AI 只會寫程式？其實它也正在改寫醫療版圖！解析五篇研究──從 Therabot 陪你熬夜暢聊、AI 輔助腫瘤決策眉角，到臨床試驗通知系統實戰檢驗、DeepSeek 中國突襲部署，再到多重共病者 App 痛點，層層分析數據、挑戰與在地策略，洞察 AI 如何從實驗室走入臨床。
突破想像的 AI 診療：Therabot、癌症 AI、試驗通知、DeepSeek 與 DHT 的 5 大啟示
生成式 AI 聊天機器人於心理治療的隨機試驗
Randomized Trial of a Generative AI Chatbot for Mental Health Treatment 這篇研究，由 Dartmouth College 的研究人員主導，發表於《新英格蘭醫學期刊 AI》（NEJM AI），旨在評估一款名為 Therabot 的生成式人工智慧聊天機器人，在治療心理健康問題（如憂鬱症、焦慮症和飲食障礙風險等）方面的成效，是首個針對由生成式 AI 驅動的治療型聊天機器人所進行的臨床試驗。
研究設計與方法
研究採用隨機對照試驗（Randomized Controlled Trial，RCT）設計，是評估醫療介入效果的黃金標準，共招募了 210 名來自美國各地的受試者；其中 106 人被隨機分配到 Therabot 介入組，另外 104 人則為對照組。所有受試者均被診斷有重度憂鬱症（Major Depressive Disorder）、廣泛性焦慮症（Generalized Anxiety Disorder），或有飲食障礙症候群（Eating Disorder）的風險。
介入組的受試者透過智慧型手機應用程式與 Therabot 互動，他們可以回應關於自身感受的問題，或在需要交談時主動開啟對話；在為期四週的試驗期間，他們可以無限制使用 Therabot，而對照組的受試者則無法使用 Therabot。研究的主要評估指標是受試者症狀的改善程度，透過受試者自我報告的問卷調查來收集，研究也評估受試者對系統的信任度、溝通程度以及使用參與度，介入組受試者有為期四週的 Therabot 無限制使用權限，整體試驗期程（包含追蹤期）為八週。
主要研究發現
憂鬱症症狀改善
被診斷有憂鬱症的受試者，在使用 Therabot 後，症狀平均減輕了 51%，達到了臨床上顯著的情緒和整體狀態改善。
廣泛性焦慮症症狀改善
患有廣泛性焦慮症的受試者，症狀平均減輕了 31%，許多受試者的焦慮程度從中度轉為輕度，或從輕度焦慮降至臨床診斷閾值以下。
飲食障礙風險改善
對傳統上較難治療的飲食障礙高風險群體，Therabot 使用者的身體意象（Body Image）和體重相關的擔憂平均減少了 19%，改善幅度顯著優於對照組。
使用者互動與信任度
研究受試者報告指出，他們能夠信任 Therabot 並與聊天機器人有效溝通，程度可媲美與真人心理師的互動；研究人員觀察到，受試者不僅詳細回應 Therabot 的提問，更經常主動開啟對話，甚至在深夜或與出現心理不適感有關的時段，和 Therabot 的互動也有增加。論文作者 Nicholas Jacobson 教授表示，他沒有預期人們幾乎會像對待朋友一樣對待這個聊天機器人，顯示使用者確實與 Therabot 建立了某種連結，他認為人們可能因為覺得與機器人交談不會受到評判而感到相對自在。
與傳統治療比較
研究觀察到的症狀改善程度，與傳統門診心理治療所報告的結果相當，顯示這類 AI 輔助方法可能提供具有臨床意義的益處。第一作者 Michael Heinz 博士更指出，這些結果約等於進行了 16 小時真人心理治療的隨機對照試驗所能達到的效果，但 Therabot 試驗僅用了約一半的時間（指四週的介入期）便達成，他從事數位療法研究多年，從未見過如此持久且持續的參與度。不過要注意的是，作者直接以「時間減半」就斷定 AI 成效等同於真人治療，卻未說明兩者在對照組治療內容、互動深度或評估標準上是否一致，忽略了療效來源可能不同，可能有偽均等 （False Equivalence）— 將質量（治療深度）與量（時間長度）直接等同的潛在誤導。
Therabot 聊天機器人簡介
Therabot 自 2019 年起於 Dartmouth College 的人工智慧與心理健康實驗室（AI and Mental Health Lab）進行開發，開發過程中，持續徵詢 Dartmouth College 及其附屬醫療機構的心理學家和精神科醫師的意見Therabot 的對話能力乃基於一套由研究團隊開發的原始訓練資料集，根據心理治療和認知行為治療（Cognitive Behavioral Therapy，CBT）的實證所建構，當使用者開啟對話時，Therabot 會以自然、開放式的文字對話回應。例如，若有焦慮的使用者表示最近感到非常緊張和不知所措，Therabot 可能會回應：「讓我們退一步思考，你為什麼會有這種感覺？」。
若 Therabot 在與使用者對話過程中偵測到高風險內容，例如自殺意念，它會提示使用者撥打 911 緊急電話，或透過螢幕上的按鈕聯繫自殺防治或危機熱線。研究團隊也強調，他們已準備好在病人表達急性安全疑慮（如自殺意念）或聊天機器人的回應不符合最佳實證做法時立即介入。在兩年多前對 Therabot 早期版本的評估中，超過 90% 的回應符合治療 Best Practice，給予研究團隊進行臨床試驗的信心。
研究結論與臨床意義
提升心理健康服務的可近性
研究人員總結，雖然 AI-Driven 的治療仍迫切需要臨床醫師的監督，但它有潛力為許多缺乏常規或即時心理健康工作者協助的人們提供即時的支持；美國心理健康 Provider 嚴重不足，平均每人可觸及的心理健康專業人員需要應對 1600 名患有憂鬱症或焦慮症的病人。
Jacobson 教授強調，AI 無法取代面對面的照護，但他預見人際互動與軟體輔助治療可以協同運作，目標是讓生成式 AI 協助為那些在傳統照護體系之外的大量人群提供心理健康支持。Heinz 博士也認為，Therabot 試驗顯示生成式 AI 有潛力提高病人的參與度，更重要的是能讓病人持續使用軟體，Therabot 不受限於診間，可以隨病人前往任何地方，並且全天 24 小時可用，以應對日常生活中出現的挑戰，並即時引導使用者採取應對策略。
研究限制與未來挑戰
Heinz 博士明確指出，目前沒有任何生成式 AI 程式已經可以在心理治療完全自主運作，因為可能會遇到各種各樣的高風險情境，而且讓 AI 如此有效的特性（病人可以對它說任何話，它也可以回應任何語句）同時也帶來風險，開發者仍需更深入理解和量化在心理健康情境中使用生成式 AI 的相關風險，這些系統的開發和臨床測試需要針對安全性、有效性和互動語氣制定嚴格的標準，並需要心理健康專業人員的密切監督和參與。
Simon Fraser University 的健康倫理學助理教授 Jean-Christophe Bélisle-Pipon 雖未參與此研究，但他評論研究結果令人印象深刻，也提醒如同其他臨床試驗，其結果未必能完全代表這個療法在真實世界中的表現。MIT 的 Rosalind Picard 教授在 LinkedIn 評論也提到，此試驗的期程可能太短，不足以觀察到實際的長期治療效果；如何將臨床試驗的成果轉化為真實世界中安全有效的應用，仍是重要的課題。
Jacobson 教授指出，自 ChatGPT 發布以來，許多人急於進入這個領域，很容易推出乍看之下很棒的概念驗證產品，但安全性和有效性並未得到充分證實。這項研究的嚴謹設計使其在眾多產品中脫穎而出，不過《麻省理工科技評論》（Technology Review）也提到，儘管此研究成果亮眼，但它並不代表市場上大量湧現、在監管灰色地帶運作的 AI 治療機器人都已獲得驗證。
對台灣醫療體系的影響與可能的應用
台灣與全球許多地區同樣面臨心理健康專業人員不足以及部分民眾對尋求心理協助仍感猶豫的困境，Therabot 這類 AI 聊天機器人有望提供一個低門檻、具隱私性且 24/7 可用的選項，適用於不便或不願立即尋求真人協助的族群。台灣的數位科技普及率高，健保體系也逐漸擁抱數位轉型，AI 心理健康工具若能妥善整合，可望成為現有醫療服務的延伸與補充，例如作為診間治療外的輔助工具，或應用於偏鄉及醫療資源不足地區。若要將 Therabot 或類似技術引進台灣，必須進行深度的在地化，包括支援流暢且自然的繁體中文對話，考量台灣的社會文化脈絡、表達方式及對心理健康議題的特定觀點，調整 AI 的回應模式與內容，並能與台灣本地的心理健康專業指引和治療常規對接。
Dartmouth College 的 Therabot 臨床試驗，為生成式 AI 在心理健康領域的應用前景提供初步實證，顯示經過精心設計和訓練的 AI 聊天機器人，有潛力顯著改善憂鬱、焦慮等常見心理健康問題的症狀，效果可媲美傳統心理治療，且在互動參與度上表現突出。然而 AI 治療目前仍無法取代真人，且迫切需要臨床心理健康專業人員的監督，在將這類技術廣泛推向市場前，安全性、有效性的長期驗證、倫理考量、風險管理以及相應的法規框架建立，都是亟待解決的課題。若能結合台灣在資通訊科技的優勢，投入資源進行在地化的研發與驗證，並建立完善的配套措施，AI 心理健康工具有望成為提升國人心理福祉、輔助現有醫療體系的重要力量。未來，人機協作（AI 輔助，真人主導）的混合模式，可能是 AI 在心理健康領域實際且負責的應用方向。
人工智慧於癌症治療決策之應用
發表於 NEJM AI 的 The Use of Artificial Intelligence for Cancer Therapeutic Decision-Making 是一篇 Review Article，由 Weill Cornell Medicine 英格蘭德精準醫學研究所（Englander Institute for Precision Medicine）所長 Olivier Elemento 博士、Cora Sternberg 博士，以及癌症執行長圓桌會議（CEO Roundtable on Cancer）暨數據共享平台 Project Data Sphere 執行長 Sean Khozin 博士共同撰寫，為 AI 如何能且必須發展以支持癌症治療中的高風險決策（包括治療選擇、疾病監測和臨床試驗 Matching）提供一個清晰、嚴謹的臨床框架。
首先追溯 AI 在各種醫療模式中的快速擴展，特別在影像學和大型語言模型（Large Language Models，LLMs），基礎模型（Foundation Models）在病灶分類（Lesion Classification）、腫瘤分割（Tumor Segmentation）和病理判讀（Pathology Interpretation）等任務中展現出強大性能，AI 有潛力透過優化診斷和個人化治療來轉變癌症的治療決策；LLMs 則開始從非結構化數據提取臨床洞見、支持治療選擇和臨床試驗匹配等面向展現出實用性。
儘管 AI 取得顯著進展，但作者強調一個關鍵限制：腫瘤科大多數 AI 系統尚未在前瞻性的臨床環境中得到驗證，無論是用於診斷、治療還是決策的增強，大多數模型都是透過回溯性研究（Retrospectively）或在有限的機構數據集內進行評估，而這些評估往往缺乏關於訓練數據、模型泛化能力（Generalizability）或潛在偏誤（Bias）的透明度。如果沒有嚴謹的驗證，AI 的臨床應用將面臨重大障礙，未能納入腫瘤科的臨床工作流程或臨床實踐指引，也不在醫療給付（Reimbursement）範圍內，限制 AI 的採納、臨床醫師的信任度以及最終的臨床影響力，AI 若要在腫瘤科充分發揮潛力，就必須接受與治療性介入相同的證據標準檢驗。
建立臨床腫瘤科 AI 的路線圖
為了解決上述限制，作者提出一個具體的路線，來推動臨床可用且符合法規要求的 AI 在腫瘤科的發展與應用。
1. 臨床驗證的迫切性與必要性
腫瘤科的大多數 AI 工具尚未在前瞻性臨床試驗中得到驗證，若缺乏隨機對照試驗來證明 AI 工具對病人治療結果的實際影響，則要整合到臨床實踐、納入指引以及獲得給付的進程仍將受限。
2. 高品質、多中心數據基礎設施是基石
訓練和驗證測試 AI 模型需要能夠取用多樣化、縱向（Longitudinal）且具代表性的數據集，故應擴大對多中心（Multicenter Consortia）和聯邦政府支持的數據共享計畫的支持，以確保 AI 開發的穩健性（Robustness）、可重複性（Reproducibility）和公平性（Equity）。
3. 整合臨床工作流程需要人機協作
AI 在腫瘤科的應用將取決於臨床醫師與 AI 系統之間的結構化協作，需要可解釋性高（Explainable，讓機器「說明自己怎麼做決定」，像考試後老師不只給分數，還解釋哪裡答錯、怎麼改進，才能讓人更信任結果）、能與現有電子病歷系統（Electronic Health Records，EHR）互操作（Interoperable），並且意在增強（Enhance）而非取代（Replace）醫師決策能力的模型。
4. 模組化、應用驅動的 AI 開發是首選路徑
相較於建構通用型平台，作者提倡開發專注於高影響力任務的模組化 AI 工具，例如診斷支持、治療選擇和臨床試驗匹配，期能逐步整合入臨床，並為驗證和採納提供更清晰的路徑。
作者 Sean Khozin 博士所屬的癌症執行長圓桌會議（CEO Roundtable on Cancer，CEORT）及其數據共享平台 Project Data Sphere（PDS）正致力於將 AI 創新與實際的臨床研究應用聯繫起來，CEORT 和 PDS 意識到傳統基於影像做腫瘤反應評估指標的局限性，已啟動了兩個計畫：
- TTBI（Total Tumor Burden Index，總體腫瘤負荷指數）
- AutoRECIST（自動化 RECIST 標準評估工具）
這兩項工具不僅是為臨床試驗而開發，也想應用於 Point of Care；TTBI 正透過 FDA 的 III 類上市前核准（Premarket Approval，PMA）途徑尋求監管批准，這是對直接影響病人治療結果的診斷技術最嚴格的審查框架，Sean Khozin 博士強調：「我們已經看到 AI 在一系列應用中展現出有前景的技術性能，但僅有技術性能是不夠的。如果 AI 要為藥物開發和治療決策做出有意義的貢獻，它必須達到我們對其輔助治療方法所要求的相同證據標準」。
這些概念對台灣醫療體系在癌症治療領域導入 AI 具有重要的意義，若論臨床應用價值，有機會提升癌症診斷與分期的精準度，如 AI 在影像判讀（ CT、MRI、PET 等）和數位病理的應用，有助於更早期、更準確地偵測腫瘤、進行精確分期，並識別微小轉移病灶，對台灣常見癌症如肺癌、肝癌、大腸癌的篩檢與診斷相當重要；此外可輔助個人化治療決策，整合基因體學、蛋白質體學等多體學數據（Multi-Omics Data）以及臨床數據，AI 可輔助醫師為病人選擇最適合的標靶藥物、免疫治療或其他治療方案，並預測治療反應與抗藥性，台灣的健保資料庫與人體生物資料庫（Biobanks）可提供豐富數據基礎；優化臨床試驗匹配是另一個潛在應用，AI 能快速篩選大量病人數據，精準匹配符合條件的病人至合適的臨床試驗，加速新藥研發進程，並為台灣病人帶來更多前端治療的機會；改善治療反應監測則是透過 autoRECIST 等工具，可自動化、標準化地評估治療反應，減輕醫師判讀負擔，並提供更客觀的疾病進展追蹤；預測預後與復發風險指透過分析多維度數據，AI 模型有潛力更準確地預測病人的長期存活率及復發風險，輔助制定追蹤計畫與早期介入策略。
AI 工具作為醫師的得力助手，協助弭平不同層級醫院或不同醫師間的經驗差距，提升整體癌症照護品質，提升癌症照護品質與均質性；在腫瘤專科醫師人力有限的情況下，AI 可分擔部分重複性高或耗時的分析工作，讓醫師能更專注於複雜決策與醫病溝通；AI 也是實現癌症精準醫療的關鍵賦能技術，有助於將基因導向的治療策略更廣泛地應用於臨床；政府應鼓勵台灣學研機構與產業界合作，利用本土數據開發適合國人特性的 AI 模型，並進行嚴謹的臨床驗證，加速本土研究與創新。
思考著依循這樣的 Roadmap 有哪些可能的商業應用，若開發用於癌症篩檢、影像判讀、病理分析的 AI 輔助診斷系統軟體，可銷售給醫院、健檢中心；整合多體學數據與臨床指引的 AI 治療決策支援平台，能輔助醫師制定個人化治療方案；運用 AI 協助藥廠或臨床研究機構（CROs）進行受試者招募、數據分析等臨床試驗優化服務；利用台灣健保資料庫與癌症登記數據，結合 AI 分析，為藥廠提供藥物上市後研究、療效評估等真實世界數據（Real-World Data，RWD）分析服務。
不過，誠如這篇研究所強調，缺乏前瞻性臨床試驗驗證是最大的瓶頸，台灣廠商若要開發臨床級 AI 工具，必須投入大量資源進行符合國際標準的臨床試驗，驗證的高門檻與成本對新創公司尤其困難；數據質量、整合與隱私也是個待解的問題，台灣各醫院的數據格式、系統可能存在差異，數據孤島致使整合困難，訓練數據亦需具備多樣性與代表性，以避免模型偏誤；產品開發過程必須嚴格遵守《個人資料保護法》等法規，確保數據去識別化與安全性，台灣 TFDA 對於 AI 醫療器材（尤是具高風險決策輔助功能的軟體）的審查標準、驗證要求及上市後監管審批路徑不明確，可能仍需與國際指引（如 FDA）對齊並更明確化，開發者需密切關注並主動溝通；還要考量 AI 工具需能無縫整合至現有醫院資訊系統（HIS）與臨床工作流程，且介面需友善易用，要改變醫師既有習慣、建立信任感並非易事，需要時間與實證支持；即使 AI 工具通過法規審批並證實臨床效益，如何納入健保給付制度或發展其他可行的商業收費模式，同樣是一大挑戰，需證明其相對於現行標準治療的成本效益；AI 技術發展迭代迅速，投入開發的產品可能很快面臨被新技術取代的風險，對於高風險的治療決策，AI 模型的「黑盒子」問題（缺乏足夠的可解釋性）可能影響醫師的採納意願，當 AI 輔助決策導致不良結果時，責任歸屬也是複雜的法律與倫理議題。
Dr. Olivier Elemento 在 NEJM AI 發表的這篇文章，為 AI 在癌症治療決策領域的發展敲響了警鐘，同時也指明了前進方向，儘管 AI 在技術層面展現了巨大潛力，但若要真正轉化為臨床實用價值，就必須跨越「缺乏嚴謹前瞻性臨床驗證」的核心障礙；作者提出的四點核心建議 — 強調臨床驗證、建構高品質數據基礎設施、促進人機協作、以及採用模組化開發（把大系統拆成好幾塊小拼圖，每塊負責一件事，如購物網站拆成「會員系統」、「商品展示」、「結帳流程」，各別開發、測試，最後再拼在一起） — 為開發者、研究人員、臨床醫師、監管機構提供務實的框架，未來在腫瘤科 AI 領域的投資與發展，應更側重那些願意投入資源進行嚴謹臨床試驗、確保數據品質與透明度、並以輔助臨床醫師為目標的專案。對台灣而言，在積極擁抱 AI 於癌症照護的潛力時，必須同步建立完善的驗證機制與數據治理框架，台灣的健保資料庫與優秀的醫療專業人員，是發展本土化癌症 AI 的寶貴資產，若能優先投入於解決臨床實際痛點、並能證明其臨床效益與安全性的 AI 應用，則台灣不僅能提升癌症治療水準，也有機會在全球醫療 AI 產業中扮演重要角色。
AI 偵測癌症病程進展觸發臨床試驗通知之隨機試驗
發表於《JAMA Network Open》的研究 Clinical Trial Notifications Triggered by Artificial Intelligence–Detected Cancer Progression: A Randomized Trial，旨在評估一種對提升癌症病人臨床試驗參與率的創新策略所帶來的影響，當 AI 系統從影像報告中偵測到病人癌症出現進展，且該病人有需要開始新治療的高度可能性時，主動通知病人的腫瘤科主治醫師關於基因組學上匹配的臨床試驗資訊，這樣的做法是否能提高病人的試驗參與率。過去研究顯示，成年癌症病人參與臨床試驗的比例低於 10%，雖然已有工具用於協助病人匹配臨床試驗，但這些工具僅在病人需要新治療方案時才會有相關性。
這篇研究為一項單中心隨機對照試驗（Single-Center Randomized Trial），在一家三級學術癌症中心（Tertiary Academic Cancer Center）進行，受試者為年滿 18 歲、在精準腫瘤臨床試驗匹配資料庫中建檔、有實體腫瘤（Solid Tumors）的病人，並在 2013 年 7 月至 2022 年 12 月期間接受過次世代定序（Next-Generation Sequencing，NGS），且在 2023 年 1 月 30 日時仍在世；病人以 2:1 的比例被隨機分配至介入組或對照組，介入組指當 AI 系統根據病人的影像報告分析，判斷其癌症出現進展且有高機率需要開始新治療時，系統會將基因組學上匹配的臨床試驗通知（當 AI 偵測到病人病情變化，像手機收到「你好友上線了」通知的推播，立刻提醒醫師「該評估新治療或試驗了」）發送給病人的腫瘤科主治醫師，而對照組則不會發送此類通知。試驗期程從 2023 年 1 月 30 日進行至 2024 年 6 月 30 日，主要結果指標（Primary Outcome）是病人參與任何治療性臨床試驗的比例，預先設定的次要結果指標則包括同意參與任何治療性試驗的比例、在曾被確認為 Trial Ready 的病人中同意參與和實際參與試驗的比例、作為臨床試驗一部分而進行的新全身性治療（New Systemic Therapies）所佔的比例、收到通知的臨床醫師的問卷回饋。
研究共納入了 20707 名病人進行隨機分配（其中 57.26% 為女性；基因定序時的中位年齡為 60 歲），介入組有 13802 人，對照組有 6905 人。結果顯示，介入措施對臨床試驗的總體參與率並無顯著影響：介入組參與率為 2.20% (95% CI, 1.97%-2.46%)，而對照組參與率是 2.03% (95% CI, 1.72%-2.39%)，差異 0.18 個百分點 (95% CI, -0.25 至 0.58 個百分點; P = .41)，表示 AI 觸發的臨床試驗通知，並未顯著提高病人參與臨床試驗的整體比例。在 2127 名曾被確認為「Trial Ready」的病人中，兩組間的試驗參與率也無顯著差異，介入組 18.05% (95% CI, 16.15%-20.12%)、對照組 18.50% (95% CI, 15.78%-21.56%)，兩組差異 -0.45 個百分點 (95% CI, -4.01 至 3.02 個百分點; P = .80)。在 2036 名曾開始新全身性治療的病人中，兩組間的試驗參與率亦無顯著差異，介入組 22.67% (95% CI, 20.51%-24.99%)、對照組 20.14% (95% CI, 17.33%-23.29%)，兩組差異 2.53 個百分點 (95% CI, -1.25 至 6.21 個百分點; P = .19)。
這篇隨機試驗的結論是，在醫療中心的腫瘤科醫師當中，針對由 AI 解讀影像報告偵測到腫瘤進展的病人，即使主動提醒他們關於基因組學上匹配的治療性臨床試驗資訊，也未能增加治療性臨床試驗的參與率；未來若要利用 AI 來優化癌症臨床試驗的參與率，應用不應僅限於預測治療改變和/或僅針對腫瘤已接受全面基因定序的族群，而可能需要探索 AI 在臨床試驗招募流程中的應用，或是針對更廣泛的病人群體。
研究結果告訴我們，即使擁有先進的 AI 工具來識別潛在合適的受試者並及時通知醫師，也未必能直接轉化為更高的參與率，顯示臨床試驗招募是個複雜的多因素過程，單純的資訊提供可能不足以克服所有障礙。台灣在推動臨床試驗時，也應深入探討影響病人參與意願及醫師推薦意願的深層原因，例如病人對臨床試驗的認知與接受度、醫師對現有試驗的熟悉度及推薦的信心、醫師執行臨床試驗的額外工作負擔、臨床試驗資訊的透明度與可近性、轉介流程的順暢度等。
AI 在臨床試驗領域的應用也不應僅限於「偵測疾病進展」和「初步匹配」，可以思考 AI 流程當中不同環節的應用潛力，例如除了基因組學數據，整合更多維度的臨床數據（如病理報告、影像特徵、過去治療史等）以進行更細緻且精準的病人篩選、分層與匹配；利用 AI 分析過往的數據，協助設計更符合特定病人群體需求的臨床試驗方案；開發 AI 工具輔助醫師向病人解釋複雜的臨床試驗資訊，提升溝通效率與病人理解度；藉由自動化行政流程減輕研究護理師或臨床試驗主持人的行政負擔，讓他們能更專注於病人照護與試驗的招募。提升臨床試驗參與率需要醫院、研究機構、藥廠、主管機關以及病友團體的共同努力，AI 工具應作為整合多方資源生態系統中的一環，而非單獨的解決方案，高品質、標準化且易於存取的臨床與基因體數據也是 AI 發揮效用的基礎，台灣應持續投入建置與維護相關的數據基礎建設。
這篇隨機試驗結果，為我們對 AI 在提升癌症臨床試驗參與率的期待提供一個冷靜的視角，單純透過 AI 偵測癌症進展並向腫瘤科醫師發送基因組學匹配的臨床試驗通知，並未能顯著提高病人的試驗參與率，這個結果並不代表 AI 在臨床試驗領域完全沒有價值，而是突顯了提升試驗參與率的複雜性；技術工具的導入需要與對臨床流程、人類行為以及系統性障礙的深刻理解相結合，未來的 AI 應用，可能需要超越單純的「資訊提示」，思考如何更深度地整合進招募流程、賦能醫病溝通、或解決更根本的招募瓶頸。發展相關 AI 應用時，應避免過於簡化的預期，應進行更多本土化的研究，探索 AI 在不同環節（如病人衛教、尋找試驗點、招募流程管理等）的潛在效益，並結合行為科學與使用者中心設計的理念，開發真正能被臨床人員接受並產生實質影響的解決方案。
DeepSeek 在中國醫院系統的「低成本」快速普及：是否操之過急？
這篇發表於《美國醫學會雜誌》（JAMA）的文章 DeepSeek’s “Low-Cost” Adoption Across China’s Hospital Systems: Too Fast, Too Soon?，探討大型語言模型 DeepSeek 在中國的醫院迅速普及的現象，以及隨之而來的監管和治理問題，分享對於在醫療照護領域使用和採納 AI 及其他 LLM 的潛在機遇、風險，以及建立穩健監管和政策指導方針需求的初步思考，不僅針對中國，也適用於全球。
研究指出，中國正在經歷一場由 DeepSeek 引領的 AI 革命，在中國醫療體系的滲透速度相當驚人，自 2025 年 1 月下旬以來，在中國的搜尋引擎百度上，DeepSeek 的搜尋查詢量已超過 OpenAI 的 ChatGPT 和 Google Gemini 的總和達 10 倍之多；截至 2025 年 3 月 9 日，中國已有超過 300 家醫院開始「採用」DeepSeek AI 的私有化、本地化、在地部署（On-Site Deployments），這些醫院試圖將這款被認為是「低成本」、「開源/權重開放」（Open-Source/Weight，像任何人都能拿去改的公開樂高積木，蓋出自己的作品；DeepSeek 公開模型架構和數值，讓醫院可自己調整）且「基於推理」（Reasoning-Based）的 LLM 整合到真實世界的臨床及醫院相關業務當中，包括臨床診斷與決策支持（Clinical Diagnostics and Decision Support）、病人衛教、學術研究、醫院管理系統（Hospital Management Systems）。
DeepSeek 之所以能快速普及，其「低成本」和「開源/權重開放」的特性是關鍵因素，相較於某些專有的大型語言模型，DeepSeek 可提供更經濟的解決方案，降低醫院導入 AI 技術的門檻；而因為模型的部分或全部設計、原始碼或預訓練模型的權重是公開的，讓醫療機構有能力進行邊緣裝置部署、客製化調整、進一步開發，無需依賴外部開發者供應商，對於數據敏感度高的醫療從業者而言具有一定的吸引力，因為數據可以保留在機構內部處理。不過文獻標題直接點出了作者的核心疑慮：如此迅猛的普及速度，是否缺乏足夠的審慎評估和準備？快速推進可能意味著相關的配套措施，如臨床驗證、倫理規範、監管框架等，尚未到位。
監管與治理的真空滯後是作者最主要的關切點，AI 技術、特別是能深刻影響臨床決策的大型語言模型，發展速度往往遠超監管機構的應對能力，對於醫療 AI 的性能評估、安全性驗證、數據使用規範等，缺乏統一且嚴格的標準，當 AI 輔助決策出現失誤並導致病人權益及健康損害時，責任應如何界定歸屬（開發者、醫院、還是臨床醫師）是個複雜的問題，不僅是中國，全球都面臨為醫療 AI/LLM 建立監管政策的需求。此外，大型語言模型需要大量的數據進行訓練和運作，在醫療領域，這些數據涉及高度敏感的病人隱私，雖然 DeepSeek 的本地化部署有助於將數據保留在醫院內部，但仍需確保醫院自身具備足夠的數據安全管理能力，防止內部洩漏或濫用，即使進行了去識別化處理，在複雜的醫療數據中，仍可能存在重新識別個體的風險。
許多 LLM 的決策過程對使用者而言是不夠透明的，如果其提供的建議未經嚴格驗證就直接用於臨床，可能帶來未知風險，若訓練數據存在偏誤（例如特定人群的數據代表性不足），模型可能會產生帶有偏見的輸出，影響醫療公平性。「唯技術論」的風險與使用者需求的忽視也是個潛在的問題，我們觀察到當前 AI 應用的倡議者有時不再深入挖掘使用者的真實需求，而是試圖強力灌輸「任何人都需要 AI」的觀念，並向為此感到焦慮不安的人們強行推銷，變成一場銷售遊戲，這種現象如果發生在醫療領域，可能導致資源錯置，或部署了不符合臨床實際需求的 AI 工具；此外，如果臨床醫師過度依賴 AI 的輔助，長遠來看，可能會影響其自身專業判斷能力的培養與維持。
DeepSeek 在中國醫院的快速導入，對台灣而言既是借鏡也是警惕，一方面顯示了大型語言模型在醫療領域提升效率、輔助診斷、改善管理等應用的巨大潛力，我們可關注其低成本、開源模式的優點是否能降低台灣本土醫療機構導入 AI 的門檻；但更重要的可能是「太快，太早？」的警示，在考慮導入類似技術時，必須將安全性、有效性、倫理規範和法規遵循置於優先，避免倉促上路。
在台灣醫療體系可能的應用如利用 LLM 輔助撰寫病歷、出院病歷摘要、檢查報告等醫療文件智慧化處理，減輕臨床醫師的行政負擔；或作為醫護人員快速查詢醫學文獻、藥物資訊、臨床指引的臨床知識庫與決策輔助工具，但對於直接的診斷或治療建議，則需極度謹慎，並以通過嚴格臨床驗證的專業醫療 AI 軟體為主；生成易於理解的病人衛教內容，輔助醫病溝通（但內容需經專業人士審核）；智慧排程、資源分配建議、內部文件處理等優化醫院行政管理；利用台灣本土的醫療數據（在符合法規與倫理的前提下），對開源模型進行微調（Fine-Tuning），使其更符合台灣的醫療用語、疾病光譜和臨床情境。
如果要談市場機會，我能想到的是運用這類開源模型，針對台灣醫療需求，提供客製化、符合本地法規的 LLM 部署與整合服務；另外隨著醫療 AI 應用的普及，對於 AI 倫理、數據治理、法規遵循的專業諮詢需求將會增加；或提供第三方服務，協助醫療機構或開發者驗證其 AI 模型的安全性與有效性；以及專門用於特定科別的文件處理、或特定疾病衛教的特定醫療場景 LLM 應用。
但台灣對於醫療 LLM（尤其是涉及臨床決策輔助功能）的法規框架仍在發展中，主管機關（如 TFDA）的審查標準、驗證要求將是關鍵；高質量、標準化、且具代表性的本土醫療數據是訓練和驗證有效 LLM 的基礎，數據的取得、整合與隱私保護也是一大挑戰，且任何聲稱具有臨床效益的 AI 工具，都必須經過嚴謹的臨床試驗，需要大量的時間成本與資金投入；將 LLM 整合進醫院現有的資訊系統（HIS、PACS 等）同樣是複雜的技術挑戰，醫師是否願意接受、相信並使用這些新工具，取決於其易用性、可靠性以及是否真正解決臨床痛點；而所謂「低成本」可能僅指模型的初始取得成本，後續的維護、更新、客製化、確保安全合規所需的投入，可能並不低廉，更重要的是，若因缺乏驗證而導致醫療疏失與糾紛，代價難以估量。
JAMA 的這篇文章揭示 DeepSeek 等大型語言模型在中國醫療體系中迅猛發展的雙面刃效應，一方面展示 AI 技術普及、低成本化之後，在醫療領域應用的巨大潛力和速度；另一方面也對這種「快跑進入」模式所隱含的監管缺失、臨床驗證不足、以及潛在安全風險提出了嚴肅的警告。「太快，太早？」不僅是對中國現狀的提問，也是對全球所有積極擁抱醫療 AI 國家的提醒，技術的進步固然令人興奮，但醫療的核心價值始終是病人的安全與福祉，在 AI 工具（特別是具有自主學習和生成能力的 LLM）進入臨床實務前，建立完善的治理架構、執行嚴謹的臨床驗證、並確保數據安全與倫理合規，是不可或缺的前提。我們應積極探索 AI 在優化醫療服務方面的潛力，但更要從中吸取教訓，避免在缺乏充分準備的情況下倉促推行，而發展本土化、安全有效且符合倫理的醫療 AI，需要政府、學界、產業界與第一線醫療人員的通力合作，共同建立一個既能鼓勵創新、又能保障病人權益的發展環境。
多重共病病人使用數位健康科技的累積負擔
Cumulative Burden of Digital Health Technologies for Patients With Multimorbidity 這篇發表於《JAMA Network Open》的 Systematic Review 旨在探討有多重慢性病的病人，在使用現有數位健康科技（Digital Health Technologies，DHTs）時可能面臨的負擔，研究指出儘管 DHTs 有潛力監測、治療和管理疾病，但大多數 DHTs 都是針對單一疾病或問題設計的，然而約有一半的慢性病病人同時擁有多種慢性病。
研究主要想釐清對於多重共病的病人，目前有哪些 DHTs 可供使用？一個病人需要使用多少個不同的 DHTs 才能從中獲益？研究團隊系統性搜尋了美國食品藥物管理局（FDA）的資料庫（包括上市前通知 510(k) 跟已批准產品「很像」故能快速通過、上市前核准 Premarket Approval 高風險器材需經嚴格測試如申請無人機航行要先過重重考試，以及 De Novo 上市途徑是全新類別所以要先創類別再審批）以及英國國家健康服務（NHS）薩默塞特郡（Somerset）的醫療照護與健康應用程式審查組織（Organisation for the Review of Care and Health Apps，ORCHA 英國的健康 App 審查機構，彷彿給 App 打分數、列出優缺點的「美食評論家」，幫醫師和病人選好 App）的應用程式庫，搜尋範圍鎖定在 2019 年 1 月 1 日至 2022 年 12 月 31 日期間註冊或更新的 DHTs。
研究設定一位假設性的女性病人，她患有五種常見的慢性疾病：第二型糖尿病、高血壓、慢性阻塞性肺病（Chronic Obstructive Pulmonary Disease，COPD）、骨質疏鬆症和骨關節炎（osteoarthritis），研究人員首先提取每個 DHT 用於監測、治療和/或管理疾病的簡單且明確的基本功能，接著評估這位假設病人最少需要被開立多少個 DHTs，才能獲得醫療專業人員認為重要的數位功能所帶來的好處。
研究共識別出 148 個可供這位假設病人使用的 DHTs，其中 68 個（46%）來自 FDA 資料庫；這些 DHTs 中，96 個（65%）涉及硬體裝置，而 52 個（35%）是獨立的健康應用程式（Standalone Health Apps），但僅有 5 個 DHTs（佔總數的 3.4%）是為了解決兩種或兩種以上疾病或問題而設計的，絕大多數 DHTs 都是針對單一疾病所開發。這 148 個 DHTs 提供了 140 種不同的基本功能，範圍從記錄、追蹤或視覺化健康參數、到提供資訊、再到具有即時介入（Just-in-Time Interventions）的數位療法（Digital Therapeutics 除了單純量測、還會主動提供「治療方案」，例如睡眠 App 不只是記錄睡眠，還會教放鬆呼吸或認知行為方法，達到真正「治療」效果），研究模型顯示，為了讓這位患有五種慢性病的假設病人能夠從至少三位（共有五位）醫療專業人員認為重要的 28 項功能中受益，她將需要被開立多達 13 個應用程式（Apps）和 7 個硬體裝置，包括血壓計、智慧型手錶、脈搏血氧儀、連網體重計、附帶感測器的吸入器（用於監測用藥依從性）、肺功能監測儀，以及血糖感測器。
僅僅是為了糖尿病的管理，這位病人就需要使用三個不同的應用程式，因為沒有任何單一應用程式能夠涵蓋所有醫療專業人員認為重要的功能；研究強調，隨著病人所患疾病或健康問題數量的增加，他們需要使用的應用程式和裝置數量會迅速攀升，例如一位患有高血壓和慢性阻塞性肺病、且需要專業人員協助戒菸的假設病人，將需要使用 6 個 DHTs 才能獲得醫療專業人員認為重要的功能所帶來的好處。幾乎所有可供開立的 DHTs 都是針對單一疾病或問題開發，這與慢性病的流行病學現狀存在巨大差異，即約有 50% 的慢性病病人是有多重共病。
現階段的 DHTs 可能會給有多重慢性病的病人帶來重大的負擔，為了從醫療專業人員認為重要的數位功能中受益，這些病人將不得不在日常生活中同時常規使用許多不同的 DHTs，這種累積的負擔不僅是 DHTs 的數量和潛在的功能冗餘，還包括病人需要熟悉並習慣不同的使用者介面、需要在多個線上平台上連接和管理多個帳戶、可能需要處理來自未經整合的應用程式或裝置和相關人員（如線上教練、平台臨床醫師）所提供的矛盾資訊，這種多重 DHTs 的使用可能帶來非預期的互動、警示疲勞，以及 DHTs 效能的降低等風險。
研究作者們提出了一些減輕多重共病病人使用 DHTs 負擔的解決方案，並強調需要將數位醫療的視角從以「產品」為中心轉變為以「病人需求和能力」為中心，追求「微創數位醫療」（Minimally Disruptive Digital Medicine 讓病人使用科技不成為另一種負擔，像做菜時只用一個平底鍋、一把刀子就能完成，不需要一堆工具排滿廚房、動線亂成一團），如提升 DHTs 的互操作性（Interoperability 各家 App、裝置能「無縫對話」，好比 Windows 電腦、MacBook、手機都能互傳檔案，不用再手動從 A 傳到 B）創建整合的生態系統，其中多個應用程式和裝置的數據可以被處理和整合，協調病人使用介面、任務、警示和回饋，減少病人需要操作多個獨立系統的困擾；而設計具有可識別元素的標準化使用者介面，以降低病人使用的複雜性、降低學習曲線、提升易用性；同時加強醫病溝通與數位健康素養教育，促進臨床醫師和病人之間關於 DHTs 的溝通和教育，以提升他們的數位健康識能（Digital Health Literacy）和對 DHTs 的認知，讓醫病雙方都能更有效地使用和評估 DHTs；臨床醫師也應瞭解病人的生活情境，逐步導入 DHTs（例如一次開立一個），定期評估數位工具的實用性，並提供及時調整，盡可能減少數位醫療對病人日常生活的干擾。將來 DHTs 建議設計為僅包含病人和臨床醫師認為重要的功能，並以模組化的方式組織，每個模組涵蓋一種疾病或一項功能，這種模組化設計有助於最大限度地減少臨床醫師回應來自每位病人多個 DHTs 數據的負擔。
台灣邁入超高齡化社會，多重共病是老年族群常見的健康問題，我們必須意識到，若未經妥善整合，為患有多種慢性病的病人開立多個針對單一疾病的 DHTs，反而可能增加他們的困擾與負擔，降低治療 Compliance。我們應開發能夠整合管理多種慢性病數據與功能的平台，而非讓病人下載數個獨立的 App，這樣的平台應具備良好的互操作性，能串接不同的穿戴式裝置或醫療器材數據；在 DHT 的開發初期，就應納入多重共病病人的需求與使用情境考量，推動「以病人為中心」的 DHT 設計、並邀請病人參與設計過程；也應提升醫師、護理師、個案管理師等醫療團隊成員對於 DHTs 的認知、評估能力以及如何指導病人有效使用的技能培訓，了解「微創數位醫療」的原則，避免過度開立 DHTs；並參考 ORCHA 等國外經驗，建立符合台灣醫療環境的 DHT 評估標準與推薦機制、清單，協助臨床醫師和病人選擇合適且真正有益的工具；未來健保若考慮給付 DHTs，應優先選擇能整合多重疾病管理、具備良好互操作性、並能證明其減輕病人負擔與改善健康狀態的解決方案，且確保 DHTs 的介面設計符合台灣民眾（尤其是長者）的使用習慣，語言友善，操作簡便。
JAMA Network Open 這篇系統性文獻回顧揭示當前以單一疾病為主要設計導向的數位健康科技，在面對日益普遍多重共病問題時所產生的「累積負擔」困境，也提醒我們科技的進步不應成為病人的新負擔，一個有多種慢性病的病人，被迫在日常生活中同時操作十幾個不同的 App 和多個裝置，顯然與數位醫療旨在提升便利性與照護品質的初衷相悖。研究提出的解決方向，如提升互操作性、標準化介面、加強醫病溝通、遵循微創數位醫療原則，以及設計模組化、以病人需求為中心的 DHTs，為未來的發展指明了可能的方向，不僅是技術開發者的挑戰，也需要臨床醫師、政策制定者、醫療機構乃至病人自身的共同努力。
擁有數百種功能的「超級App」未必實用，關鍵在於精準滿足病人的核心需求，並簡化操作；我們在推動數位健康轉型的過程中，必須將「減輕病人負擔」和「提升照護整合性」置於核心考量，發展能夠真正貼近多重共病病人需求的、易於使用且能無縫整合的數位解決方案，將是台灣醫療 AI 與數位健康產業未來發展的關鍵契機與責任。投資者在評估此領域時，應特別關注那些致力於解決「累積負擔」問題，並能提供整合性、以使用者為中心解決方案的企業。
「AI 在醫療領域如何真正落地才算成功」是這幾篇文章共同想探討的──不僅要評估療效，還要顧及安全性、信任度、監管要求以及使用者的負擔──然而除了技術本身之外，還需要哪些制度安排、經濟誘因和使用者層面的配套措施，才能讓醫療 AI 不再只停留在實驗室或小範圍的試點，而是真正持續地融入臨床工作流程，並帶來長期、可衡量的臨床與經濟效益？這個問題之所以關鍵，在於技術成熟並不等同於大規模應用，再先進的 AI 模型，如果沒有明確的商業模式和誘因機制──也就是誰要出錢、誰要負責訓練部署、誰要改變臨床作業流程──最終也只能淪為學術發表，而無法進入醫療體系現場。同理，即便像 Therabot 在四週內能顯著改善憂鬱症狀，臨床醫師、病人和運營團隊仍需付出大量額外的人力與時間成本；如果文章只停留在「需要監督與本地化」的描述，而不去思考「誰來承擔這些額外成本？如何納入給付和績效考核？」那麼再好的效果也無法持續。此外，不論是 DeepSeek 在三百家中國醫院迅速部署，還是各種 RCT 製造出亮眼數據，都必須同步回答：醫院的資訊部門、法務部門、臨床專科要如何跨部門協作，才能將 AI 從試點逐漸推向日常？多少管理指標和財務指標能讓管理層真正動手掏錢？換言之，要讓醫療 AI 不僅「能用」，而且「好用、值得用、能持續用」，我們需要在實證、監管、技術、設計、使用者體驗、經濟誘因、組織流程與成效評估這八大維度上，構建一個閉環體系──明確圈出每個環節應該如何運作，並讓政府、監管機構、醫療單位、開發者、臨床醫師、病人與給付方緊密協作，只有當這些關鍵環節能夠互相支撐，AI 才能從學術論文走進病房診間，真正改善醫療品質與成本效益。
— –
📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.