医学实践中普遍存在不确定性，但医疗文化常常鼓励医生表现出绝对自信，这导致症状模糊的患者被忽视或误诊。尽管人工智能（AI）能分析数据，却无法取代医生的同理心和个体化判断。真正的解决方案在于改变医疗培训，教育医生正视并管理不确定性带来的不适感，并通过坦诚沟通与患者建立信任，这对于改善复杂病症的诊疗至关重要。
医生面临的确定性压力
在临床工作中，医生每天都面临着模糊的症状和不可预测的治疗方案。医学知识本身是不完整的，并且在不断发展，因此许多诊断更像是检验假设，而非找到确切答案。
- 诊断的本质： 许多临床诊断并非绝对事实，而是医生根据多方信息整合出的 “社会性假设”。
- 沉默的文化： 医疗培训和工作环境中，很少有人公开讨论这种普遍存在的不确定感。医生被期望表现得像从不犹豫的专家。
- 不确定性被视为弱点： 社会普遍认为，承认不确定等同于无能。医生担心，如果表露疑惑，会被视为不专业。
- 系统性压力： 医疗系统追求效率，短暂的问诊时间让医生几乎没有机会深入思考复杂案例，只能依赖基于习惯的 “疾病脚本” 来快速处理。
当患者的症状不符合现有医学知识的范畴时，依赖常规经验的医生就会束手无策。
患者在知识边缘的挣扎
当医生的知识和工具无法解释患者的症状时，患者常常被系统抛弃。他们的痛苦被归结为心理问题，或者被告知“一切正常”。
- 被忽视的症状： 像 Meghan O’Rourke 一样，许多患者经历着一系列模糊、游移的症状，如疲劳、眩晕和神经痛。当检查结果无异常时，医生往往不再继续探寻病因。
- 自我怀疑： 当医疗系统反复告诉你“没问题”时，患者会开始质疑自己的感知是否真实。Jessica Naranjo 的经历表明，错误的诊断和医生的敷衍让她开始怀疑自己的身体感受。
- 信任的破裂： 患者并不期望医生无所不知，但他们需要医生认真对待他们的症状，并承认知识的局限性。
“医疗系统的整个理念都建立在它知道自己所知的基础上……如果你身处医学知识的边缘，你的症状无法对应清晰的检查结果，你就会被困住。”
AI 不是万能解药
有人吹捧 AI 算法是解决医疗不确定性的方案，但这种看法过于简单化，忽略了技术的根本局限。
- 无法量化的因素： AI 算法难以评估对健康有益的非量化因素，例如“与朋友共度时光有益于你的灵魂”。
- 缺乏真正共情： AI 可以分析情绪数据，但无法拥有人类医生那样感同身受的体验，也无法捕捉患者微妙的非语言线索。
- 排斥人类参与： 如果将 AI 视为全知全能，可能会将医生和患者本人都排除在决策过程之外，损害医患关系。
承认“我不知道”的力量
研究和实践表明，公开承认不确定性不仅不会破坏信任，反而能建立更稳固、更高效的医患关系。
- 建立信任： 医生 Paul Han 在姑息治疗中发现，直接告诉家属“没有正确答案”时，家属反而感到释然，这为开放的对话创造了可能。
- “安全网”策略： 在承认不确定的同时，医生应向患者说明下一步计划，让他们知道自己不会被抛弃。这种 “安全网” 技巧至关重要。
- 从常规到适应性专长： 面对未知疾病（如早期的艾滋病），医生 David Kaufman 不得不放弃常规脚本，转而应用 “适应性专长” ——调整现有知识并进行创新。这需要投入大量时间倾听患者，建立真正的伙伴关系。
“仅仅是倾听和提问的行为，对他们来说就是一种极大的认可。”
重新思考医学教育
问题的根源在于医学教育，它奖励确定性，并压制对无知的承认。改变这种文化是培养能从容应对不确定性的下一代医生的关键。
- 教育中的偏见： 医学院的学生通过模拟病例学习，这些病例通常有明确的对错，导致学生对现实世界的模糊性准备不足。
- 目标不是消除不适： 研究表明，即使医生学会了理性应对不确定性，其引发的焦虑和压力等情绪反应依然存在。因此，目标不应是消除不适，而是 学会管理这种不适感。
- 新的训练方法：
- 灰色案例： 使用没有唯一正确答案的训练场景，重点评估学生的批判性思维和决策过程。
- 利用压力： 将不确定性引发的生理应激反应（如心跳加速）视为一个信号，提醒自己放慢速度，更审慎地行动。
- 接触艺术： 鼓励非线性的创造性思维，因为理解一幅画或一个病人的状况，都无法在一瞬间完成。