上海
英文版博文鏈接：
在過去的一個世紀里，醫學教育大體沿循著由 Flexner Report 所確立的結構：先打下堅實的基礎科學根基，再進入臨床訓練。在信息有限、醫學充滿不確定性的時代，這一模式保證了醫學的嚴謹性與安全性。
但今天，這一前提已經發生改變。
人工智能正在重塑知識的獲取與使用方式。信息不再稀缺。醫學教育的核心問題，也不再是“如何傳授知識”，而是“如何培養能夠使用知識的醫生”。
一個正在擴大的結構性矛盾
全球醫療體系正面臨不斷增長的需求：人口老齡化、慢性病負擔上升，以及醫療服務模式向長期管理的延伸，都在持續推高醫療壓力。與此同時，醫生的培養周期依然漫長、成本高昂，且難以快速擴展。
于是，一個結構性矛盾逐漸顯現：需求在加速，而培養路徑卻基本保持不變。
解決這一問題，并不是以犧牲質量為代價去“更快地培養更多醫生”，而是重新思考：我們究竟該如何分配醫學訓練中的時間。
AI與“學習時間”的重新分配
AI并沒有讓醫學變簡單，它改變的是學習的成本。在當前的醫學教育中，大量時間仍然用于記憶。而借助可視化、模擬技術以及AI輔助學習，基礎知識的獲取與組織，已經可以在更短時間內完成。
醫學訓練的核心，在于建立結構化思維——能夠將解剖、生理與病理整合為一個可用于決策的認知模型。這一能力本身難以被壓縮，但完全可以更早開始形成。
因此，方向也變得清晰：減少低效的記憶，把時間重新投入到更高層級的能力上。
從“學科分割”走向“整合學習”
傳統課程以學科為單位，將知識分割開來。這樣的結構在教學上高效，卻延后了知識真正被使用的時刻。而在AI的支持下，整合學習第一次變得更具可行性。
學習可以從一開始就圍繞系統與臨床問題展開。例如，在學習循環系統時，學生可以同時理解結構、功能以及功能失調，并通過真實的臨床情境加以錨定。知識不再是事后拼接的結果，而是在語境中被理解和掌握。
那些必須被保留、甚至被強化的部分
當知識獲取變得更加高效，人類能力的重要性反而更加凸顯。
臨床判斷、溝通能力、倫理思考，以及在不確定性中的決策能力，仍然是醫學的核心。這些能力無法外包給AI，也無法通過短時間獲得，它們需要持續而有意識的訓練。
真正的改革，不應削弱這些部分，而應為其留出更多空間和時間。
作者聲明：
本文僅代表個人觀點，不能替代專業醫生的診斷與治療建議。
靜脈曲張的評估與處理需結合個體情況，由具備相關資質的醫生進行判斷。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
