URDOC 是一个面向医学教育的 AI 虚拟病例研究平台，将大语言模型（LLM）的能力与 CSTAR 教学框架深度融合。核心理念很简单：用 AI 帮助医学生和教师，让临床教学既高效又充满人文关怀。
传统医学教育面临一个难题——生物医学知识可以很好地传授，但如何理解患者的故事、如何在不确定中做决策、如何同时兼顾医学证据和患者情感？这些"软技能"往往依赖个人悟性，缺乏系统化的教学方法。URDOC 的目标就是通过 AI，让这些能力变得可学习、可训练、可评估。
URDOC 背后的 CSTAR 教学框架建立在两个重要的教育理论之上：
学习不是老师灌输知识、学生被动接受的过程。社会建构主义认为，真正的学习发生在人与人的互动中——通过讨论、辩论和协作，我们共同构建对事物的理解。医学尤其如此：一个病例不仅仅是病理数据的集合，而是需要医生、患者、同事等多方视角共同解读的复杂叙事。
叙事医学强调，患者的疾病经历本身就是重要的"临床资料"。一个患者的焦虑、家庭压力、经济困境——这些"软信息"和化验单一样影响治疗效果。叙事医学训练医生"倾听"疾病背后的故事，而不仅仅是阅读检查报告。
CSTAR 框架将这两个理论结合起来，用 AI 模拟一个包含患者、社区、专家等多方声音的"临床社交环境"，让学习者在互动中同时锤炼技术能力和人文素养。
CSTAR 是五个英文词组的首字母缩写，代表五个教学环节：
| 环节 | 名称 | 一句话概括 |
|---|---|---|
| C | Case / 生成病例 | AI 生成符合教学目标的结构化临床数据 |
| S | Story / 叙事创作 | 创作患者的个人故事，创造"叙事摩擦" |
| T | Test / 考核出题 | 基于病例和叙事，生成情境化考题 |
| A | Act / 模拟问诊 | 与 AI 模拟患者进行真实问诊对话 |
| R | Rate / 多维评估 | 提供专家级反馈，引导深度反思 |
这三个环节形成了三个由内到外的"学习圈"：
Case（病例）——AI 根据教学大纲生成完整的结构化病历，包括患者人口学信息、主诉、现病史、检查结果等。病例是动态的、可定制的，教师只需描述教学需求（如"一个合并糖尿病的急性胰腺炎病例"），AI 即可生成符合临床规范的内容。
Story（故事）——这是 CSTAR 框架最具特色的部分。AI 为同一个病例生成不同的"患者人生故事"：这个人为什么拖了半年才来看病？她怕什么？家里的经济状况如何？这些故事会与临床证据产生叙事摩擦——比如"患者因为照顾年迈母亲而无法按时复查"。学习者必须在照顾临床规范的同时，找到解决实际困难的方案。
叙事摩擦的巧妙之处在于：它把"共情"从一句口号变成了必须解决的具体问题。患者就是不肯住院，你要怎么办？
Test（考核）——考核不再是脱离临床情境的"刷题"。AI 根据病例和叙事生成情境化考题，迫使学习者整合医学知识和社会因素来作答。例如："患者因为网上看到的信息害怕化疗，你如何既尊重她的顾虑又不耽误治疗？"这考核的不是死记硬背，而是真实的临床推理能力。
Act（问诊）——AI 扮演模拟患者，学习者用自然语言进行问诊。模拟患者的反应基于他的"个人故事"：不耐烦医生的学习者会遭遇患者沉默或不配合；而耐心倾听、共情回应的人能获得更多关键信息。系统还会生成模拟的"社交媒体回音"——呈现社会对某一疾病的偏见和误解，让学习者意识到患者所处的信息环境同样影响治疗决策。
Rate（评估）——评估不是简单地打一个分数。系统会展示 AI 整理的专家级临床路径，供学习者与自己的方案进行对比，然后引导学习者在结构化的讨论中反思：为什么自己的判断与专家标准不同？哪些社会因素影响了治疗方案的选择？最终，学习者需要整合所有信息，撰写一份临床反思报告。
这套机制追踪的不是最终答案，而是推理过程：学习者如何提问、如何形成假设、如何调整方案——这些过程数据比分数更有教学价值。
| 对比维度 | 传统虚拟病例 | CSTAR 框架 |
|---|---|---|
| 病例来源 | 一次性编写，固定不变 | AI 动态生成，无限变异 |
| 患者形象 | 模板化，缺乏个性 | 独立叙事，有情感和经历 |
| 考核方式 | 标准化试题 | 情境化评价，整合 SDOH（健康社会决定因素） |
| 问诊体验 | 预设分支对话 | AI 自由对话，反应基于叙事 |
| 评估维度 | 诊断准确性 | 推理过程 + 人文素养 + 沟通能力 |
| 教师角色 | 手动编写病例 | 设计教学冲突和支架策略 |
一位 45 岁女性因触及乳房肿块就诊。传统病例可能只给出肿块大小、活动度、影像学结果。而在 CSTAR 框架中，AI 为这位患者生成了一个故事：
她的母亲 52 岁死于乳腺癌——这个创伤让她足足拖延了 6 个月才就医。她私下尝试了网上查到的"替代疗法"，因害怕手术而反复追问同样的问题。
在这样的情境下，学习者面对的不是一个"肿块"，而是一个被恐惧支配的人。问诊时如果只顾收集数据、忽略了她的情绪，患者会变得沉默和回避；如果先承认她的恐惧、理解她的拖延，才能获得完整的用药史（包括那些未告知的"替代疗法"），而这些信息直接关系到手术麻醉安全。
一位 32 岁女性因长期疲劳和关节肿痛就诊。她的故事揭示了更深层的困境：
之前被多位医生当作"压力引起的身体症状"打发走，她对医疗机构已经失去了信任。疾病让她不得不放弃舞蹈演员的职业，陷入经济困境。她拒绝抗抑郁筛查，认为"你们又想给我贴标签"。
这次，学习者需要修复一段破裂的医患关系。患者的信任需要靠实际行动来赢得——先听她说完自己的经历，肯定她作为舞者的自我认同，而不是只把她看做一个"类风湿关节炎患者"。治疗的依从性不是在诊室里决策的，而是在患者的社会经济现实中被决定的。
| 层面 | 技术 |
|---|---|
| 前端框架 | Nuxt 4 + Vue 3 |
| UI 组件库 | Nuxt UI v4（Tailwind CSS v4） |
| 状态管理 | Pinia |
| AI 引擎 | ai + @ai-sdk/openai-compatible |
| 内容渲染 | @comark/nuxt（Comark） |
| 部署平台 | EdgeOne 无服务器函数 |
CSTAR 框架在设计上回应了三个普遍的担忧：
AI 生成的临床内容可能存在偏差或"幻觉"。CSTAR 的应对方式是：AI 只负责初稿生成，所有关键诊断和治疗要素需经临床教育者审核。教师始终掌握最终决定权，AI 是助手，不是替代品。
市面上的商业模拟平台往往需要高昂的授权费。CSTAR 采用开源轻量架构，基于通用 Web 技术，不需要专用硬件。任何有基础互联网条件的机构都可以运行。教育公平是核心理念，不是附属功能。
相反，CSTAR 把教师从重复性的病例编写中解放出来，让他们专注于更有创造性的工作：设计教学冲突点、制定评估标准、进行个性化指导。职位的转型是"从编写者到设计师"，而非被淘汰。
真实临床实践高度依赖多感官信息。CSTAR 正在探索以下方向：
多模态能力再强，核心始终是理解患者的故事。技术服务于教育目标，而非为炫技而炫技。评判标准不是"看起来多逼真"，而是"是否帮助学生成为更好的医生"。
URDOC 将持续迭代，未来的重点方向包括：