果。已有自杀完成和新发AI精神病的描述，促使作者建议内置“现实检验”提示，并呼吁为AI伴侣建立更强有力的安全措施。医疗保健中常用的其他方法，尽管许多临床医生可能没有意识到它们属于AI家族，例如临床决策支持工具。精神科的一个例子是由哈佛专家团队开发的用于治疗抵抗性抑郁症药物管理的算法。AI工具的另一个潜在应用是总结使用患者智能设备收集的生态瞬时评估（Ecological Momentary Assessment, EMA），以提供纵向而非横断面的图像。临床医生可以收到一个流程图，使其能够看到症状在一天、一周或月内的波动模式。这种总结极具价值，因为门诊临床医生经常根据患者就诊时报告的最新或最显著症状做出治疗决策（“可得性偏差”）；这种方法存在固有缺陷，因为它可能受到预约频率和时机或患者回忆的影响，遗漏了关键的间歇性进展。更详细的信息有助于个性化医疗，改善患者结局。然而，AI模型在实施的环境（及患者群体）中进行测试和验证至关重要，以避免偏见和错误。所有这些AI工具都需要置于防火墙之后以确保患者保密性。与医疗保健工作的任何其他方面一样，考虑临床医生的认知负荷很重要。临床医生需要支持来综合和解释所有数据点。低级任务可以委托给其他团队成员（无论是人类还是数字），这可以释放医生的时间和精力，用于高层次的诊断思维、治疗计划和有意义的患者互动。例如，AI文书可以帮助撰写门诊病历，而其他LLMs可以起草回复患者的信息。AI文书可以节省时间，提高临床医生效率，并减少职业倦怠，尽管目前关于生产力提升的证据不一。建议根据所掌握的技能和能力，审慎地向学习者推广AI文书。撰写病历可以帮助学习者发展临床推理能力；依赖AI文书可能会削弱这一关键的教育方面。教育者应倡导严格的监督，保护患者安全和隐私。对于依赖AI工具增强其实践的临床医生，对偏见和幻觉风险保持警惕并不断评估AI输出至关重要。对于医学的任何专科，“保持人类在回路中”（keep a “human in the loop”）是（并且可能永远都是）关键的，类似于有人驾驶飞行员可能仍然是航空旅行的重要组成部分。就像飞行员需要监控飞行过程的每一步，并随时准备在需要时立即干预以拯救生命一样，精神科医生需要能够执行AI目前可能正在协助的任何任务，无论是收集信息、记录信息还是综合信息——尤其是在精神病学特有的生物-心理-社会综合评估方面。面向公众的聊天机器人也应受到监管。2025年10月，加利福尼亚州推出了一项法律，强制对陪伴聊天机器人进行严格监管。监督将是复杂且多层次的。一些人主张通过食品药品监督管理局（Food and Drug Administration, FDA）的软件即医疗设备（Software as a Medical Device, SaMD）分支进行监管，类似于其他数字健康应用程序。另一些人建议将AI工具视为类似于临床医生，需要证明适当的培训、通过考试、接受有监督的实践，并为新的情况进行再培训。学者们甚至提出了针对AI的“可托付专业活动”（entrustable professional activity）。**强调访谈和沟通技能**：尽管AI辅助诊断工具迅速涌现，访谈技能对于有效的医患互动仍然是关键，这在当前技术进步背景下可能更为重要。精神病学访谈是诊断和治疗过程的重要组成部分。患者脸上转瞬即逝的情绪可能是长期埋藏的创伤记忆的关键。此外，辨别语言语用学、韵律或非言语表达的细微差别，对于诊断从自闭症谱系到情绪障碍或神经退行性疾病的各种情况都很重要。教育者应示范并提醒学习者发展出色的沟通和访谈技能的重要性。正如任何执业精神科医生所知，与患者的互动并非线性的。洞察的黄金时刻和共享的情感联系可能与技术性方面（例如，回顾药物依从性、副作用）交织在一起，发现这些需要技巧。真实的联结也可以帮助临床医生在技术普遍存在于临床接触中的情况下，不感到疏离或非人性化。正念实践（mindful practice）的组成部分被描述为对临床医生自身思维过程的批判性自我反思和自我觉察，使临床医生能够审视其实践中的信念系统和价值观。与患者和家属建立良好的融洽关系可能降低职业倦怠的风险。此外，尽管我们可能认为AI会一直存在，但世界上许多地方，包括美国，AI仍是一种奢侈品。而且，在可能无法获得技术的情况下，如停电和自然或人为灾害，维持人类互动的基础——调动听觉和视觉之外（以及当前计算机技术无法分析）的感官——将是必要且令人耳目一新的，这不仅对患者访谈至关重要，也对构成我们专科重要组成部分的任何其他沟通、联络或团队合作至关重要。**推进精准教育**：反映精准医学的概念，精准教育（precision education）是HPE的一个新范式。精准教育是指一种以学习者为中心的方法，利用数据分析和AI，通过根据既定标准衡量进度、识别差距并提供定制化指导，为每个学生量身定制教育，以帮助其实现目标。LLMs可以将数据合成为个人仪表板，教练、顾问和学习者自己可用于形成性目的。临床能力委员会也可以依赖这些总结进行总结性评估。学习者兴趣多样；一刀切的教育项目可能不再满足他们的需求。以个人目标为基础并基于学习者的背景和专长的学习计划，为时间可变、基于能力的医学教育（Competency-Based Medical Education, CBME）模式铺平了道路。CBME框架也有助于发展管理特殊患者群体（如老年人、患有躯体疾病或物质使用障碍者）的专业知识。AI在学习者评估中也可能发挥作用，但这种方法应仅与教师评价结合使用，而非替代。**坚持研究与学术出版的高标准**：精神病学研究是可能从AI辅助中获益最多（如果使用不当，也可能损失最多）的领域。关于AI在精神病学研究中应用的详细综述已在别处发表，超出了本社论的范围。AI代理（autonomous software systems that use LLMs to pursue goals and complete tasks on behalf of users）可能在不久的将来在知识转移中发挥作用，从互联网上搜寻研究更新并决定突出哪些内容。需要牢记的重要方面包括AI代理评估的成本和偏见的可能性。此外，任何此类产品的质量都取决于其依据的主要来源。例如，如果仅纳入以英语发表的论文，世界上大部分地区的研究将被遗漏。教育研究方法也随着技术的发展而演进。计算机辅助定性数据分析软件越来越受欢迎，使学者们能够进行高质量的定性研究，这些研究揭示了过程（例如，教育干预为何或如何有效，而不仅仅是是否有效）。技术进步促进了学术生产力和期刊投稿的指数级增长。2025年，超过一半（52.6%）的生物医学研究人员报告使用AI工具撰写其论文的至少部分。包括本刊在内的期刊收到了一些看起来并非由人类生成的投稿，尽管我们之前的社论和出版商网站上明确说明了AI使用政策。这一趋势在读者来信方面尤为显著。Chaccour等人分析了2005年至2025年发表的超过73万封读者来信，发现从2023年开始出现一个明显的峰值，这主要是由于一小部分作者，其产出从2005-2022年的最低5%跃升至2023-2025年的最高5%。使用AI即时生成的读者来信可能会淹没真正的科学对话，并为受邀回复的作者和编辑团队带来更多工作。尽管有相反的指导，AI工具也被用于同行评审。Retraction Watch网站列出了有ChatGPT写作证据的论文和同行评审。期刊需要保持警惕，以检测AI生成的内容和欺诈行为。关于在稿件准备中何时以及如何披露AI使用的辩论在该领域持续进行，期刊承认了其模糊的界限。期刊还制定了AI在同行评审中使用的原则：专业责任、保密性、公平性、避免伤害和透明度。总之，虽然AI工具可以提高效率和增强一致性，但它们仍然依赖于人类产生的知识，并需要密切监督。一个关键挑战将是平衡AI的效益与其风险，包括环境影响。精神病学教育者需要继续强调批判性思维和复杂决策的重要性，并适应快速增长的知识体系。人文联结的力量仍将关键，超越技术赋能的实践。随着AI工具能力增强，定义我们人性的品质（相互理解、有效沟通、参与意义和语境）将变得愈发重要。最后，精准教育是HPE的一个重要未来方向，惠及学习者，并最终惠及患者。
