爱尔兰与巴林研究者提出BRACE框架：把临床AI（人工智能）的设计与评估对象从模型输出转向医生与AI的互动
《Frontiers in Digital Health》刊出一篇假说与理论文章，提出BRACE（面向临床医生参与的有界互惠适应）框架，主张临床AI（人工智能）决策支持不能只评估模型诊断表现，还应关注医生与AI互动中保留了多少认知与元认知工作。
作者认为反复把判断外包给AI可能削弱医生独立能力，故系统应让不确定性可见、按有界规则适应，并把互动记录用于学习而非考核。 该框架属假说，尚无实证验证。
文章题为《Rethinking AI in clinical decision support: a framework for reciprocal human-AI interaction》，2026年9月11日发表于《Frontiers in Digital Health》，作者Colin John Greengrass，单位为爱尔兰皇家外科医学院-巴林医科大学医学院（位于巴林Busaiteen）。
文章提出“面向临床医生参与的有界互惠适应”框架（BRACE，Bounded Reciprocal Adaptation for Clinician Engagement），围绕医生与AI（人工智能）的互动而非模型输出组织支持：单次病例内让不确定性可见、保留推理状态、选择性提示核验； 跨次就诊通过有界适应与形成性回顾维持独立推理能力；
机构层面把发展性互动与评价性使用分开，并让医生上报AI错误或情境不匹配进入受治理的审查流程。 框架设定推断边界、适应边界与数据使用边界。 文中提出核心假说：在BRACE介导的诊疗中保留的认知与元认知工作量，应能预测医生随后在无AI条件下展示的独立能力，并给出Tier 1互动指标与Tier 2外部锚点的评估方案，包括医生内纵向分析与推断漂移审计。
文章同时列出不适用情形：操作与精神运动技能、独立于推理的知觉任务、文书与行政功能、面向患者的系统，以及跨专业团队推理（后者在本文医生-AI二元框架内基本未展开）。 文章定位为交互与治理框架，而非特定模型、界面或产品。
这篇文章的价值在于把“AI（人工智能）在临床上有没有用”拆成两个不同问题：模型单独的表现，与模型进入医生思维过程后的效果。 作者引用既有研究指出，大语言模型在某些诊断与管理推理实验中超过医生基线，但随机研究也显示强模型能力不必然改善医生的决策。
BRACE提出的风险机制值得注意：反复把生成、辨别、综合、监测交给AI，可能分别导致已有能力退化、相关能力从未形成、错误输出被吸收进后续推理（作者分别称为deskilling、never-skilling、mis-skilling）。 需要说明的是，这些机制是文章提出的假说与概念区分，不是已证实的因果结论，文中亦未提供临床效果数据。
对行业而言，其提示是评估指标应从“AI答得对不对”扩展到“人还剩下多少可独立运作的判断”。
后续观察信号
- BRACE的评估方案是否已有注册或进行中的实证研究
- 互动记录用于学习而不用于考核的机制在实际机构中如何落地
- 该框架能否被移植到非医生主导的心理健康服务场景