新研究显示 ChatGPT 血压计准确率未达预期

一项覆盖 324 台家用设备的新研究发现，ChatGPT 对血压计的判断准确率最低仅为 63%。Microsoft Copilot 和 Perplexity 同样表现不佳，而 Google Gemini 在约 9% 至 14% 的测试中给出了错误答案。

这些初步发现挑战了人们对 AI 搜索的一种常见假设：聊天机器人可以找到官方设备注册库并加以引用，却仍可能误解条目所代表的含义。当消费者借助对话式工具购买健康相关产品时，这一缺口尤为重要。

该研究并未证明每一条聊天机器人回答都不安全。但它表明，看似完善的回答可能掩盖了不一致的信息检索和推理过程。对购买者而言，更稳妥的做法仍是查询公认的注册库，并与临床医生讨论设备选择。

324 台设备测试发现了什么

四款主流 AI 工具反复错误分类了研究人员能够独立核实其验证状态的血压计。

研究人员于 2026 年 4 月和 5 月在加拿大测试了 324 台家用血压计。样本包括 145 台已验证设备和 179 台未经验证的设备。

团队从三个公认注册库、已知未经验证产品清单以及在线零售页面中筛选设备。零售样本包括在加拿大、澳大利亚和美国 Amazon 平台上销售的热门袖带式血压计。

研究人员分别使用 ChatGPT、Google Gemini、Microsoft Copilot 和 Perplexity 对每台设备进行查询，并向每个工具提出同一基础问题的三种不同版本。

第一个提示词模拟普通消费者可能提出的问题。第二个要求工具查阅指定的验证注册库。第三个提供更多细节，并要求以一个词作答。

根据这项 AI 设备研究，Gemini 的正确率介于 86% 至 91% 之间。ChatGPT、Copilot 和 Perplexity 的准确率约为 63% 至 83%。

这些区间会随提示词而变化，也说明单一的头条数字无法描述每个模型或每种测试条件。

研究人员还发现了另一种令人担忧的模式：四款工具在识别已验证血压计时的表现，都比评估未经验证产品时更差。

这一结果看似违反直觉。已验证设备已经通过独立测试，并出现在结构化、可公开访问的注册库中。

这些聊天机器人有时找到了相关官方页面，却未将被列入其中视为设备已获验证的证据。在另一些情况下，它们错误地告诉用户，已列出的设备未达到临床标准。

研究报告人、蒙特利尔大学内科住院医师 Anna Soriano 表示，多数工具的表现仅略高于随机猜测。她指出，即使 Gemini 面对 readily available 的信息也存在困难。

研究还测试了回答的一致性。研究人员选取了 20% 曾得到混合答案的设备，再由三名评估人员重复提问。

这些复查在不同电脑和不同日期进行，主要集中在 2026 年 5 月。同一工具往往会对同一个问题给出不同答案。

这种波动正是研究发现的核心。一条聊天机器人建议即使看起来很确定，其底层结果仍可能随会话而变化。

这项研究在弗吉尼亚州阿灵顿举行的美国心脏协会 2026 年高血压科学会议上发布。目前它仍是一篇会议摘要，而非经过同行评审的完整论文。

这一点限制了研究结果可被广泛推广的程度。不过，其样本规模和重复提示词的设计，仍对 AI 辅助设备选择提出了有意义的警示。

为什么 ChatGPT 血压计准确率很重要

错误的产品判断可能影响患者和临床医生用于治疗决策的测量数据。

家用血压计并不会因为能正常开机、显示看似合理的数值，或获得良好用户评价，就自动成为已验证设备。验证意味着独立测试已根据公认协议确认其读数具有足够准确性。

这一状态至关重要，因为血压读数会指导诊断、用药调整和长期风险管理。持续存在的测量误差可能形成对个人健康状况具有误导性的记录。

不准确的血压计可能显示偏高读数，从而引发焦虑、不必要的就诊，或不恰当的治疗讨论。

读数偏低的血压计则会带来另一种风险：它可能让未得到控制的高血压看起来处于稳定状态，延误必要的临床干预。

风险并不局限于一次测量。许多患者会连续数天或数周记录读数，再与临床医生分享。

设备的系统性误差随后会成为患者记录中的一种模式。即使这种模式由仪器造成，大量测量数据也可能让它显得更可信。

根据美国心脏协会在研究中引用的 2026 年统计数据，超过 1.25 亿美国成年人患有高血压，约占成年人口的 47%。

协会指出，受影响成年人中仅约四分之一的血压处于目标范围内。因此，家庭测量服务的是一个规模庞大且具有重要临床意义的人群。

现行血压指南建议使用已通过准确性验证的家用设备。它还将家庭监测置于更广泛的医疗流程中，而非将设备视为独立的诊断系统。

聊天机器人错误可能在测量开始前就造成干扰。消费者可能会询问该买哪种袖带、现有型号是否已经验证，或两款名称相近的产品是否等同。

型号名称也会带来另一层混淆。一家制造商可能销售多款设备，它们的名称仅相差几个字母或地区标识。

验证通常只适用于某一特定型号，而非同一品牌下的所有产品。因此，若聊天机器人将结论泛化到整个产品系列，就可能给出看似自信却错误的答案。

这正是 ChatGPT 血压计准确率不再只是基准分数的原因。其回答可能影响人们选择何种设备，而该设备日后会生成医疗数据。

这种风险并不需要恶意行为或明显虚假的说法。它可能源于一个细小的识别错误，被嵌入流畅而有帮助的解释之中。

这项研究的警示同样适用于临床医生。患者越来越多地带着通过通用 AI 工具收集的信息就诊，正如他们过去会带来搜索结果和在线评论一样。

临床医生可能不知道患者使用了什么提示词，或由哪个模型版本作答。回答也可能缺乏他人能够复现的稳定来源链路。

Tulane University 教授、该协会 2025 年指南副主席 Keith Ferdinand 敦促人们在使用 AI 进行临床决策时保持谨慎。他并未参与这项研究。

他的立场为有用的医疗 AI 留出了空间，同时对缺乏支持的决策划出了界限。聊天机器人可以帮助整理问题，但不应替代对测量设备的核实。

AI 搜索输给了它本可直接访问的注册库

核心失败并非缺乏医学知识，而是对简单注册库查询的不可靠解读。

三大注册库为该研究提供了参考：ValidateBP、STRIDE BP 和 Hypertension Canada。这些资源列出了已通过公认验证测试的特定血压计。

美国消费者可以搜索免费的已验证设备注册库。该网站旨在将市场范围缩小到测量准确性具有文档证据支持的型号。

国际设备验证清单提供了另一项结构化参考。它按使用场景整理血压计，并包含有助于区分不同型号的细节。

注册库查询比开放式聊天机器人提问更聚焦。它要确认的是某个精确产品是否出现在为此目的建立的受控集合中。

通用 AI 助手则需要处理一条更复杂的链路：识别设备、检索正确记录、解读条目，并准确表达结果。

这条链路的任何一环都可能失败。产品名称的歧义可能使模型检索到相关设备，而非用户所询问的型号。

搜索排序可能会让零售商页面、评测或制造商描述排在注册库记录之前。模型随后可能将这些来源混合进回答，却未保留它们之间不同的证据价值。

即使成功检索，也不保证能正确解读。新研究发现，有些情况下工具找到了官方条目，却未将该条目识别为验证证明。

这一缺口类似于数据锚定问题。锚定意味着将回答与明确的外部来源关联，并保留该来源实际能够证明的内容。

聊天机器人可以引用或提及某个页面，却未必真正理解其含义。因此，存在引用并不等同于忠实于引用内容。

当回答组合多个网页时，问题会更加复杂。零售商可能将一款血压计描述为临床准确，而注册库中列出的却是另一款型号。

聊天机器人可能会将两条记录整合成流畅的叙述。其语气可能掩盖尚未解决的身份不匹配问题。

这一机制有助于解释为何更详细的提示词改善了部分结果，却未能消除错误。引导工具查阅注册库能够缩小搜索范围，但并不能保证正确匹配型号。

AI 搜索与注册库查询之间的对比，构成了本文的核心张力。对话式 AI 承诺让用户更容易穿越分散的信息，而权威来源本身其实已经简单且免费。

当 AI 综合复杂材料，或帮助用户构建问题时，它能创造价值。但在这里，综合过程为二元验证任务引入了新的失误点。

这并不意味着 AI 搜索对健康研究毫无用处，而是意味着工具的角色应与任务对错误的容忍度相匹配。

聊天机器人可以帮助生成一份功能短名单、解释袖带尺寸，或起草就医时应询问的问题。最终验证仍应在注册库中完成。

这种分工很实用。用户无需完全拒绝 AI 协助，但不应将决定性的查询委托给它。

同样的教训也适用于血压袖带之外的领域。健康产品通常带有精确型号、地区特定版本，以及只适用于特定人群的证据。

如果助手忽略一个后缀，就可能将某一产品的证据转移到另一产品上。当最终文案听起来权威时，这种错误仍很难被发现。

更好的提示词并未让答案变得可靠

提示词的具体程度改变了表现，但并未让任何受测聊天机器人变成持续可靠的验证工具。

研究人员使用了三种提示词风格，因为普通用户的提问方式各不相同。有些人只提供产品名称，另一些人则要求依据特定来源进行核查。

限制最严格的提示词增加了细节，并要求用一个词作答。这种设计减少了解释空间，但并未消除检索或分类错误。

简短回答甚至可能掩盖不确定性。“是”不会留下可见线索，说明工具究竟找到了确切型号，还是根据相关设备作出了推断。

较长的回答会带来不同的问题。它可能包含免责声明和链接，却仍然得出错误结论。

用户常常将提示词工程视为解决聊天机器人可靠性问题的办法。这项研究表明，更好的措辞只能在一定限度内有所帮助。

提示词可以告诉模型去哪里寻找，但无法确保服务能访问当前页面、解析每一个型号标识符，或正确解读注册数据库。

重复测试也挑战了这样一种观念：用户可以不断完善同一个回答，直到它变得可信。同一个问题有时会在不同日期或不同电脑上产生不同结果。

这种不一致反映了生成式系统的概率性本质。回答可能随模型更新、搜索结果、上下文以及用户无法获取的系统级设置而变化。

研究人员使用隐私浏览会话，以减少此前搜索带来的影响。不过，他们也承认，这种方法无法完全隔离所有变异来源。

因此，应将 ChatGPT 血压计准确性理解为一个不断变化的目标。报告中的范围描述的是测试期间、测试设备、提示词以及可用模型版本下的表现。

这并不能证明当前会话会复现相同的百分比，也不能保证未来的模型更新会改善每一次产品查询。

既往研究提供了一个有益的对照。一项 2024 年比较 ChatGPT 和 Bing 在家庭监测知识清单上表现的研究发现，两者在一般测量指导方面结果强劲。

在这项家庭监测研究中，心脏病专家对 ChatGPT 回答的准确性和完整性给予了很高评价。问题涵盖了在家测量和控制血压的相关知识。

这两项研究考察的是不同能力。解释标准指导原则，并不等同于将数百种产品型号与不断变化的注册数据库进行匹配。

模型可以正确回答宽泛问题，却在精确实体核验上失败。人们将聊天机器人描述为“医疗准确”或“不准确”时，往往忽略了这一差别。

AI 聊天机器人的医疗准确性取决于任务、来源结构、提示词和所需精度。患者教育中的表现，不能自动为产品选择提供依据。

反过来也同样如此。设备分类表现不佳，并不能证明同一模型给出的每一条高血压解释都是错误的。

这种任务特定的视角，为买家和临床医生提供了更好的标准。他们应当询问模型必须完成什么操作，以及错误会如何影响用户。

对于低风险的准备工作，聊天机器人的速度或许值得偶尔纠正。对于选择医疗器械，独立核验仍然成本低且易于获得。

因此，最佳提示词并不能替代来源核查。更安全的工作流程是先让聊天机器人提供背景信息，再在其他渠道确认确切设备。

用户应记录制造商、完整型号、袖带类型和目标使用人群。随后，他们可以将这些细节与注册数据库条目进行比对。

孕妇、臂围特殊的人群，或需要为儿童选择设备的人，可能需要针对特定人群的验证。通用列表不应被延伸解读到其证据未覆盖的范围之外。

当型号名称仍然含糊时，临床医生或药剂师可以提供帮助。他们还可以确认所选袖带是否适合患者的监测计划。

这项研究是一则警示，而非最终结论

研究结果揭示了真实的核验问题，但证据仍属初步，且会随着 AI 服务的变化而迅速老化。

这项研究以经审核的海报形式在一次科学会议上发布。会议摘要会经过展示审核，但并不等同于同行评审期刊论文。

完整论文将提供更多方法学细节。读者需要了解模型版本、确切提示词、各工具的混淆矩阵，以及对模糊回答的定义。

公开发布的信息报告了准确率范围，但没有披露每个模型层面的所有结果，也没有说明错误如何分布于假阳性和假阴性之间。

这种差异很重要。错误批准一台未经验证的血压计，与错误拒绝一台已验证的血压计，会带来不同的消费者风险。

错误批准可能引导买家选择缺乏公认准确性证据的设备。错误拒绝则可能不必要地缩小选择范围，并削弱人们对合适产品的信任。

研究纳入了来自多个来源和市场的产品。这种广度很有价值，但地区性命名和供应情况可能使设备匹配更加复杂。

零售商品页面可能迅速变化。制造商也可能推出名称与旧产品相似的修订版本。

另一个局限来自时间因素。这些工具于 2026 年 4 月和 5 月接受测试，而研究结果于 10 月发布。

AI 服务会通过模型替换、检索更新和界面修订频繁变化。较晚进行的测试可能得出不同的排名或错误模式。

然而，快速变化并不会消除这一担忧。它反而使独立复现更加重要，因为用户不能假定系统行为稳定。

Gemini 的领先结果也值得谨慎解读。86% 至 91% 的准确率范围显著优于报告中最低的分数。

但这仍意味着，大约每七到十一次测试中就会出现一次错误答案。对于二元医疗器械决策而言，这一错误率仍不可忽视。

该研究没有考察用户是否遵循建议，或是否遭受伤害。它衡量的是回答准确性，而非临床结局。

因此，关于误诊或不当治疗的说法应被表述为合理风险，而非该项目观察到的结果。

Soriano 清楚说明了其中的路径。不准确的 AI 回答可能使人信任不合适的设备，进而影响读数和治疗讨论。

这一机制具有可信度，但未来研究应检验实际消费者行为。研究人员应考察引文、警告或注册数据库链接是否会改变购买决策。

该研究也无法准确确定系统为何表现不佳。可能的解释包括产品匹配能力弱、索引不完整、搜索数据过时以及错误解读。

在没有系统日志的情况下，外部研究人员无法将每一项错误归因于检索、推理或回答生成。大量这类诊断信息掌握在公司自身手中。

在所引用的研究发布材料中，四家提供商似乎都没有作出详细的技术回应。它们未来的产品变化将比笼统的保证更重要。

有益的改进包括精确型号消歧、结构化注册数据库检索、可见的时间戳，以及在找不到匹配项时明确表达不确定性。

医疗产品查询还应区分“未找到”与“未验证”。这两种结果并不等同。

无法找到产品，可能反映拼写错误、地区型号名称、过时索引或记录缺失。它不能独立证明设备未能通过验证。

这一区分为未来 AI 聊天机器人医疗准确性测试提供了具体基准。当证据不足以支持二元答案时，系统应当拒绝作答。

三个信号将显示 AI 设备建议是否有所改善

下一项考验是，AI 公司能否让健康产品核验变得可复现、受来源约束且透明。

第一个信号是完整同行评审研究的发表。预计论文将披露会议发布材料无法提供的细节。

研究人员和 AI 公司需要确切的提示词、模型版本、设备层面的结果和错误类别。这些细节将显示，失败是否集中在冷门产品上，还是会影响广泛销售的型号。

完整的混淆矩阵还将揭示，工具是更常错误批准未经验证的设备，还是错误拒绝已验证的血压计。这一区分将使风险评估更精确。

如果同行评审确认所报告的模式，警示将更有力。重大的方法学修正或更狭窄的结果，则会削弱更广泛的结论。

第二个信号是 OpenAI、Google、Microsoft 或 Perplexity 的产品回应。最有意义的改变，是将健康设备回答直接连接到权威的结构化来源。

一个有用的界面可以显示确切匹配的型号、注册数据库、验证人群和核查日期。当标识符无法对应时，它也应显示不确定性。

仅仅添加通用医疗免责声明，并不能解决所测试的问题。失败发生在产品识别和证据解读环节之中。

更强的回应应使查询可复现。两位用户提出完全相同的问题，应当获得同样受来源约束的结果。

随后，独立复测应考察这些改变后 ChatGPT 血压计准确性的表现。改进应在不同会话中持续存在，而非只出现在一次精心策划的演示中。

第三个信号是消费者和临床人员采用直接核验习惯。只有当人们知道注册数据库的存在，并能正确匹配产品时，数据库才能保护用户。

临床医生可以通过推荐确切型号，或在就诊时检查患者设备，来支持这一流程。零售商也可以更清晰地展示获得认可的验证状态。

AI 助手可以引导用户查看权威记录，而不假装能够取而代之。这既能保留对话式便利，也能让决定性证据保持可见。

目前，任何选择家用血压计的人都应在认可的注册数据库中核验完整型号。用户还应与医疗专业人员确认袖带适配性和测量技术。

可使用聊天机器人来梳理问题、比较非临床功能，或理解陌生术语。不要将一条流畅的回答视为医疗器械通过独立测试的证明。

医疗 AI 面临的更大考验，不是它能否显得确定，而是用户能否在据此行动前追溯、复现并质疑其答案。