我用 AI 解开了“神秘疲劳”的谜团：一种可复制的健康管理新范式

背景

作者长期遭受一种被称为“神秘疲劳”的症状困扰。这种症状表现为不可预测的剧烈疲劳、脑雾、头晕或恶心，发作频率约为每小时 20%。在症状发作时，患者甚至无法信任自己驾驶车辆，连步行两分钟去杂货店都变得不可能，更无法进行复杂的思维活动或规划日程。这种症状具有极大的欺骗性：例如，作者曾在下午 4 点因身体不适取消晚餐计划，但到了下午 5 点又完全恢复正常。

去年，作者被诊断为垂体瘤（prolactinoma），这是一种位于大脑中心垂体腺的肿瘤。尽管在 8 月和 11 月进行了两次脑部手术，但肿瘤未能完全切除。虽然药物成功控制了肿瘤的生长，但上述不明原因的疲劳发作却随之出现。在经历了无数次的自我怀疑和医疗咨询无果后，作者通过结合前沿 AI 模型与一套严谨的处理流程，最终破解了这一谜题，并在过去一个月里保持了持续的良好状态。

核心内容

作者提出一个大胆的观点：具备 AI 素养的患者，在使用前沿模型并配合良好流程的情况下，能够比大多数初级保健医生（PCP）的问诊更有效地处理模糊且涉及多系统的症状。

为什么 AI 能弥补医疗系统的结构性缺陷？

引用心脏病学家 Eric Topol 在《Deep Medicine》中的观点，患者往往处于数据不足、时间不足、背景信息不足和医生陪伴不足的世界中。AI 结合良好的流程可以解决这四个问题：

1. 数据与背景：患者可以收集详细的纵向数据并喂给模型。
2. 时间与陪伴：模型永远在线且拥有无尽的耐心。
3. 系统性优势：虽然模型本身不如专家医生聪明，但围绕模型构建的思考流程能提供医疗系统结构上无法提供的支持。

作者澄清，AI 模型并未超越其神经内分泌学家（该领域的顶级专家），后者在 20 分钟内提供的清晰度远超作者数十小时的 AI 探索。然而，AI 模型提出了其主治医生护士（NP）在电话问诊中提出的几乎所有假设，甚至标记出 NP 独立要求进行的专项检查。相比之下，AI 轻易击败了作者看过的每一位初级保健医生。

四步可复制流程

作者将个人经验转化为一个可重复的四步流程，旨在将“神秘症状”转化为可追踪、可验证的任务：

1. 追踪（Tracking）：记录症状及其可能的诱因。
2. 测试（Testing）：进行血液检查或其他专项检查。
3. 分析（Analyzing）：将追踪数据与测试结果结合，交由 AI 共同审视。
4. 实验（Experimenting）：在医生指导下尝试生活方式改变、补充剂或药物。

关键操作指南：健康提示（Step 0）

在使用 AI 辅助健康管理时，作者强调了以下具体技巧：

基础设置

• 使用推理模型：务必使用具有高思维努力（high thinking effort）的推理模型，如 Claude Opus 4.8 或 GPT 5.5。虽然需要付费订阅，但这是作者健康之旅中最值得的 20 美元投资。
• 建立项目档案：创建一个项目来组织健康记录。一次性上传临床记录，模型会随时间推移围绕特定健康问题构建记忆。
• 高级用户工具：尝试使用编码代理（如 Codex 或 Claude Code）。它们能更好地处理复杂文件格式（如 CT/MRI 图像）和大量数据（如 Garmin 数据）；其规划模式能揭示“未知的未知”；支持本地文件夹编辑而非每次重新上传；并可构建自定义工具。

提供所有背景信息

• 不要吝啬细节：医生平均只允许患者陈述约 11 秒，而模型拥有无限的时间和耐心。
• 全面病史：包括性别、年龄、体重、身高、家族史等，以文本片段形式提供。
• 附件齐全：附上所有相关记录（血液检查、专科测试、过往临床笔记等）。如果电子健康记录（EHR）系统不支持直接连接，可询问 LLM 如何导出。
• 持续补充：随着四步流程的进行，新数据不断涌现，需定期暂停并询问模型是否还有其他相关因素。

隐私与合规

• 虽然 ChatGPT 和 Claude 允许用户选择退出数据用于训练，但它们目前默认不符合 HIPAA（健康保险流通与责任法案）合规要求。作者认为改善日常生活的收益大于隐私担忧，但这属于个人决定。

具体性与批判性思维

• 描述具体：详细说明症状的严重程度、持续时间、发作前行为及缓解方式。
• 数据精确：提供测试的全名、确切数值（而非仅“在正常范围内”）及参考范围。注意区分“总 T4”与“游离 T4”，“雌激素”与“超敏雌二醇”等细微差别。
• 实验室差异：不同实验室使用不同设备，参考范围可能不同。“在正常范围内”并不等于完全健康，临界值高与超出限制 10 倍截然不同。
• 保持批判：模型可能自信地给出错误答案。用户需理解底层科学，通过多次生成并跨模型对比来验证答案。严禁在未获医疗团队批准前采取任何高风险医疗行动（如调整药物）。

关键要点

• AI 作为增强工具：AI 不能替代顶级专科医生，但在处理模糊、多系统症状时，能比初级保健医生提供更全面的假设和线索。
• 流程重于模型：成功的关键不在于模型本身，而在于“AI 素养患者 + 良好流程 + 教育良好的用户”这一组合。
• 数据驱动决策：通过纵向追踪症状与诱因，结合具体的实验室数据，将主观感受转化为可分析的数据集。
• 主动参与医疗：大多数患者因缺乏使用 AI 的方法而放弃自我管理。掌握提示工程（Prompting）技巧（如提供完整背景、使用推理模型、保持批判性思维）能赋予患者更多医疗自主权。
• 警惕隐私与误判：需注意数据隐私风险（非 HIPAA 合规），并始终保持对 AI 生成内容的批判性验证，避免盲目采信。

意义与影响

这篇文章揭示了一种新兴的“消费者级健康 AI”（Prosumer Health AI）范式。它指出，当前 AI 在医疗领域的应用存在巨大的“提示工程差距”（elicitation gap），即大多数人不知道如何有效利用模型来改善健康。

通过展示个人案例，作者证明了普通患者可以利用现有的前沿 AI 模型，通过结构化的数据收集和分析流程，克服医疗系统中资源分配不均、问诊时间短和信息碎片化的问题。这不仅有助于解决个人的疑难杂症，也为那些因费用高昂或诊断不明而拖延就医的人群提供了一条可行的自助路径。最终，这种模式可能推动患者从被动的医疗接受者转变为主动的健康管理者，利用 AI 作为杠杆，提升整体医疗系统的效率和个人健康水平。