体检报告拿在手上,一页纸十几个箭头,向上向下的都有,医生三分钟看完只说一句”问题不大”。回到家还是不知道那个偏高的指标到底意味着什么、要不要复查、下次该问什么。让 AI 先把名词翻成人话,是很多人真正需要的用法,前提是你清楚它的边界在哪里。
先说清边界:它能翻译,不能诊断
体检报告的解读权在医生手上,这一点不会因为模型变强而改变。AI 在这件事上能做的是三件低风险的事:把专业名词换成日常语言、把一堆指标按轻重排个序、帮你把该问医生的问题提前写下来。它不该做的是:给出诊断结论、推荐药物或剂量、判断某个结节是良性还是恶性。
把这条边界写进提示词,不是客套,而是直接影响输出质量。你会发现不设限的时候,模型倾向于给你一个”看起来很有把握”的结论,语气越肯定,误导性越强;一旦明确禁止下诊断,它会转而解释机制和常见原因,这类内容才是你能拿去和医生对话的材料。
四段式:身份、资料、任务、禁令
把提示词拆成四段,比写一大段自然语言稳定得多。
第一段给身份和场景。例如”你是一位擅长向普通人解释体检结果的健康科普编辑,读者没有医学背景”。角色定得越具体,输出越少堆术语。
第二段给资料。必须凑齐三样:指标名称与数值、报告单上的参考区间、你的基本情况(年龄、性别、是否空腹、近期是否在服药、女性是否处于经期或孕期)。少一样,解读就会跑偏——同一个数值在空腹与非空腹、男与女之间的意义完全不同。
第三段给任务。把输出结构写死:先列出所有超出区间的项目并按偏离幅度排序;每一项按”这个指标是查什么的、偏高偏低通常意味着什么、常见的影响因素有哪些、需要补充什么信息”四句话解释;最后给一份就诊提问清单,按科室分组。
第四段给禁令。明确写:不要给出疾病诊断,不要推荐任何药物、保健品或剂量,不要用”必须马上住院””非常危险”这类制造恐慌的表述;不确定的地方直接说需要医生判断。
把箭头翻译成可执行的问题
提示词跑完,最有价值的产出不是解释,而是那份提问清单。解释看完就忘了,清单可以带进诊室。
好的问题长这样:“我的低密度脂蛋白是 4.1,参考上限 3.4,这个幅度需要先调整饮食三个月还是直接用药?” 它有具体数值、有参照、有明确的选择项,医生一句话就能回答。坏的问题长这样:”我的血脂高吗,严重吗?”——医生只能回你”有点高,注意饮食”,等于没问。
所以可以在提示词里加一条要求:每个问题都要包含具体数值、参考区间,以及一个二选一或三选一的选项。这一条能让清单的可用性提高一个档次。
另外让模型标出”需要补充的信息”。比如转氨酶偏高,可能需要知道近期是否饮酒、是否熬夜、是否在吃某些药物;甲状腺指标异常,可能需要知道是否在服用含生物素的补充剂,因为生物素会干扰检测。这些补充信息往往比结论更有用,因为它们指向的是可以改变的行为。

三类最容易问错的地方
- 只给数值不给区间:不同医院、不同检测方法的参考区间不一样,3.4 在 A 实验室是上限,在 B 实验室可能是 3.9。没有区间,模型只能按通用值判断,误差就出来了。
- 混着问治疗方案:一旦问题里出现”该吃什么药”,模型的输出就会滑向处方建议,这既不可靠也不合规。把问题限定在”这个指标意味着什么、该挂哪个科、复查做什么项目”。
- 一次丢三十项:项目太多,模型会对每一项都给一段平均化的解释,重点被稀释。更好的做法是先分批——先看血常规和生化,再看影像结论,最后看专项——每批单独问,异常项单独追问。
还有一个小技巧:把报告拍照或转成文本时,务必保留报告单上的”检测方法”和”参考区间”两列。这两列最容易被 OCR 漏掉,而它们恰恰是解读的地基。
拿到结果之后怎么用
第一步,把异常项按模型的排序抄到一张纸上,只抄前五项。第二步,把提问清单打印出来或存进手机备忘录,就诊时按顺序问,问完随手记下医生的原话,尤其是”什么时候复查”这类时间点。第三步,把今年的数值和去年的放在一起看趋势——单次偏高可能是偶然,连续三年缓慢上行才是信号。这种对比用表格做最清楚,思路可以参考AI 数据分析提示词里对趋势和异常值的处理。
如果你经常需要读这类结构化文档,比如保险合同、检测报告、验收单,AI 合同审阅提示词里”按风险点分条排查”的框架可以直接搬过来:先定排查维度,再逐条过,最后按严重程度排序。它和AI 财报解读提示词是同一套逻辑——先看结构,再看异常,最后看趋势,只是对象从报表换成了身体。
结语
AI 读体检报告,价值不在替你下结论,而在把一页你看不懂的术语,变成五个你能问出口的问题。提示词写得好不好,检验标准很朴素:拿着它的输出走进诊室,你能不能在五分钟内把该问的问完。如果做不到,回去改提示词的第二段和第三段——资料给全,结构写死,剩下的交给医生。