97.5%，这是五个大模型在一项药物产品名推荐测试中的平均首选集中度。但每个疾病—药物组合，平均有 5.50 个获批产品可选。10 月 26 日，Nature Health 刊出的研究，把问题推到了“知道药名”之后。
研究由大阪公立大学、MD Anderson 癌症中心等机构的团队完成。但他们先限定了疾病与活性成分，再看模型选择哪个产品名。像是先选定一种商品，再比较货架上的不同产品。推荐高度一致，能否说明它理解了现实用药的约束？
并非临床正确率
平均首选匹配度
仅限资料完整的子集
药物成分已经选好，模型还会偏向谁？
团队把 123 个疾病—药物组合，与 1,440 种人口社会学画像交叉，生成 177,120 个合成病例。年龄、性别、种族或族裔、身份与收入信息可以变化，但病例不包含真实患者完整的诊疗过程。
GPT-5.4、Claude Sonnet 4.6、Gemini 3.1 Flash、Llama 4 和 MedGemma 分别作答，四名医生参与药名归一及监管核验。但任务范围很窄：按偏好顺序，列出最多三个含指定活性成分的 FDA 获批产品名。
97.5% 描述的是各组合内，最常被选中的产品占据首位的比例。但它既不代表同一种药适用于全部疾病，也不代表 97.5% 的推荐正确。合并五个模型后，仍有 96 个组合的头部产品占比超过 90%。
模型之间也常常选中同一头部产品，一致性指标 κ 达到 0.895。但测试把温度设为 0，且许多变化只是人口属性。这些属性未必应改变产品选择，因此集中度本身无法判定临床合理性。值得追问的是，它与真实使用差多少。
AI 的常见答案，为什么撞不上真实处方？
团队用美国医疗支出面板调查 MEPS 的 2019—2023 年数据作对照，纳入能匹配产品的 100 个组合。但这里比较的是产品分布，不能把它理解为医生与 AI 对同一名患者的处方竞赛。
真实世界最常用的产品，与模型首选相符的比例，跨模型平均为 29.7%；放宽到前三名，升至 58.8%。但按 MEPS 处方数加权后，首选一致性降至 17.0%。现实中用得多的产品，在模型首位答案里并不突出。
如果把两套产品分布看成两份购物篮，研究还量了它们有多不一样。指标叫总变差距离，0 表示相同，1 表示没有重叠。但五个模型的中位数达到 0.93—0.98，显示这种偏离相当明显。
但“现实中常用”也不等于“对每位患者最优”。作者明确提醒，MEPS 分布包含临床、支付方、药房和患者因素。偏离真实处方分布，是部署前的警报；它不能直接充当用药错误的判决。
成本高出 1,019%，这笔账算到了哪一步？
成本分析只纳入 51 种活性成分，其中 38 种、占 74.5%，在模型推荐分布下更贵。但起初共有 101 种不同活性成分：18 种缺少对应 MEPS 记录，另有 32 种缺少完整价格，未进入这笔账。
按作者的情景推算，纳入成分的年度采购成本合计增加约 5,560 万美元，增幅 1,019%。但金额由 MEPS 记录中的用量推得，不能据此宣称美国医疗系统已经多花了这些钱，更不能直接换算成患者自付账单。
研究使用零售药房平均采购成本 NADAC，并对给药途径、可比剂量单位和作用时长作标准化。再把产品份额变化引起的单位价差，乘以处方数量和每张处方的中位单位数。但这种换算仍依赖预设规则。
补充表里，同属氨氯地平分析的 Norvasc，在模型推荐中占 99.46%，在 MEPS 中仅占 0.01%。但表中还包含复方产品，不能一概视为可直接互换。成本推算揭示了产品偏好可能带来的经济后果，尚未验证完整处方与配药链条。
网络上更熟悉，推荐时就更靠前？
原研产品身份与被推荐的优势比 OR 为 20.5；有独立维基百科页面，对应 OR 为 3.00。Google 搜索量也呈正向关联。但 OR 衡量的是模型中的优势关系，不能读成“原研药被推荐的概率高了 20.5 倍”。
这些关联与“知名产品更容易被想起”的解释相容，但不足以证明训练数据或商业推广造成了推荐偏好。网络可见度与推荐频率有关，距离“药企花钱操纵模型”仍隔着因果证据。论文也未打开各模型的训练数据逐项追溯。
一致回答也没有免除监管核验：研究按分类汇总的监管不一致率约为 12.4%—14.7%。但分类涵盖虚构名称、成分不匹配、适应证及市场状态等不同情况，不能全部归成“AI 编出了药”。
在各模型的监管不一致输出中，91.69%—99.59% 指向曾获批、现已不再销售的产品。但监管状态与临床适当性也需分开。推荐停用产品会增加核验负担，却不能由此推导同等比例的患者伤害。
加一句“优先便宜”，答案会改变吗？
会。低价优先和仿制药优先提示，分别让 62.6% 和 77.9% 的“组合—模型”比较更换头部产品。在这些发生变化的比较中，83.1% 和 85.4% 转向仿制药。但这仍是名称选择变化，不能当成实际节省金额。
两种提示下，头部产品的平均首选占比仍有 94.9% 和 97.6%。但集中并不自动意味着干预失败：若任务要求优先选某类产品，答案收敛可能正是遵循指令。作者没有进一步验证这些提示是否真正实现最低成本等具体目标。
团队还去掉活性成分，只保留疾病，覆盖 26 种疾病。头部活性成分和产品名的平均占比分别为 83.8% 和 79.6%，较主实验减弱。但模型间选择更分散，主实验的高度一致不能直接外推到自由选药。
测试记录也有时间和版本边界：主实验调用在 2026 年 3 月进行，敏感性分析在 5 月进行。但论文发表时，产品可能已经迭代。这是一组特定版本、固定提示和采样设置下的行为快照，不能概括所有医疗 AI。
从说出药名，到走完处方链条
这项研究把一个常被忽略的问题摆上台面：产品名选择，也需要单独评估。但它没有观察患者结局，也没有覆盖医生复核、药房替换和实际购买。把推荐接入诊疗流程后，这些环节能纠正多少偏差，仍需实测。
因此，下一步值得检验的是：加入真实药品目录、当前价格、可及性和人工核验后，推荐能否更贴近具体患者的约束。但目前解决的仍只是这条链条的一部分。当 AI 说出一个熟悉的药名，谁来确认它真的能成为一张合适的处方？
本文解读 Sato 等发表于 Nature Health 的研究，DOI：10.1038/s44360-026-00205-y。图表由原论文及补充材料裁切或局部重排，数据与标签未改写；原作 © The Author(s) 2026，按 CC BY 4.0 署名使用。本文不构成诊疗或用药建议。