目录
- 一句话看懂这篇文章
- 这项工作真正推进了什么
- MIRA 如何工作：在电子病历沙箱中完成完整诊疗流程
- 关键结果一：诊断准确率超过对照医生
- 关键结果二：MIRA 能按临床顺序调用检查和治疗工具
- 关键结果三：治疗操作和指南一致性表现更好
- 安全性验证：用药、收治决策与偏倚扰动
- 这项研究最值得注意的地方
- 不能忽略的研究边界
- 给医生和医疗 AI 研究者的启发
一句话看懂这篇文章
这篇 Nature 文章介绍了一个名为MIRA（Medical Intelligence for Reasoning and Action）的医疗 AI 智能体。
它与常见的医疗问答模型不同：MIRA 不只是根据病例生成一段诊疗建议，而是在一个受控的电子健康记录（EHR）沙箱中，像医生一样逐步完成问诊、查体、开检查、读取结果、形成鉴别诊断、开具药物、申请手术以及决定收治或出院。
在基于真实病例构建的急诊模拟中，MIRA 的整体诊断准确率达到88.9%；在与四名高年资认证医师使用相同信息和工具的正面对照中，MIRA 的诊断准确率为87.8%，高于医生组的78.1%。
但需要强调：这仍然是基于回顾性病例和模拟患者的沙箱研究，不是 AI 已经能够在真实医院里自主接管患者。
这项工作真正推进了什么
过去大多数医疗大模型研究主要集中在医学问答、病例文本诊断，以及病历摘要、编码或指南检索等单点任务。
真实诊疗却是一个动态过程：
询问病史 → 查体 → 选择检查 → 解读新信息 → 调整诊断 → 采取治疗 → 决定患者去向。
MIRA 的核心推进，是把评测对象从“医学回答”变成了“临床行动序列”。
作者不只问模型能否说出“患者可能得了肺炎”，还测试它能否主动询问关键症状、申请检查、根据结果调整诊断、按结构化格式开具药物和操作，并在急诊流程末端决定收治还是出院。
这比单轮问答更接近医疗智能体真正进入医院信息系统后需要面对的问题。
MIRA 如何工作：在电子病历沙箱中完成完整诊疗流程
研究团队为 MIRA 构建了一个受控的虚拟 EHR 环境。
病例来自 MIMIC-IV 数据集，覆盖阑尾炎、胆囊炎、憩室炎、胰腺炎、肺炎、肺栓塞、尿路感染和胰腺癌 8 类疾病。
MIRA 可以调用 11 类工具，并在超过8.5 万个操作选项中进行选择。可执行操作包括问诊、读取既往病史、申请查体、开具实验室检查、微生物检测和影像检查，以及搜索并申请药物、手术和住院。
系统接入了 FHIR，并兼容 ICD、LOINC、ATC、NDC、RxNorm 和 SNOMED-CT 等医学编码体系。因此，模型输出不再只是自由文本，而可以被转换为结构化、可执行的 EHR 请求。
与此同时，MIRA 通过对话与“患者智能体”交流。患者智能体只能使用原始病例中记录的现病史回答问题，不能自行添加症状或提前泄露诊断。
图注：Fig. 1｜MIRA 在电子病历沙箱中的完整工作流程。MIRA 与基于真实病历现病史构建的患者智能体对话，并通过 FHIR 接口调用查体、实验室检查、影像、药物、操作和住院等工具，将临床推理转化为结构化、可执行的 EHR 操作。
关键结果一：诊断准确率超过对照医生
作者首先在 574 个病例中，将 MIRA 的诊断与 MIMIC-IV 出院诊断进行比较。
MIRA 的总体诊断准确率为88.9%。其中，阑尾炎为98.6%，胰腺炎为92.3%，肺栓塞为90.0%，肺炎为72.4%，尿路感染为77.6%。
随后，作者选取 311 个病例，让 MIRA 与四名具有 7—11 年临床经验的认证医师在相同条件下分别完成诊疗。
结果显示：
- MIRA：87.8%；
- 认证医师组：78.1%。
差距最大的病种之一是胰腺炎，MIRA 的准确率为95.2%，医生组为78.6%。
研究还设置了另一组由住院医师和专科医师组成的混合资历医生队列，其总体准确率为71.1%，同样低于 MIRA。
不过，这些结果不能直接解释为“MIRA 的真实临床能力已经全面超过医生”。它更准确地说明：在该研究构建的同条件模拟中，MIRA 能够稳定完成多步诊断任务。
图注：Fig. 3a｜MIRA 与认证医师的诊断准确率比较。左图展示 MIRA 在 574 个 MIMIC-IV 病例中的分病种表现；右图为 MIRA 与四名认证医师在 311 个匹配病例、相同信息和工具条件下的正面对照。
关键结果二：MIRA 能按临床顺序调用检查和治疗工具
诊断正确并不等于流程合理。作者进一步分析了 MIRA 的行动轨迹。
以阑尾炎为例，MIRA 通常按照以下顺序推进：
询问病史 → 制定初步计划 → 获取查体结果 → 申请化验 → 申请影像 → 开始药物治疗 → 申请手术 → 调整围手术期用药 → 建议住院。
这一顺序与常规临床工作流基本一致，而不是一次性调用所有工具。
MIRA 在97.1%的病例中申请了查体，高于认证医师组的87.8%。在血液检查方面，MIRA 覆盖了病例中约51.1%的已记录指标，医生组为28.3%。
这说明 MIRA 倾向于获取更完整的实验室信息。但它并不是简单地“把所有检查都开一遍”：影像检查没有出现系统性增加，整体检查使用仍低于 MIMIC-IV 真实记录基线。
在入院前用药核对任务中，MIRA 对药品名称的召回率达到95.2%，精确率达到99.6%。
图注：Fig. 3c｜MIRA 的临床行动轨迹与检查选择。Fig. 3c 比较 MIRA、MIMIC-IV 参考记录和认证医师在查体、血液检查、微生物及影像检查方面的选择。
关键结果三：治疗操作和指南一致性表现更好
作者不仅评估诊断，还检查 MIRA 是否能提出正确的治疗操作。
在阑尾炎病例中，MIRA 对腹腔镜阑尾切除术的匹配率达到100%；在胆囊炎病例中，对腹腔镜胆囊切除术的匹配率为90.6%。
综合 8 类疾病，MIRA 找回了参考病例中53.5%的相关操作，认证医师组为38.3%。
论文还评估了抗生素、镇痛、抗凝、静脉补液和营养等治疗是否符合预先指定的临床指南。总体上，MIRA 的指南一致性高于两组医生，和认证医师相比，配对病例中的平均优势约为35 个百分点。
但它没有达到 100% 的指南一致性。例如，除肺炎外，MIRA 在多个病种的抗生素治疗上仍存在少量不符合最佳实践的个体病例。因此，真实应用不能只看平均分，必须对每个患者的具体操作设置独立安全校验。
图注：Fig. 4｜MIRA 的操作匹配率与治疗指南一致性。图中展示 MIRA 在阑尾炎和胆囊炎中的手术操作匹配情况、与认证医师的操作召回率比较，以及抗生素、镇痛、抗凝、补液和营养等治疗建议的指南一致性。
安全性验证：用药、收治决策与偏倚扰动
医疗智能体真正的风险不只在于诊断错误，还包括错误剂量、药物相互作用、过敏冲突以及不恰当的出院决定。
作者抽取 56 个 MIRA 病例，由认证医师逐例评估严重药物相互作用、肾功能剂量、药物与过敏史冲突、QT 风险、不安全的阿片类药物处方和重复治疗 6 类风险。
前 5 类严重风险均未被发现，但有 3 个病例出现重复治疗，包括重复开具昂丹司琼、华法林与依诺肝素重叠，以及重复胰岛素方案。这说明 MIRA 的处方安全性整体较高，但并非没有可执行层面的错误。
在收治决策实验中，作者构建了 40 个肺栓塞病例和 40 个肺炎病例。MIRA 对需要住院患者的召回率均为1.00，也就是没有漏掉应住院病例。
代价是其在肺栓塞中表现出一定的保守倾向：部分本可出院的患者被建议住院。
作者还加入了患者过度焦虑、坚信自己健康、担心癌症、性别变化以及只说德语或法语等 6 类扰动。经过多重比较校正后，没有发现这些扰动导致诊断准确率显著下降。
图注：Fig. 5｜MIRA 的安全性、收治决策与扰动鲁棒性评估。图中包括药物相互作用、肾功能剂量、过敏、QT 风险、阿片风险和重复治疗等逐病例安全评价，以及肺炎和肺栓塞的收治判断、患者偏倚提示和语言扰动实验。
这项研究最值得注意的地方
1. 从生成文本转向执行结构化操作
传统模型输出一段建议，最终是否执行、如何录入 EHR，仍由医生完成。
MIRA 则直接输出 FHIR 请求、药物条目、检查申请和住院决策。医疗 AI 因而从“信息工具”向“行动工具”迈进了一步。
2. 评测单位从单个问题变成完整病例
MIRA 必须在新信息不断出现的过程中调整决策。早期选择会影响后续结果，某一步漏掉检查也可能导致最终诊断和治疗错误。
这更接近临床推理的真实难度。
3. 安全治理必须与模型能力同时设计
能够调用工具的模型，潜在危害远高于只生成文字的聊天机器人。
未来真正可用的医疗智能体需要的不只是更强模型，还包括权限控制、操作白名单、处方校验、人工确认、审计日志和异常回滚机制。
不能忽略的研究边界
第一，患者是模拟的。患者智能体根据出院记录中的现病史回答，语言可能比真实急诊患者更完整、更连贯。
第二，数据是回顾性的。病例来自 MIMIC-IV，模型没有在真实医院中面对实时病情变化、检验延迟、床位限制、设备可用性和跨科室协作。
第三，疾病范围有限。研究只覆盖 8 类疾病，无法代表急诊医学的全部长尾和复杂共病。
第四，参考答案并不等于绝对正确。MIMIC-IV 中记录的检查和治疗反映真实临床实践，但真实实践本身也可能存在遗漏或不一致。
第五，医生对照同样受到实验界面限制。沙箱不同于医生熟悉的真实 EHR、团队协作和床旁环境。
第六，模型仍有个体级错误。重复治疗、少量指南偏离和偏保守的住院决策，都说明平均指标较高不等于可以取消人工监督。
因此，这篇文章证明的是：
在受控沙箱中，医疗智能体已经能够完成较完整的急诊诊疗流程。
它尚未证明：
医疗 AI 已经可以在真实医院中独立负责患者。
给医生和医疗 AI 研究者的启发
对医生而言，MIRA 更可能首先成为一个“可执行的临床副驾驶”，而不是独立医生。
它可以帮助完成结构化病史采集、用药核对、检查建议、指南提醒和医嘱草拟，但高风险操作仍应由医生确认。
对医疗机构而言，未来评价医疗 AI 时不能只看问答准确率，还要关注它调用了哪些患者数据、为什么申请某项检查、是否过度检查或漏检、药物和剂量能否通过规则校验、哪些操作必须经过人工批准，以及出错后能否追溯完整行动链。
对研究者而言，下一步关键不是继续在同一批回顾性病例上提高几个百分点，而是开展前瞻性、真实工作流中的研究，评估模型对诊疗质量、医生工作负担、资源使用和患者结局的实际影响。
如果用一句话概括这篇文章：
MIRA 把医疗大模型从“给出建议”推进到“在 EHR 中采取行动”，但从沙箱中的高分到真实临床中的安全自治，中间仍隔着前瞻性验证、权限治理和人类监督。
