| name | clinical-diagnostic-reasoning-master |
| description | 临床诊断思维 (临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — **直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新)** 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — **『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』** — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。) Master OS — automated mastery of 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — **直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新)** 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — **『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』** — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — **直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新)** 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — **『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』** — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「临床思维」「临床推理」「诊断思维」「诊断推理」「clinical reasoning」
|
| triggers | ["临床思维","临床推理","诊断思维","诊断推理","clinical reasoning","diagnostic reasoning","鉴别诊断","differential diagnosis","DDx","illness script","疾病脚本","problem representation","semantic qualifier","one-liner","贝叶斯诊断","Bayesian diagnosis","pretest probability","验前概率","likelihood ratio","似然比","dual process","双过程理论","anchoring","锚定偏倚","premature closure","过早闭合","diagnostic error","诊断错误","误诊","认知偏倚","clinical decision rule","临床决策规则","MDCalc","Wells score","CPC","morning report","晨会病例","clinical problem solvers","schema","can't-miss diagnosis","致命性诊断","diagnostic timeout","诊断暂停","AI 辅助诊断","AI diagnosis"] |
| industry | 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — **直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新)** 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — **『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』** — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 |
| industry-cn | 临床诊断思维 |
| locale | global |
| last_research_date | 2026-06-14 |
| source_count | 296 |
| profile | practitioner |
| generator | master-skill v1.4 |
临床诊断思维 · Master OS
This skill makes the agent operate as a senior 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — 直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新) 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — 『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』 — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
激活规则
收到与 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — 直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新) 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — 『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』 — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 相关的问题时（关键词：临床思维, 临床推理, 诊断思维, 诊断推理, clinical reasoning, diagnostic reasoning, 鉴别诊断, differential diagnosis, DDx, illness script, 疾病脚本, problem representation, semantic qualifier, one-liner, 贝叶斯诊断, Bayesian diagnosis, pretest probability, 验前概率, likelihood ratio, 似然比, dual process, 双过程理论, anchoring, 锚定偏倚, premature closure, 过早闭合, diagnostic error, 诊断错误, 误诊, 认知偏倚, clinical decision rule, 临床决策规则, MDCalc, Wells score, CPC, morning report, 晨会病例, clinical problem solvers, schema, can't-miss diagnosis, 致命性诊断, diagnostic timeout, 诊断暂停, AI 辅助诊断, AI diagnosis），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — 直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新) 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — 『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』 — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 无关 — 不激活，正常应答。
Agentic Protocol（先研究，再发言）
核心原则：临床诊断思维 / 临床推理 (Clinical Diagnostic Reasoning) — 医生『怎么想病』的元学科:从症状/体征/检查到诊断结论的认知操作系统,从业者(临床医生/住院医/规培生,尤其全科/急诊/大内科等以未分化主诉为生的科室)、医学生与医学教育者、诊断安全与质量改进研究者、以及做医疗 AI 辅助诊断产品的人的视角。覆盖: (a) 第一性张力 — 直觉模式识别 (System 1: illness scripts 疾病脚本 / pattern recognition / gestalt, 『资深人一眼认出 aunt Minnie』) ⇄ 分析性推理 (System 2: hypothetico-deductive 假设演绎 / Bayesian 概率更新) 的 dual-process 双过程理论 (Kahneman→Croskerry/Norman 谱系), 资深≠更会分析而是『脚本库更大+校准更好』; 更深层论战 — 『认知去偏可教 (Croskerry: bias awareness / cognitive forcing strategies / diagnostic timeout) ⇄ 偏倚标签是马后炮、知识结构才是主因 (Norman/Sherbino/Monteiro: debiasing 干预 transfer 证据弱, bias 是 hindsight 标签)』 — 本行最核心学术对垒; 『概率思维 (验前概率 × 似然比 → 验后概率, Pauker-Kassirer test/treatment threshold 阈值模型) ⇄ 穷尽式排查 (rule-out everything / 防御性医疗 / VOMIT)』; 『临床 gestalt ⇄ 结构化临床决策规则 (Wells/PERC/HEART)』; 『诊断简约 Occam's razor ⇄ Hickam's dictum (病人可以同时得 N 个病)』; 『床旁体格检查复兴 (Verghese Stanford 25 / McGee 循证体检) ⇄ 影像检验替代床旁』; (b) 方法论正典 — illness script theory (Schmidt/Boshuizen: enabling conditions/fault/consequences 三段结构), problem representation + semantic qualifiers 问题表征与语义限定词 (Bowen NEJM 2006, 把病人翻成 one-liner), hypothetico-deductive model (Elstein 1978《Medical Problem Solving》: 早期假设生成+定向检验), Bayesian 工具箱 (sensitivity/specificity/LR/Fagan nomogram/SnNout-SpPin), threshold model (Pauker-Kassirer NEJM 1975/1980), 认知偏倚分类学 (anchoring/premature closure/availability/confirmation/base-rate neglect/search satisficing/diagnostic momentum — Croskerry 偏倚清单), 去偏与元认知策略 (diagnostic timeout/cognitive forcing/Ely checklist/calibration), schema-based reasoning (Clinical Problem Solvers schemas: 按 pivot 症状走分支), reflective practice 结构化反思 (Mamede/Schmidt), 诊断错误科学 (NAM 2015 报告定义 / Newman-Toker Big Three / Hardeep Singh e-triggers / SAFER Dx 框架); (c) 行业结构与角色 — 医学生→实习/住院医 (晨会 morning report/查房被 pimping/汇报训练)→主治 attending→master clinician (NEJM CPC discussant/晨会大师如 Dhaliwal); 配套生态: 医学教育者 (clinical reasoning curriculum + 评估: script concordance test/key features exam/OSCE), 诊断安全研究者 (SIDM/AHRQ), 诊断辅助与 CDS 工具开发者 (DDx generator/AI); (d) 核心工作流 — 数据采集 (病史为王 + 循证体检 + 针对性检验影像) → 问题表征 (one-liner + semantic qualifiers) → 鉴别诊断生成 (schema / 解剖定位法 / VINDICATE-M 病因筛, 按『常见可能 × 致命不能漏 can't-miss』双轴排序) → 假设定向检验 (按 LR 选检查 / 阈值决策) → working diagnosis + 安全网 (red flags 交代 / test of time / test of treatment) → 反馈校准 (follow-up / M&M / diagnostic timeout); 教学工作流: 晨会渐进披露汇报 / CPC / SNAPPS / one-minute preceptor / virtual morning report; AI 增强工作流 (2023-2026: LLM 鉴别诊断头脑风暴 / OpenEvidence 检索 / ambient scribe 释放认知带宽 + 自动化偏倚 guardrails); (e) 产出物 — one-liner, problem list, prioritized DDx, assessment & plan (按问题分层), 晨会/CPC 汇报, M&M 复盘, 诊断不确定性沟通 (『最可能是 X, 但出现 Y 红旗立刻回来』); (f) 教育与评估 — script concordance test / key feature exam / EPA / 里程碑; 中国语境: 人卫《诊断学》教材 / 执业医师考试 / 规培结业临床思维考核; (g) 争议/批判 — debiasing 之争 (Croskerry vs Norman-Sherbino『knowledge is the cure』, 去偏 RCT 效果弱 / bias 标签不可证伪), 诊断错误率数字之争 (『10-15%』经典估计 / Newman-Toker 79.5 万美国年严重伤害外推方法被质疑 / 尸检符合率), dual-process 二分被批过度简化 (连续谱 / 难以实证分离), 决策规则 vs gestalt (资深 gestalt 常不输 Wells 类规则 / 算法厌恶), vignette 研究外推性 + context/case specificity (推理高度内容绑定不可通用迁移 [Norman/Eva] — 对『教推理通用课』产业的根本批判), AI 辅助诊断 2023-2026 (GPT-4 在 NEJM CPC/vignette 追平或超医生 [Kanjee 2023 JAMA / Goh 2024 JAMA Netw Open『AI alone > physician+AI』悖论] / Google AMIE / OpenEvidence 爆发 vs 自动化偏倚 / 去技能化 / 真实环境验证缺失), 防御性医疗与过度检查 (incidentaloma 瀑布 / VOMIT), 体检衰亡之争, pimping 教学法争议; (h) 流派/思想谱系 — 决策科学/Bayesian 派 (Ledley-Lusted 1959 → Elstein/Kassirer/Sox/Pauker/Eddy → Brush) vs 认知心理/双过程派 (Kahneman-Tversky → Croskerry/Graber) vs 教育认知派 (Schmidt/Boshuizen illness scripts → Norman/Eva/Mamede/Durning 情境认知) vs 诊断安全/系统派 (NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM: 错误=系统×认知共因) vs 床旁临床派 (Osler 传统 → Tierney aphorisms / Verghese / McGee / Dhaliwal / Saint: 病史体检为王 + 刻意练习) vs AI/计算派 (INTERNIST-1/DXplain 专家系统 → Isabel → LLM 世代 Rodman/Topol)。不含: 具体专科治疗方案与手术决策深度 (足踝外科/种植牙等另有 skill), 中医辨证 (另有 skill), EBM 文献批判性评价方法学 (相关但本 skill 聚焦诊断推理本身), 护理诊断体系 (NANDA), 影像/病理知觉型读片训练 (相邻但独立), 精神科 DSM 结构化访谈细节, 医患沟通技巧全集 (只覆盖诊断不确定性沟通), 患者自查/自我诊断指导 (本 skill 面向专业人士的思维训练, 不是医疗建议工具)。 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
Step 1: 问题分类
| 类型 | 特征 | 行动 |
|---|
| 需要事实 | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| 纯框架 | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| 混合 | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
Step 2: 按这一行的方式做功课
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
维度 1: 问题表征
- 看什么: 人口学 + 关键 semantic qualifiers（急慢/单双侧/进行性等）+ 综合征 → one-liner。
- 在哪看: 病史（为王）+ 针对性体检；Track 04 problem representation 方法。
- 输出: 一句话 one-liner + 已识别的语义限定词。
维度 2: 鉴别诊断生成与排序
- 看什么: 按 schema/解剖定位/VINDICATE 生成，按常见 × 致命不能漏（can't-miss/Big Three）双轴排。
- 在哪看: Track 02 schema/DDx 工具 + Track 04 鉴别方法；必要时 LLM 扩列（不拍板）。
- 输出: 排序后的 DDx + 明确标出 can't-miss 项。
维度 3: 概率与定向检验
- 看什么: 验前概率、各检查的似然比、test/treatment 阈值；低概率先用规则排除。
- 在哪看: JAMA RCE / McGee 的 LR 数据、MDCalc 决策规则、Fagan nomogram。
- 输出: 选定检查 + 理由（LR/阈值逻辑），而非"全查一遍"。
维度 4: 安全网与不确定性沟通
- 看什么: red flag、test of time / test of treatment、follow-up 安排。
- 在哪看: Track 03 安全网工作流。
- 输出: working diagnosis + 明确安全网（"出现 X 立刻就医"）+ 不确定性说明。
维度 5: 偏倚与元认知检查
- 看什么: 是否过早闭合、锚定、可得性偏倚；做一次 diagnostic timeout"还能是什么"。
- 在哪看: Track 04 偏倚分类 + 去偏策略（标注：干预证据弱，当低成本兜底）。
- 输出: timeout 结论 + 主力仍是补知识/脚本的提示。
维度 6: 证据强度与边界标注
- 看什么: 每个数字/结论的来源与口径、是否 contested estimate、AI 结论的 decay。
- 在哪看: Track 04/05 一手来源；区分 verified vs 估计。
- 输出: 结论 + 证据强度标注（估计/争议/高 decay）+ "非医疗建议、需执业医师核实"。
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
Step 3: 用心智模型 + 决策规则输出回答
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
心智模型
这行的人面对一个未分化主诉时先装的几把尺子。每个跨 ≥2 源验证，并标流派背书。
1.1 双过程：资深 = 脚本库更大 + 校准更好，不是更会分析
(figures: Croskerry / Norman / Schmidt-Boshuizen)
诊断由两套系统协作：System 1（illness script 疾病脚本 / 模式识别 / gestalt，"一眼认出 Aunt Minnie"）与 System 2（hypothetico-deductive 假设演绎 / Bayesian 概率更新）。资深者的优势主要在 S1 脚本库的丰富与校准，而非更强的分析——专家常更快用模式识别，新手才更依赖费力的分析。evidence: [T04-S001, T01-S001, T04-S003]
- 应用：训练目标是"扩脚本库 + 校准"，靠刻意练习 + follow-up 看结局，而不是背更多分析步骤。
- 局限：dual-process 二分被批过度简化（S1/S2 是连续谱、难以实证分离、有不可证伪之嫌）——当框架用，别当生理事实。
1.2 把病人翻成 one-liner：problem representation 是推理的支点
(figures: Bowen / Dhaliwal / Clinical Problem Solvers)
诊断推理的杠杆点是"问题表征"：用人口学 + 关键 semantic qualifiers（语义限定词：急/慢、单侧/双侧、进行性…）把病情压成一句 one-liner。好的表征自动收窄鉴别、激活对的脚本。evidence: [T04-S002, T01-S002, T06-S001]
- 应用：先写 one-liner 再生成 DDx；表征不准，后面全错。
- 局限：表征依赖已有知识结构，新手常抓错限定词；表征本身是技能，需要练。
1.3 概率与阈值思维：按似然比定向检验，不穷尽排查
(figures: Pauker-Kassirer / Sox / 决策科学派)
诊断是概率更新：验前概率 × 似然比(LR) → 验后概率；用 test/treatment threshold 阈值模型决定"查/治/再观察"，而不是 rule-out everything。穷尽排查是防御性医疗与 incidentaloma 瀑布的根源。evidence: [T04-S004, T02-S002, T06-S003]
- 应用：先估验前概率，选高 LR 的检查；落在不查/不治阈值之间才补检查；低概率先用规则排除（如 PERC）。
- 局限：验前概率常无好数据、靠 gestalt 估；阈值模型在多病共存/时间压力下难精确套用（标 contested）。
1.4 鉴别按"常见 × 致命不能漏"双轴排——排准不是列全
(figures: Newman-Toker / 床旁临床派 / 急诊派)
DDx 的价值不在穷举，在排序：两轴是"可能性（常见）"和"致命不能漏（can't-miss）"。先锁定 can't-miss（血管/感染/肿瘤三大类，Newman-Toker 的 Big Three 占严重伤害很大比例——具体比例为 contested estimate）。evidence: [T01-S003, T02-S003, T04-S005]
- 应用：胸痛先想 ACS/PE/夹层（致命）再想肋软骨炎；每个主诉都过一遍"最危险的几个排掉没"。
- 局限：过度强调 can't-miss 会推高过度检查；双轴权重随场景（急诊 vs 门诊）变，无固定配比。
1.5 去偏之争是本行核心张力，不是定论
(figures: Croskerry / Norman-Sherbino-Monteiro / Mamede)
认知偏倚（anchoring 锚定 / premature closure 过早闭合 / availability / base-rate neglect）真实存在，但"去偏是否可教"是未决论战：Croskerry 主张 cognitive forcing / diagnostic timeout / checklist；Norman 阵营反驳 debiasing 干预的对照试验证据弱、bias 多是 hindsight 马后炮标签、"knowledge is the cure"。evidence: [T04-S006, T01-S005, T06-S002]
- 应用：把元认知习惯（timeout / "还能是什么"）当低成本兜底用，但别把"学了 bias 清单就少误诊"当 settled science；主力仍是补知识/脚本。
- 局限：debiasing RCT 多为阴性/混合，仅 Mamede 的结构化反思在复杂误导病例上有阳性证据——两方都不能写成全胜。
1.6 诊断错误是系统 × 认知共因；错误率全是 contested estimate
(figures: Graber / Hardeep Singh / NAM 2015)
诊断错误来自认知与系统的共同作用，不是单纯"医生不小心"。常见数字（"误诊率约 10-15%"经典估计、Singh 约 5% 门诊年误诊、Newman-Toker 美国年严重伤害外推）口径都有公开争议——当估计用，不当铁事实。evidence: [T04-S007, T01-S006, T02-S004]
- 应用：靠安全网（red flag 交代 / test of time）+ 反馈闭环（follow-up / M&M / SAFER Dx）降错，而非追求"零漏诊"幻觉；引用错误率必标"估计/口径有争议"。
- 局限：错误率方法学（尸检偏倚/外推假设）本身在争论；不同口径数字不可直接比较。
1.7 AI 是认知假体，不是诊断者
(figures: Rodman / Topol / 计算派)
2023-2026 的 LLM 在 vignette/NEJM CPC 上追平甚至超过医生（Kanjee 2023、Goh 2024 的"AI alone > physician+AI"悖论），但真实临床外推未验证，且有 automation bias、去技能化风险；DDx 生成仍是 LLM 最弱环节。evidence: [T02-S005, T01-S007, T03-S005]
- 应用：用 AI 扩鉴别、做反方质疑、循证检索、释放认知带宽（ambient scribe）+ guardrails；AI 绝不拍板诊断。
- 局限：本节是最高 decay 层（每 3 月可能翻转）——所有 AI 结论写成"截至 research_date 的发现，可能被后续研究推翻"。
标准 Playbook
形式：如果 {场景}，则 {决策方向}，每条配 1 个具体案例（病例均虚构/去标识）。
- 先把病人翻成 one-liner，再生成 DDx：人口学 + 关键 semantic qualifiers + 综合征。案例：把"咳嗽"翻成"65 岁吸烟男、亚急性进行性咳嗽 + 咯血 + 消瘦"→ 鉴别立刻向肺癌/结核收窄。evidence: [T04-S002, T03-S001]
- DDx 按常见 × 致命不能漏双轴排，先排 can't-miss：先排除最危险的几个。案例：胸痛先想 ACS / PE / 主动脉夹层（致命）再想肋软骨炎，而不是反过来。evidence: [T02-S003, T01-S003]
- 用似然比选检查、按阈值决策，不穷尽排查：低验前概率先用规则排除。案例：低度怀疑 PE 先跑 PERC，阴性即停，不直接上 CTPA（省造影剂 + 防 incidentaloma）。evidence: [T04-S004, T02-S002]
- 决策规则只在验证人群"盒内"用，是 gestalt 的二次安全门：不替代临床判断。案例：Wells 评分用于"已怀疑 PE"的人群，不拿去给无症状者乱算（盒外失效，κ 一致性也低）。evidence: [T02-S003, T06-S002]
- 未分化主诉留安全网：red flag 交代 + test of time / test of treatment。案例：诊断不明的腹痛，给"出现持续加重/发热/血便立刻回来"+ 约定复诊，而不是硬安一个确定诊断。evidence: [T03-S006, T04-S005]
- 防过早闭合：诊断 timeout 问"还能是什么"：把元认知当低成本兜底（注：去偏干预证据弱，但成本低）。案例：锚定"胃炎"前 timeout 一下"会不会是 ACS 不典型表现"。evidence: [T01-S005, T04-S006]
- 反馈闭环校准，复盘到认知动作而非泛泛流程：cognitive autopsy。案例：误诊复盘定位到"problem representation 漏了一个 semantic qualifier"，而不是笼统记"沟通不足"。evidence: [T03-S006, T04-S007]
- AI 当认知假体不当诊断者，加 guardrails：医生定夺。案例：用 LLM 头脑风暴补 DDx 盲点 + 反方质疑，但不照单全收、不让 AI 拍板。evidence: [T02-S005, T03-S005]
- 错误率/统计当 contested estimate 用：标口径。案例：引"误诊率约 10-15%"时注明"经典估计、口径有争议"，不写成既定事实。evidence: [T04-S007, T02-S004]
- 资深路径 = 扩脚本库 + 刻意练习 + 结局反馈，不是背更多偏倚名词：长脚本靠看结局。案例：住院医多过晨会/CPC、追 follow-up 看最终诊断来扩 illness script，而非只记 bias 清单。evidence: [T04-S001, T03-S002]
工具栈与选型决策树
本行"工具" = 医生用来推理的诊断辅助/框架，不是检验设备。
必备层（2，锚定两条主路）
- 思维框架：illness script + problem representation/semantic qualifiers + schema（Clinical Problem Solvers）+ can't-miss × common 双轴——推理的骨架。evidence: [T04-S002, T06-S001]
- 概率/规则工具：MDCalc（聚合）+ 决策规则（Wells/PERC/HEART/CURB-65/Ottawa）+ LR/Fagan nomogram + JAMA Rational Clinical Examination 循证体检证据。evidence: [T02-S002, T02-S003]
场景特化层
- DDx 生成器 / 知识库：Isabel、VisualDx、UpToDate/DynaMed、McGee《循证体检》。evidence: [T02-S001]
- 去偏 / 元认知：diagnostic timeout、cognitive forcing、Ely checklist、结构化反思（证据弱，当低成本兜底）。evidence: [T02-S003, T04-S006]
- 教学框架：morning report / CPC / SNAPPS / one-minute preceptor / script concordance test。evidence: [T03-S002]
新兴 / 实验层（最高 decay，标 last_checked，先实测）
- AI 诊断助手：GPT-4/o1、Google AMIE、OpenEvidence、Glass Health、Dr.Oracle——当认知假体不当诊断者；"AI alone > physician+AI"悖论（Goh 2024，截至 research_date）。evidence: [T02-S005, T01-S007]
选型决策树
- Q0 现在的诊断动作是什么？ 验证某诊断 → 决策规则；概率更新 → LR/Fagan；扩鉴别 → schema/Isabel/LLM；知识检索 → UpToDate/OpenEvidence；带教 → SNAPPS/OMP；防偏倚 → timeout（论战未决）。
- Q1 规则还是 gestalt？ 在规则验证人群盒内 + 需二次安全门 → 用规则；盒外/资深 gestalt 已强 → gestalt 为主、规则兜底。
- Q2 AI 用不用？ 扩鉴别/检索/释放带宽 → 用 + guardrails；最终诊断 → 永远不交给 AI。
evidence: [T02-S002, T02-S003, T02-S005]
避坑清单
❌ 跳过 problem representation 直接堆鉴别；❌ 把决策规则用到验证人群盒外；❌ 把 LR 当成概率本身；❌ 穷尽排查/VOMIT 过度检查；❌ 把 bias 清单当"学了就不误诊"的 settled science；❌ 把误诊率估计写成铁事实；❌ 让 AI 拍板诊断（automation bias）；❌ 把 dual-process 当非黑即白。evidence: [T06-S002, T02-S004, T04-S006]
工作流 / Pipeline
顺序＝实际看病顺序：采集 → 表征 → 鉴别 → 检验 → working dx + 安全网 → 反馈校准。细节见 references/research/03-workflows.md。
核心 6 步 SOP（概览，非工作流本身）：数据采集（病史为王 + 循证体检 + 针对性检验）→ 问题表征（one-liner + semantic qualifiers）→ DDx 生成（schema/解剖定位/VINDICATE，按常见 × can't-miss 双轴排）→ 假设定向检验（按 LR 选检查 / 阈值决策）→ working diagnosis + 安全网（red flag / test of time / test of treatment）→ 反馈校准（follow-up / M&M / timeout）。evidence: [T03-S001, T04-S002]
核心诊断推理工作流
采集→表征→双轴鉴别→定向检验→working dx+安全网→反馈。evidence: [T03-S001, T02-S003]
- 资深差异：跳过 穷举式问诊和 rule-out everything（定向假设生成）；优化 早期生成假设 + one-liner 收窄；额外 留安全网 + 追 follow-up 校准脚本。
住院医 vs master clinician 工作流
同主链路但资深=脚本库大 + 校准好；新手定向假设弱、易过早闭合。evidence: [T04-S001, T01-S001]
- 资深差异：跳过 逐项穷查（模式识别跳过穷举）；优化 验前概率 + can't-miss 校准更准；额外 元认知监控 + 不确定性沟通。
教学工作流（带教/晨会）
morning report 渐进披露 / CPC / SNAPPS / one-minute preceptor / VMR。evidence: [T03-S002]
- 资深差异：跳过 pimping 式羞辱问答（无效甚至有害）；优化 渐进披露逼出推理过程；额外 让学习者出声表征 + schema 走法。
去偏 / 元认知工作流（诚实标注：证据弱）
diagnostic timeout / cognitive forcing / Ely checklist / 结构化反思。evidence: [T04-S006, T01-S005]
- 资深差异：跳过 把 checklist 当万能解（多项 RCT 阴性）；优化 仅在高风险/被误导病例用 deliberate reflection（Mamede 有阳性）；额外 配合补知识，而非单靠"意识到偏倚"。
AI 增强工作流（最高 decay，标 last_checked）
LLM 扩鉴别/反方质疑/循证检索 + ambient scribe 释放带宽 + guardrails。evidence: [T02-S005, T03-S005]
- 资深差异：跳过 让 AI 拍板诊断（automation bias）；优化 用 AI 补鉴别盲点 + 反方挑战；额外 防去技能化、记录"AI 不是最终诊断"、每季复核（DDx 仍 LLM 最弱）。
诊断质检 / 校准环
problem representation 准不准 / DDx 漏没漏 can't-miss / 检验是否按 LR / 是否留安全网 / 是否反馈闭环。evidence: [T03-S006, T04-S007]
- 资深差异：跳过 只看结局对错（看推理过程）；优化 cognitive autopsy 定位到认知动作；额外 系统层 SAFER Dx + e-trigger 主动找漏诊。
近期变化（AI 层最高 decay）：LLM 诊断研究与产品（GPT-4→o1/AMIE/OpenEvidence/Glass）2023-2026 高速演进，重写"扩鉴别 + 检索 + 文书"环节，但 DDx 仍最弱、真实环境验证缺失。约每季复查 AI 层 + 各 benchmark。evidence: [T02-S005, T05-S005]
表达 DNA
外行一眼露馅的话（outsider tells）：
- 上来就问"哪个病最可能"而不先做 problem representation（没 one-liner 就堆鉴别）
- 把决策规则（Wells/PERC）当万能、用到验证人群盒外
- 把似然比当成概率本身、不分验前验后
- "排除一切"式穷尽检查（VOMIT / 防御性医疗）
- 把"认知偏倚清单"当成"学了就不误诊"的定论
- 把"误诊率 10-15%"当铁事实引用
- 让 AI 给出最终诊断
（evidence: [T06-S002, T02-S004, T04-S006]）
内行的反射用语 / 习惯：开口先问"先把它翻成一句话（one-liner）""验前概率多少、这检查的 LR 是多少""最危险的几个（can't-miss）排掉没""留没留安全网""follow-up 结局是什么"；说"problem representation""semantic qualifier""脚本""阈值""Big Three"。
黑话核心：illness script、problem representation、semantic qualifier、one-liner、验前概率/似然比/Fagan、阈值模型、dual-process(S1/S2)、anchoring/premature closure、can't-miss、Aunt Minnie、Occam vs Hickam、schema、script concordance test、diagnostic timeout。流派站队：去偏可教 vs 知识才是解药、规则 vs gestalt、床旁 vs 影像、AI 假体 vs 诊断者。
被拒斥的话术："学会这几个偏倚就不误诊""一个量表搞定诊断""AI 已能独立诊断""误诊率就是 X%（当定论）"——论战与口径都说要打折、保留两方。（evidence: [T04-S006, T02-S004]）
质量基准 + 反模式
什么算"好"（可验证基准）
- 表征：one-liner 抓住关键 semantic qualifiers、能自动收窄鉴别。evidence: [T04-S002]
- 鉴别：按常见 × can't-miss 双轴排、没漏 Big Three。evidence: [T02-S003]
- 检验：按验前概率 + LR 选、落在阈值逻辑内，不穷查。evidence: [T04-S004]
- 安全：未分化主诉留安全网（red flag/test of time），有反馈闭环。evidence: [T03-S006]
- 元认知：能说出自己的推理与不确定性、复盘到认知动作。evidence: [T04-S007]
反模式（外行/入门常犯）
跳过 problem representation；规则用到盒外；LR 当概率；穷尽排查；bias 清单当 settled science；误诊率当铁事实；AI 拍板；dual-process 非黑即白；只看结局不看推理过程；把"想得多"当"想得准"。evidence: [T06-S002, T02-S004, T04-S006]
智识谱系
六派分歧矩阵（framework 甜区，保留分歧不软化）：
- 决策科学 / Bayesian 派（Ledley-Lusted → Elstein/Kassirer/Sox-Pauker/Eddy → Brush）：诊断=概率更新 + 阈值决策。
- 认知心理 / 双过程派（Kahneman-Tversky → Croskerry/Graber）：S1/S2 + 偏倚 + 去偏可教。
- 教育认知 / illness-script 派（Schmidt-Boshuizen → Norman/Eva/Mamede/Durning）：知识结构/脚本是核心，"knowledge is the cure"、推理 case-specific。
- 诊断安全 / 系统派（NAM 2015 / Newman-Toker / Hardeep Singh / Graber-SIDM）：错误=系统 × 认知共因。
- 床旁临床派（Osler → Tierney/Verghese/McGee/Dhaliwal/Saint）：病史体检为王 + 刻意练习。
- AI / 计算派（INTERNIST-1/DXplain → Isabel → LLM 世代 Rodman/Topol）。
evidence: [T01-S001, T06-S002, T04-S001]
核心论战（保留未决）：① 去偏可教（Croskerry）⇄ 知识才是解药（Norman-Sherbino-Monteiro，debiasing RCT 弱、bias 是 hindsight 标签）——本行第一对垒；② dual-process 二分被批（连续谱/不可证伪）；③ 决策规则 vs gestalt（资深 gestalt 常不输规则、算法厌恶）；④ Occam vs Hickam（一元 vs 多病并存）；⑤ 床旁体检复兴 vs 影像替代；⑥ "AI alone > physician+AI"悖论（Goh 2024）；⑦ 推理 case-specificity（Norman/Eva）对"教通用推理课"产业的根本批判。evidence: [T04-S006, T06-S002, T02-S005]
figures（活着的解释者）：Pat Croskerry（去偏/认知）、Geoff Norman & Kevin Eva（知识派/case-specificity 批判）、Henk Schmidt & Henny Boshuizen（illness script）、Jerome Kassirer & Arthur Elstein（决策/假设演绎奠基）、Gurpreet Dhaliwal（master clinician/CPC discussant）、Abraham Verghese & Steven McGee（床旁/循证体检）、David Newman-Toker & Hardeep Singh（诊断安全）、Adam Rodman & Eric Topol（AI）。evidence: [T01-S001, T01-S002]
技术血脉：Ledley-Lusted 概率诊断(1959) → Elstein《Medical Problem Solving》(1978，假设演绎) → Kahneman-Tversky 启发式偏倚 → Schmidt-Boshuizen illness scripts → Croskerry dual-process/去偏 → NAM《Improving Diagnosis》(2015，系统观) → LLM 诊断世代(2023-)。未解核心分歧：去偏可教性、dual-process 实证地位、AI 真实环境价值。evidence: [T04-S001, T04-S006, T02-S005]
诚实边界
- 医疗安全（最高优先）：本 skill 是面向临床专业人士/医学生的思维教练，不替代真实临床判断与执业医师诊疗，不面向患者提供医疗建议；对话样本不得把 AI 输出当最终诊断，病例一律去标识化/虚构化。
- 信息截止 2026-06-06。AI 辅助诊断层最高 decay（LLM 研究/产品 2023-2026 高速演进，"AI alone > physician+AI"等结论写成"截至 research_date，可能被后续研究翻转"，约每季复查）；思维框架/概率原理衰减慢。
- canon 英文为主、中文薄：一手正典几乎全英文（Elstein/Kassirer/Croskerry/Norman/Schmidt + NEJM CPC + JAMA RCE + 美国 med-ed 生态）；中文世界主要是人卫《诊断学》教材 + 规培课 + 译介，独立中文一手少、且部分沉淀在被排除平台（公众号/知乎）。引用中文源标 surrogate/转述。
- 数字全是 contested estimate：误诊率（"10-15%"经典估计 / Singh ~5% 门诊 / Newman-Toker 年严重伤害外推）、Big Three 占比、GPT-4 研究数字——口径与方法学都有公开争议，本 skill 一律标"估计/争议"，不给定论。
- debiasing 论战未决：去偏干预对照试验证据弱/混合（Norman 阵营），仅结构化反思在复杂病例有阳性（Mamede）——两方都不写成全胜；dual-process 的连续谱/不可证伪批评写进模型局限。
- 推理 case-specificity：诊断推理高度内容绑定、不可脱离知识通用迁移（Norman/Eva）——本 skill 给的是镜片与 playbook，不是"学了就会看任何病"的通用术；真正的能力靠学科知识 + 刻意练习 + 结局反馈。
- 无统一行业认证/标准：临床推理本身不发独立证（融入执医考试/规培临床思维考核）；术语来自学术文献与教学约定。
Time-decay Registry
This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
| Module | last_updated | decay_risk | Recommended refresh cadence |
|---|
| Mental models | last_updated: 2026-06-14 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-06-14 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-06-14 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-06-14 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-06-14 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-06-14 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-06-14 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-06-14 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-06-14 | decay_risk: low | re-assess each refresh |
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
