Gemini/Claude/GPT医疗分诊：相同症状因性别年龄推荐不同紧急程度

一篇最新发表在arXiv上的研究论文直指AI医疗分诊的核心问题：Gemini、Claude和GPT这三大主流大语言模型（LLM），在面对完全相同的神经系统症状时，会因为患者的性别和年龄给出不同的紧急程度建议。这项由研究团队开展的实验，使用了一套标准化的症状组合——持续性头痛、视力模糊、早晨恶心、视觉障碍——然后只改变患者的性别（男、女）和年龄（25岁、38岁、65岁），来测试模型会如何判断。结果呢？同样的症状，凭什么不同性别年龄得到不同的推荐？

研究方法

研究覆盖了三个模型家族，分别是谷歌的Gemini 3.5 Flash、Anthropic的Claude Sonnet 4.6以及OpenAI的GPT-5.4-mini。每位研究者为每个模型构建了总共7种不同的患者画像：3个年龄组乘以2个性别，外加一个未指定性别的基线组。每个画像下测试30次，总共分析了630条分诊建议。这确实挺有代表性，能看出模型在人口学特征上的敏感度。

差异性发现

初步结果显示，模型对年龄的敏感度明显高于性别。比如，65岁的患者无论男女，往往被建议更紧急的医疗处理，而25岁的年轻患者即便症状完全相同，得到的建议反而更温和。性别差异虽然存在，但不如年龄变量那么突出。没错，AI看似中立，其实它会偷偷根据你填的信息调整判断——这背后反映的是训练数据里人类医生的偏见，还是模型自身的偶然性？研究团队没有下结论，但至少敲响了警钟。

医疗公平性隐患

咱们来聊聊这件事的实际影响。假如你是一位38岁的女性，因为持续的头痛和视力模糊去问AI，系统很可能给你一个“观察两天”的建议；可同样的症状放在65岁男性身上，模型可能会建议“立即就医”。这种差异意味着什么呢？它可能导致年轻女性被延误治疗，而老年人被过度紧张。医疗分诊本来就是为了公平分配资源，要是AI自己就带着偏见，那岂不是帮倒忙？

未来该重视什么

好在这项研究已经把问题摆上了台面。Gemini、Claude、GPT这些模型在部署前，需要更严格地测试它们在人口学维度上的表现。研究团队也暗示了改进方向——比如在训练数据中平衡不同年龄、性别的样例，或者引入“人口学脱敏”机制，让模型只依赖症状本身做判断。毕竟，医疗AI的未来不应该是“看人下菜碟”，而是一视同仁地救急。

说到底，这630次测试像一面镜子，照出了LLM在敏感场景下的“人性”弱点。咱们在使用这类工具时多留个心眼总没错，同时也该推动行业标准，让模型真正变得可靠。