广告与大型语言模型：影响医疗实践的新领域

《Eye》：Advertising and large language models: a new frontier influencing medical practice

　　大型语言模型（LLMs）已经渗透到医疗领域，并且正在改变患者选择临床医生、进行检查和接受治疗的方式。无论广告是明显的还是隐秘的，都可能通过LLMs影响患者的选择。这尤其令人担忧，因为患者越来越依赖并信任这些系统提供的医疗建议[1]。在眼科领域，LLMs已经被用来总结证据、起草通信内容、辅助分诊系统以及回答患者和临床医生的问题[2, 3]。与传统的搜索引擎不同，LLMs不仅仅检索和排名信息[4]。由于搜索引擎优化（SEO）会影响信息的可见性，而LLMs则会影响信息的解释方式，因此存在一种令人担忧的可能性，即信息生态系统可能被设计得不仅使某些信息被高度排名，还会优先将其合成看似权威的医疗建议[4]。传统的搜索引擎通过允许用户在不同来源之间进行比较来保留一定的缓冲机制。然而，LLMs将这一过程压缩为单一的叙述性回应，降低了用户独立评估信息来源的能力。谷歌的AI概览已经将AI生成的摘要嵌入到主流搜索中，并且谷歌还扩展了AI概览中的搜索和购物广告，清楚地将对商业内容的发现与AI中介的答案联系起来。独立的LLM平台也面临类似的挑战。OpenAI公开表示，它从2026年2月9日开始在美国的ChatGPT中测试广告，适用于登录Free和Go计划的用户，广告被明确标记并与主要答案分开[5]。OpenAI还声称广告不会影响ChatGPT的答案，并且与用户的对话不会被提供给广告商[5]。与传统的搜索引擎不同，LLM的输出是非确定性的，并受到大量信息模式的影响。这为“LLM污染”创造了机会，即大量有偏见或自我推广的内容被引入信息生态系统以影响生成的输出。资源充足的个人或组织可能会在互联网上充斥着经过搜索优化的文章、评论、夸大的成就和AI生成的内容，从而营造出广泛认可和权威的感觉。通过规模而非准确性，这类内容可能会不成比例地影响生成的响应。重要的是，这种隐蔽的操纵可能对患者或临床医生来说都是不可见的，因为输出表现为连贯且中立的摘要，而不是经过排名的信息来源。

寻求眼科评估和治疗的患者通常会自我推荐、寻求第二意见，并根据可获取性、感受到的专业水平、价格和声誉来做出决定。患者可能会问LLM：“澳大利亚最好的视网膜外科医生是谁？”或“我应该去哪里做白内障手术？”这样的问题从来都不是纯粹客观的。尽管英国的法规对比较性广告有严格的限制，包括禁止在医疗环境中声称某方案优于其他方案，但数字存在可以被操纵，使LLM的输出间接地进行这种比较[6]。这些影响不仅限于临床选择。一个疑似视神经炎的患者可能会询问哪个MRI中心的设备最好、等待时间最短或价格最便宜。一个有短暂视力丧失的患者可能会询问是否需要进行神经影像学检查。这些问题以前需要用户比较多个来源。在对话型AI环境中，一个令人信服的答案可能会将患者引导到特定的临床医生、成像方式或对紧急情况的判断上。在眼科这样的专业领域，诊断时机对结果有重大影响，这种转变绝非微不足道[7, 8]。

治疗相关的问题进一步引发了担忧。如果患者问：“多发性硬化症的最佳治疗方法是什么？”或“类固醇X对视神经炎有帮助吗？”，生成的答案可能会影响他们咨询时提出的要求、选择或期望。即使临床医生纠正了误解，上游的影响仍可能影响治疗决策。这些影响可能表现为对品牌疗法的更强烈的需求、对实验性治疗的更大信心，或者对标准、基于证据的护理的错误怀疑。问题不仅在于错误信息本身，还在于在患者期望得到“中立”信息合成时，商业化建议被 normalization（此处“normalization”根据语境可译为“常态化”或“主流化”）。

AI系统已经在眼科工作流程中展示了其效率和实际应用的证据。最近的研究评估了聊天机器人在眼科分诊、诊断和转诊路径中的表现，表明这些系统可以显著影响眼科实践[9,10,11]。随着LLM界面在临床上的整合，商业影响可能会逐渐渗透到临床医生已经使用的医疗决策支持层中。当对话型AI系统显得高效且全面时，SEO的影响很容易被忽视[12]。随着LLM生成答案的流畅性增加，对其背后竞争的关注度也会随之降低。患者可能认为是专家共识的内容实际上可能受到数据偏见、系统级设计选择和商业影响的影响[13]。在LLMs中进行广告宣传本身并不与医学相矛盾，但由此产生了一些紧迫的问题：与健康相关的提示中应该如何标注赞助内容？在AI中介的推荐中应该如何声明利益冲突？当对话系统实际上成为决策支持工具时，应采用什么样的监管框架？当临床相关性和商业利益发生分歧时，需要哪些保障措施？

这些问题不仅仅是理论上的。它们已经在影响患者如何寻找临床医生、他们选择哪些检查方式，以及他们带着哪些先入为主的信念和期望来接受咨询[13, 14]。随着广告逐渐侵入患者最初了解信息的阶段，商业影响与临床护理的冲突越来越接近临床决策的时刻。应对这些挑战需要协调行动。临床医生和患者应该意识到LLM的输出受到商业和信息偏见的影响。LLM平台必须提高透明度，包括来源标注和事实核查工具，以便人类进行验证。监管机构应该探索并实施机制来消除错误信息，并对相关责任方进行处罚。这仍然是一项几乎不可能完成的任务，因为如果一个临床医生以无法证明的方式操纵同行、患者和更广泛的信息生态系统，那么追究责任可能会变得极其困难。

风险不再局限于被动的商业影响，而是扩展到对LLMs生成答案所依据的信息基础的主动操纵。患者眼中看似中立、专家合成的内容实际上可能反映了精心设计的突出性，而非临床价值。问题不再仅仅是AI是否会影响医疗决策，而是这种影响能否免受直接操纵。