【Ambience Healthcare】以生成式 AI 重塑醫療工作流程

在數位轉型的時代，醫療產業面臨前所未有的挑戰與機遇。Ambience Healthcare 憑藉生成式 AI 技術，試圖改變醫師的工作方式。這家估值達 26 億美元的新創公司，透過將自然語言處理技術（Natural Language Processing, NLP）應用於醫療領域，成功地將醫師的病歷記錄時間縮減 83%，每週為醫療人員節省 5–6 小時的文書處理時間。

當代醫療文書作業的困境

在現代醫療體系中，文書工作已然成為壓垮醫師的最後一根稻草。根據美國醫學會（American Medical Association, AMA）的研究顯示，醫師平均需花費 50–75% 的工作時間在電子病歷系統（Electronic Health Record, EHR）上。這個數字不僅反映當前醫療體系的失衡，更凸顯醫療資訊化過程中的結構性問題。

時間分配的困境

讓我們從醫師的日常工作開始談起：一早還沒開診，你已經開完晨會坐在診間裡，準備迎接病人。每位病人都帶著自己（有時還包含家屬）的故事和煩惱，期待你能為他們解答疑惑、緩解痛苦。你仔細聆聽每位病人的描述，確認他們的症狀，思考可能的鑑別診斷，與此同時你的眼睛頻繁地瞄向電腦螢幕，因為你必須同時記錄下病人語言或肢體表達的每一個重要資訊。這就像是你在聽一個故事，卻必須同時寫下每個細節，生怕漏掉任何重要的線索。譬如你正在專心聆聽一位阿嬤描述她的背痛症狀，她說話很慢、常常跳開話題，談到她的小孩或鄰居怎樣診斷她的背痛；這時你得耐心引導她回到主題，同時在腦海中整理資訊。等她說完之後（常常他們欲罷不能），你還得花上好一段時間，將這些零散的資訊整理成一份完整的病歷。這樣的場景每天要重複上演 40–50 次，每位病人平均只有 7–10 分鐘的診療時間，但你卻可能要花上 10–15 分鐘來完成病歷，有點像是參加一場半馬，但每跑一公里就得停下來寫一篇短文。

病歷記錄的複雜性

你可能會問，為什麼要花這麼多時間寫病歷呢？因為現代醫療體系與台灣健保給付制度要求記錄的內容必須囊括特定的內容。我們像是偵探，要寫一份完整的案件報告，首先需要記下案件的來龍去脈（病人的主訴和現在病史），案件的背景（病人的過去病史），我們調查的過程（理學、影像檢查或實驗室檢驗的結果），推理過程（臨床推理和鑑別診斷），以及我們的行動計畫（治療計畫和衛教內容）。每一個細節都可能影響案件的走向，所以不能疏忽怠慢。但這還不是全部，除了照顧病人和寫病歷，醫師們還有許多行政、研究或教學工作要處理，就像要同時當一個偵探、作家、會計師和行政助理，而且每一個角色都要做到盡善盡美。這就是 Ambience Healthcare 這間公司想解決的問題。他們開發的人工智慧系統，就像給每位醫師配備一個超級助手，自動聆聽醫師和病人的對話、整理重要資訊，甚至自動生成病歷，期能減輕醫師的工作負擔，讓醫師把更多的注意力放在病人身上，提供更具同理與優質的醫療服務。

電子病歷系統的演進：從紙筆到人工智慧

第一代 EHR（1960–1990）：數位化的初步嘗試

1960 年代，醫院還沒有電腦，所有的病歷都是手寫的。醫師們的字跡常常難以辨認，護理師們常需要花很長的時間來解讀這些「天書」。這個時期的電子病歷系統主要特點包括：

• 使用大型主機 (Mainframe) 處理資料
• 介面採用命令列形式，操作極其不便
• 功能侷限於基本的病人資料登錄和查詢
• 資料儲存格式缺乏標準化，無法進行跨系統交換

第二代 EHR（1990–2010）：功能的擴展與整合

到 1990 年代，個人電腦開始普及，醫院也漸漸出現更多的電腦。新一代的電子病歷系統誕生，有以下特點：

• 引入圖形使用者介面 (GUI)，操作更加直觀
• 整合醫療影像系統 (PACS)，影像的數位化儲存與傳輸
• 加入電子處方系統 (e-Prescription)，減少用藥錯誤
• 建立初步的 HL7 (Health Level Seven) 通訊標準
• 開始支援基本的臨床決策支援功能

第三代 EHR（2010-現在）：雲端化與智能化

現代的電子病歷系統發生了很大的變化：

• 採用雲端運算架構，支援遠端存取
• 強化資安防護，符合 HIPAA (Health Insurance Portability and Accountability Act) 規範
• 支援 FHIR (Fast Healthcare Interoperability Resources) 標準，實現真正的互通性
• 整合人工智慧技術，提供進階的臨床決策支援
• 支援行動裝置存取，提升使用便利性

Ambience Healthcare：AI 所驅動的寧靜革新

認識自然語言處理：AI 時代的翻譯官

我們先來認識什麼是自然語言處理（NLP）。當我們在跟外國學者或朋友聊天時，有時需要一位翻譯幫忙，翻譯不只要聽懂雙方說的每一個字，還要理解說話的語氣、考量雙方文化背景，甚至是雙關語或弦外之音，才能準確地傳達對話的真正含義。自然語言處理技術就像是這樣的翻譯，只是它是在幫助電腦理解和處理人類的語言。舉個簡單例子：我們說「我頭好暈」這句話時，對人類來說很容易理解，但對電腦而言，可不是一件簡單的事。電腦需要：

1. 先將聲音轉換成文字（語音辨識，Speech Recognition）
2. 理解「暈」這個字在醫療情境下的意義（語意理解，Semantic Understanding）
3. 判斷這是一個症狀描述（內容分類，Content Classification）
4. 把這個資訊與可能的診斷連結起來（知識關聯，Knowledge Association）

傳統的電腦程式只能按照固定的規則運作，就像是一本字典，只能查詢單字的基本意思。但 NLP、特別是深度學習模型（Deep Learning Models），能像人類大腦一樣，學習理解語言中的各種細微差別：

• 理解同一個詞在不同情境下的不同含義（語境理解，Contextual Understanding）
• 識別口語化表達背後的專業醫療含義（術語標準化，Term Normalization）
• 理解句子之間的邏輯關係（語篇分析，Discourse Analysis）
• 提取對話中的關鍵醫療資訊（資訊抽取，Information Extraction）

就像幫電腦裝「理解人類語言」的超級大腦。而 Ambience Healthcare 把 NLP 運用在醫療領域，創造出能夠理解醫師和病人對話的智能系統。在醫療場景中，NLP 還需要處理更多專業挑戰：

• 醫學術語辨識（Medical Term Recognition）：能夠識別各種專業醫學詞彙和縮寫。
• 症狀匹配（Symptom Matching）：將病人描述的症狀與標準醫學術語對應。
• 診斷推理（Diagnostic Reasoning）：根據症狀描述推斷可能的診斷。
• 病歷結構化（Clinical Note Structuring）：將非結構化的對話內容轉換為結構化的病歷格式。

Ambience Healthcare 系統就像精通醫學的 AI 助理，能夠即時處理這些複雜的語言任務，提升病歷記錄的效率和準確性。

自然語言處理的突破

Ambience Healthcare 的系統運用自然語言處理技術，讓醫師可以像平常一樣和病人對話的同時，電腦也能夠自動「聽懂」這些對話，並將重要資訊整理成病歷。就像有一個超聰明的秘書，不僅能夠完美記錄每一句話，還能理解對話的內容，自動整理出重點。

在診間裡，一位醫師正專注地聆聽病人描述症狀，桌上放著一個小巧的設備，不只是簡單的錄音機，而是擁有強大人工智慧的數位助手。這個系統運用自然語言處理技術，就像是精通醫學的同步口譯員。當醫師和病人進行對話，系統能即時理解並分析對話內容；不只是機械式記錄每一句話，而是能夠理解對話的深層含義、識別重要的醫療資訊，並自動將這些資訊組織成結構化的病歷記錄。當一位長輩說：「醫師啊，我最近常常頭暈，特別是起床的時候，有頭重腳輕的感覺。」系統能夠自動識別出這是描述「姿勢性低血壓」的可能症狀，並將這些資訊正確地歸類到病歷的相應欄位中。即使病人的描述包含許多口語化的表達，系統也能準確轉換成專業的醫療用語。

重塑醫病互動關係

這樣的技術不僅大大節省醫師的時間，更重要的是讓醫師能夠重新專注於最重要的事情：與病人面對面的交流和照護。醫師不用全程在看診的時候看著螢幕瘋狂打字，可以全神貫注地傾聽病人的敘述。

醫師常常需要一邊聽病人說，一邊低頭打字，時不時還要確認有沒有打錯字。這樣的場景不僅影響醫病之間的交流品質，也讓許多細微但重要的病人反應和表情變化可能被忽略。Ambience Healthcare 的診間互動更像是一場自然的對話，醫師可以完全專注於病人。例如一位焦急的媽媽帶著發燒的孩子來看診，醫師可以全神貫注地觀察、評估寶寶，仔細聽媽媽的描述，同時用眼神和適當的肢體語言給予安慰和支持。醫師全然的專注不只提升診療的品質，更有機會鞏固醫病之間的信任關係。

效率的顯著提升

當我們談到 Ambience Healthcare 能將病歷記錄時間縮減 83%、每週為醫療人員節省 5–6 小時的工時，這些數字背後代表的意義遠比表面看到的更加深遠。一位使用 Ambience Healthcare 的家醫科醫師分享：「以前我每天看完最後一個病人，常常還要花上 30 分鐘完成當天的病歷。現在這些時間可以用來參加跨科病例討論會，或唸近期的研究文獻。」另一位小兒科醫師表示：「有了這個系統，我終於有更多時間來設計有趣的衛教內容。上週我還製作一系列卡通圖片，來向小朋友解釋如何預防感冒。」這些改變不僅體現在時間的節省上，也反映在醫療品質的提升。醫師們可以：

• 花更多時間思考複雜病例
• 參與更多專業進修活動
• 透過學術研究發展創新的治療方案
• 加強與病人及家屬的溝通

這種效率的提升直接影響醫師的身心健康。根據最新研究，工作壓力的降低不僅減少醫師的倦怠感，還間接提升病人的治療效果和滿意度。一位資深心臟科醫師分享：「現在下班後，我終於有時間陪孩子玩。這看起來很簡單的改變，卻讓我第二天能以更飽滿的精神面對病人。」這就是 Ambience Healthcare 想帶來的革新 — 不只是技術上的突破，也是整個醫療生態系統的優化。解放醫療人員的時間和精力後，他們能夠更專注於醫療的本質：關懷和治療。

邊緣運算設備（Edge Computing Devices）：診間的智慧大腦

Ambience Healthcare 系統中，邊緣運算設備就像裝在每個診間的小型超級電腦，不僅要處理大量的即時資料，還需要確保病人資訊的隱私和安全。

在處理器方面，Ambience 採用專門為醫療環境優化的高效能處理器，不同於一般的商用晶片，它具備強大的 AI 加速運算能力，能夠即時處理複雜的語音識別和自然語言理解任務。當醫師在診間快速說出「病人表現出典型的支氣管炎症狀，建議進行胸部 X 光檢查」，這個處理器能在幾毫秒內完成語音轉文字、醫學術語識別，並將相關資訊整合到病歷中。

記憶體配置方面，系統採用多層次架構，像一個高效的圖書管理系統。最上層是高速快取記憶體，如同圖書館的閱覽桌，用於存放當前正在處理的語音資料。主系統記憶體則像是開放式書架，存放當前診療過程中需要即時存取的資訊，例如病人的基本資料、過去病史等。本地儲存記憶體就像圖書館的密閉書庫，安全地暫存加密後的診療記錄，直到這些資料可以安全傳輸到中央伺服器。

運算效能優化方面，Ambience 採用智能負載平衡技術，像經驗豐富的指揮家，能夠根據當前的工作負荷靈活調度系統資源。當醫師正在進行一個複雜的病例討論時，系統會自動分配更多資源給語音識別和醫學術語理解模組，確保不會遺漏任何重要資訊，同時還會預留一定的運算能力，以應對可能的緊急情況，比如突然需要調閱病人的過往病歷或藥物過敏史。這種精密的設計確保系統能在繁忙的診療環境中保持穩定高效的運作。

即使在同時處理多項任務的情況下，系統的反應時間也能保持在 100 毫秒以內，從醫師說出一句話到系統完成處理並顯示相關資訊，整個過程快到幾乎讓人感覺不到延遲。假設醫師在為一個複雜的糖尿病病人看診，說「最近的糖化血色素抽血結果看起來控制不太好，我們需要調整胰島素劑量」時，系統能夠在眨眼之間完成以下任務：

1. 將語音準確轉換為文字
2. 識別出「糖化血色素」和「胰島素」等關鍵醫學術語
3. 自動調出病人最近的檢驗結果進行比對
4. 在病歷中標記需要調整用藥的提醒
5. 同時檢查病人的用藥史，確保新的治療計畫不會與其他藥物產生交互作用

所有這些複雜的運算和資料處理都在瞬間完成，讓醫師能夠專注於與病人的交流，而不被技術細節所干擾，就是 Ambience Healthcare 邊緣運算設備的強大之處 — 不僅是被動的記錄工具，而是醫師的智能助手，隨時準備協助提供最佳的醫療決策支援。

核心技術架構剖析：Ambience Healthcare 的技術 DNA

解構自然語言處理的技術

一位醫師正在為一位操著濃厚台灣腔的阿嬤看診，阿嬤說：「醫師啊，我最近『歸嘸』睡，每天『搓搓睡』，『卡早』醒來就『袂睡落去』。」對很多聽不懂台語的朋友來說，這段話可能難以理解，但 Ambience Healthcare 的系統卻能精確地將這段對話轉譯成標準的病歷用語：「病人近期有睡眠障礙（Sleep Disorder），出現入睡困難（Difficulty Falling Asleep）與早醒（Early Morning Awakening）的症狀。」這個看似簡單的轉譯過程，實際上涉及許多層次的複雜技術。讓我們一層層揭開它的技術面紗：

語音識別系統（Speech Recognition System）的突破性設計

Ambience Healthcare 的語音識別系統採用深度學習架構（Deep Learning Architecture）：

聲學模型處理（Acoustic Model Processing）
系統使用創新的變形器模型（Transformer Model）來處理聲音訊號，像超級精密的音樂調音師，能夠從雜亂的環境音中，精確地分辨出人聲的細微變化。

• 處理各種口音的醫師說話方式和各種年齡層病人的表達方式
• 各種專科的專業術語發音
• 過濾背景噪音
• 辨識說話者的情緒變化
• 即時調整收音參數
• 緊急情況下的快速對話

醫療專業術語識別（Medical Term Recognition）
系統內建龐大的醫學詞彙庫（Medical Lexicon），能夠識別：

• 標準醫學術語（如「心肌梗塞」Myocardial Infarction）
• 口語表達（如「心臟病發」對應到「急性冠心症」Acute Coronary Syndrome）
• 方言用語（如台語的「肚底痛」對應到「腹痛」Abdominal Pain）
• 醫學縮寫（如「BP」對應到「血壓」Blood Pressure）

一位胸腔內科醫師在病解時說：「您的胸部 X 光顯示右上肺葉有一個大約 2 公分的結節，邊緣不規則，建議進行電腦斷層進一步確認。」系統能夠：

• 精確識別專業術語如「結節」（Nodule）、「電腦斷層」（Computed Tomography, CT）
• 正確理解數字和單位（「2公分」）
• 準確捕捉位置資訊（「右上肺葉」）
• 識別形態描述（「邊緣不規則」）

深度語言理解系統（Deep Language Understanding System）

一位65歲的張爺爺在家醫科門診說：「醫師啊，我最近都睡不好，常常半夜醒來上廁所，腳也常常酸酸的，走路沒以前有力氣。」對一般人來說，這些描述可能只是日常的身體不適，但 NLU 系統能即時分析出多層次的臨床意義：

症狀辨識和關聯分析
系統立即識別出幾個關鍵症狀：

• 「睡不好」→ 睡眠障礙（Sleep Disorder）
• 「半夜醒來上廁所」→ 夜尿頻繁（Nocturia）
• 「腳酸酸的」→ 下肢不適（Lower Extremity Discomfort）
• 「走路沒力氣」→ 下肢無力（Lower Extremity Weakness）

系統會自動建立這些症狀之間的潛在關聯，提示醫師這個症狀組合可能暗示：

• 前列腺肥大（Benign Prostatic Hyperplasia, BPH）
• 周邊神經病變（Peripheral Neuropathy）
• 可能的糖尿病（Diabetes Mellitus）風險

上下文理解引擎（Contextual Understanding Engine）
使用雙向長短期記憶網路（Bidirectional Long Short-Term Memory, BiLSTM）技術，系統不只是機械式地記錄症狀，還會理解整個診療過程的上下文。

• 理解長段對話中的前後文關係
• 識別關鍵症狀描述
• 捕捉病人的情緒變化
• 追蹤症狀發展時間軸

當病人說：「上個月開始頭痛，最近越來越嚴重，特別是早上起床後」，系統能夠自動將病人的回答與先前提到的所有症狀建立時間軸（Symptom Timeline），並標記症狀加重的時間點。

醫療語境理解（Medical Context Understanding）
系統運用專門針對醫療場景訓練的語言模型，能夠：

• 理解複雜的醫療描述
• 識別症狀之間的關聯性
• 建立症狀與可能診斷的連結
• 追蹤治療反應

AI 模型架構

Ambience Healthcare 的 AI系統採用多層次架構（Multi-tier Architecture），像一座精密的金字塔，每一層都有特定的功能。

前端智能處理層（Intelligent Front-end Processing Layer）

這一層就像是系統的「耳朵」和「大腦的前額葉」，如果診間外護理師在走廊上呼喚下一位病人，旁邊的電視牆在播放衛教影片，窗外還傳來救護車的聲響，在這樣紛雜的環境中，Ambience Healthcare 的系統如何能夠精確捕捉醫師和病人的對話呢？這就要歸功其強大的即時訊號處理技術。

即時訊號處理（Real-time Signal Processing）：數位世界的超級耳朵

系統採用的數位訊號處理技術（Digital Signal Processing, DSP），就像給電腦一個超精密的耳朵。這個「耳朵」不只能聽，還能夠即時處理聲音。像是我們走在熱鬧喧嘩的夜市裡，想專注地聽朋友說話 — 我們的大腦會自動「過濾」掉攤販的吆喝聲和路人的談話，Ambience 的 DSP 技術就是在模仿人類大腦的這種能力。系統在診間運作時，它能夠：

• 識別並保留醫師和病人的說話聲
• 降低空調的背景噪音
• 過濾走廊上的雜音
• 消除回音和震動干擾

這要歸功於自適應噪音消除技術（Adaptive Noise Cancellation, ANC），就像混音師能即時調整「音量旋鈕」讓重要的聲音更清晰。例如當救護車經過診間外時，系統會自動調整處理參數，確保不會干擾到對話的記錄。

更厲害的是，系統還具備多聲道音源分離（Multi-channel Source Separation）的能力，像交響樂團演奏時，我們不只能聽到整體的音樂，還能分辨出每一種樂器的聲音。在診間即使醫師和病人同時說話，或是有家屬插話，系統也能準確區分並記錄每個人的發言。

初步語意分析（Preliminary Semantic Analysis）：從聲音到意義的橋樑

當系統成功捕捉到清晰的語音後，下一步就是要理解這些話語的含義。這個過程有點類似即時口譯，但又更複雜一點。首先，系統會進行即時語音轉文字（Real-time Speech-to-Text）。這個過程並不只是簡單的「聽寫」，而是要考慮到醫療場景的特殊性。例如當病人說「我最近老是胃口不好，吃不下飯」時，系統不只要正確轉錄這句話，還要標記這是一個「食慾減退」（Poor Appetite）的症狀描述。

接著，系統會執行醫療術語標準化（Medical Term Standardization）。不同的病人可能用不同的方式描述同一個症狀：

• 「我最近很沒力」
• 「整個人提不起勁」
• 「感覺全身無力」
  這些描述都會被系統標準化為「疲勞」（Fatigue）這個醫學術語。

最後，系統會建立語意標記（Semantic Tagging），就像在文字上貼上不同顏色的標籤，幫助後續的分析處理。例如：

• 症狀描述會標記為紅色
• 時間資訊標記為藍色
• 用藥紀錄標記為綠色
• 生活習慣描述標記為黃色

這類標記系統讓電腦能夠更好理解對話的結構和重點，像在閱讀一本已經重點標註好的書。

核心 AI 引擎：醫療對話的智慧大腦

如果前端處理層是系統的「耳朵」，那核心 AI 引擎就是「大腦」。「大腦」不只要理解對話內容，還要如同經驗豐富的醫師，具備專業的醫學知識和臨床判斷能力。這個「大腦」是如何運作的呢？

大型語言模型：醫療對話的超級理解者

Ambience Healthcare 採用特別針對醫療領域優化的大型語言模型（Large Language Model, LLM），不是一般的聊天機器人，而是經過數百萬筆醫療對話和臨床病例訓練的專業模型。例如當一位病人說：「醫師，我最近常常心跳很快，有時還會冒冷汗，特別是在開會的時候。晚上躺在床上也會胡思亂想，翻來翻去不管怎麼樣都睡不著。」

系統的大型語言模型會同時進行多層次的理解：

症狀辨識

• 心悸（Palpitation）
• 盜汗（Diaphoresis）
• 失眠（Insomnia）
• 焦慮（Anxiety）

情境關聯

• 症狀與壓力情境（工作壓力）的關聯
• 症狀之間的可能關連性

嚴重程度評估

• 症狀發生的頻率
• 對日常生活的影響程度

醫療知識圖譜：專業知識的數位化地圖

系統整合龐大的醫療知識圖譜（Medical Knowledge Graph），像錯綜複雜的地圖，連結著各種醫療概念、疾病、症狀和治療方法。如果我們嘗試拼一個複雜的拼圖，知識圖譜就像是這個拼圖的完整圖樣。當系統收到病人的症狀描述，它會在這張「地圖」上：

建立症狀關聯網路（Symptom Network）
例如病人提到「頭痛」和「噁心」時，系統會自動聯想到可能的相關症狀，如：

• 「視覺變化」（Visual Changes）
• 「頭暈」（Dizziness）
• 「光敏感」（Photophobia）
  這些可能相關的症狀會提醒醫師進一步詢問。

進行診斷推理（Diagnostic Reasoning）
系統會根據症狀組合，在知識圖譜中尋找可能的診斷路徑，例如：

• 偏頭痛（Migraine）
• 緊張性頭痛（Tension Headache）
• 叢發性頭痛（Cluster Headache）

深度學習引擎：持續進化的醫療助手

系統採用深度學習架構（Deep Learning Architecture），能夠從每次的醫療對話中學習和改進，像永遠保持學習熱忱的年輕醫師，渴望從每個病例中累積經驗。例如系統會學習：

地區特有的表達方式

• 民眾描述「胃痛」可能說「肚子抽筋」
• 長輩形容關節疼痛可能說「骨頭酸」

特定醫師的問診模式

• 有的醫師喜歡先問病史
• 有的偏好從現有症狀開始

系統會根據這些學習，逐漸調整其處理模式，提供更貼近實際臨床需求的協助。

本體論建構（Ontology Construction）
如果我們在建造一座巨大的醫學知識城市，每個概念都是這座城市中的一個建築物，而它們之間的關係就是連接這些建築物的道路。例如：

當系統處理「高血壓」這個概念時，它會自動建立起一個複雜的關係網：

• 上位概念：心血管疾病（Cardiovascular Disease）
• 相關症狀：頭痛（Headache）、頭暈（Dizziness）
• 危險因子：肥胖（Obesity）、壓力（Stress）
• 併發症：中風（Stroke）、心臟病（Heart Disease）
• 治療選項：藥物治療、生活方式改善

關係抽取（Relation Extraction）
系統能夠從醫療文獻和臨床對話中自動學習和建立新的知識關係。例如，當新的研究發現某種藥物的新副作用時，系統會自動更新這個知識到圖譜中。當醫師在診間說：「最近的研究顯示，這種降血壓藥可能會影響血糖值」時，系統會：

• 識別藥物和副作用之間的新關係
• 更新藥物知識庫
• 在之後相關病人的案例中提供這個提醒
• 建立藥物之間的交互作用警示

知識推理機制（Knowledge Reasoning）
像系統的「臨床思維」能力，面對複雜的醫療情況時，系統能夠進行多層次的推理分析。例如：

一位病人同時出現「口乾」、「多尿」和「視力模糊」等症狀時，系統會：

• 建立症狀之間的關聯性
• 推導可能的診斷（如糖尿病）
• 建議需要的檢查項目（如空腹血糖、糖化血色素）
• 預測可能的併發症風險
• 提供整合性的治療建議

這種深度的知識整合和推理能力，使 Ambience Healthcare 在醫師診療過程中提供即時的知識支援，確保不會遺漏重要的臨床線索，同時也能為醫療決策提供更全面的參考依據。

多專科醫療知識整合：「全科」醫師的數位化版本

把世界上最頂尖各科專家的知識都裝進一個超級電腦，就是 Ambience Healthcare 系統的目標，不僅是單一專科的專家，而是涵蓋多個醫療領域的全能助手。假設一位病人主訴是「最近總是感到疲倦，而且容易喘」，系統會同時從多個專科的角度進行分析：

1. 心臟科視角：
   系統會考慮到這可能是心臟衰竭（Heart Failure）的早期症狀。它會提醒醫師詢問是否有腳踝水腫（Ankle Edema）或夜間呼吸困難（Nocturnal Dyspnea）等相關症狀。
2. 胸腔內科觀點：
   同時，系統也會聯想到慢性阻塞性肺病（Chronic Obstructive Pulmonary Disease, COPD）的可能性。它可能會建議醫師詢問病人的吸菸史或職業暴露史。
3. 新陳代謝科思路：
   系統還會考慮到這可能是甲狀腺功能低下（Hypothyroidism）的表現。它會提示醫師注意病人是否有體重增加、怕冷等症狀。

這種多角度的分析就像是在醫院裡同時諮詢多位專科醫師，大大增加診斷的準確性和全面性。

智能問診引導：數位化的醫學偵探

Ambience Healthcare 系統不只是被動地記錄對話，它還能主動引導問診過程，像經驗豐富的醫學偵探。例如一位中年男性抱怨「最近常頭暈」，系統會根據初始資訊引導醫師進行更深入的問診：

症狀細節探索
系統會提示醫師詢問頭暈的具體特徵，如：

• 「是旋轉性頭暈還是搖晃感？」（區分前庭性眩暈和非前庭性頭暈）
• 「頭暈發作時間多長？有什麼誘發因素嗎？」（幫助判斷是否為良性陣發性位置性眩暈 BPPV）

相關症狀查詢
基於初步資訊，系統會建議醫師詢問可能相關的症狀，如：

• 「有沒有伴隨耳鳴或聽力下降？」（考慮梅尼爾氏症 Meniere’s Disease）
• 「有沒有同時出現複視或說話不清的情況？」（是否為中風的前兆）

風險因素評估
系統還會提醒醫師詢問一些重要的背景資訊：

• 「最近有沒有頭部外傷史？」
• 「平時有服用什麼藥物嗎？」（某些藥物可能引起頭暈副作用）

這種智能引導不僅確保問診的全面性，還能幫助醫師避免遺漏重要的臨床線索，像一個永遠不會累的教授，時刻在醫師耳邊提供專業建議（好像有點可怕？）。

生成式 AI 模型（Generative AI Model）：醫療紀錄的智慧筆手

Ambience Healthcare 的生成式 AI 模型採用變形器架構（Transformer Architecture），讓 AI 擁有醫師的大腦，能夠同時處理、理解並產生專業的醫療紀錄。例如在神經內科門診，一位 50 歲的病人描述症狀：「醫師，我上個禮拜四開始，右手就覺得怪怪的，有時候拿東西會掉，筷子也夾不穩。昨天開始連說話都有點不清楚，嘴角感覺歪歪的…」系統的生成式 AI 會即時處理這段對話，運用深度語言理解（Deep Language Understanding）和自然語言生成（Natural Language Generation, NLG）技術，轉換成標準的醫療紀錄：

Chief Complaint: Right hand weakness and dysarthria for 7 days

Present Illness:
- Patient developed right upper extremity weakness 1 week ago
- Presenting with fine motor dysfunction (difficulty in handling chopsticks)
- Progressive dysarthria noted for 24 hours
- Associated with mild facial palsy
- No other neurological symptoms reported

Assessment:
Suspected left hemispheric lesion
R/O:
1. Acute cerebrovascular accident
2. Space-occupying lesion

Plan:
1. Arrange emergency brain CT
2. Evaluate candidacy for rt-PA thrombolysis
3. Urgent neurology consultation

這個看似簡單的轉換過程，實際上涉及了多層次的 AI 技術運作。變形器架構包含多頭注意力機制（Multi-head Attention Mechanism），像在診間同時配置多位專科醫師，每一位都專注於對話的不同面向。一位專注於症狀的時序發展，另一位分析症狀的嚴重程度，還有一位負責整合所有資訊並建立臨床邏輯關聯。例如，當病人描述：「我這幾天總是覺得胸口悶悶的，特別是走樓梯的時候，有時候還會覺得頭暈。」系統會同時啟動多個 Multi-head Attention：

• 症狀時序追蹤（Symptom Timeline Tracking）會注意到「這幾天」這個時間標記，確定症狀的持續時間。
• 嚴重程度評估（Severity Assessment）分析「走樓梯的時候」這個誘發因素，判斷症狀的嚴重程度。
• 臨床關聯性分析（Clinical Correlation Analysis）將「胸口悶」和「頭暈」這兩個症狀聯繫起來，考慮可能的心血管問題。
• 醫療邏輯推理（Medical Reasoning）：綜合所有資訊，初步推測可能是心絞痛（Angina）或其他心血管疾病。

在醫療領域預訓練（Medical Domain Pre-training），系統經過數百萬份真實電子病歷的訓練，這些訓練資料來自不同專科、醫療機構，讓系統學會如何使用精確的醫療術語、遵循標準的病歷書寫格式、進行臨床推理。譬如在處理糖尿病的病歷時，系統學會：

• 專業術語使用：將「血糖高」這樣的口語表達轉換為「高血糖」（Hyperglycemia）這個標準醫學術語。
• 書寫慣例：了解在描述糖尿病時，需要記錄空腹血糖值、糖化血色素（HbA1c）等關鍵指標。
• 標準化格式：學會按照 SOAP 的格式組織病歷內容。
• 臨床邏輯：理解糖尿病與其他代謝疾病、心血管疾病之間的關聯性。

系統也採用特殊的微調技術（Fine-tuning Techniques），像是讓 AI 接受專科醫師的訓練，能夠理解並運用各專科特有的表達方式。例如在神內的記錄，系統經過微調後能夠：

• 詳細記錄神經學檢查結果：例如，當醫師提到 Positive Babinski Sign，系統不只會記錄這個發現，還會自動關聯到可能的上運動神經元病變。
• 描述症狀的時間進程：對於「昨天開始右手無力，今天早上發現說話不清楚」這樣的描述，系統會建立一個精確的症狀時間軸，這對於診斷如腦中風等急性神經系統疾病至關重要。
• 標註定位性診斷要點：當病人描述「右手無力」和「說話不清楚」時，系統會自動推斷可能是左側大腦半球的病變，並在病歷中標註。

相較之下，在心臟科的應用中，系統會特別注重：

• 精確記錄心音心律：例如「S1S2 規律，無雜音」聽診結果。
• 描述心電圖變化：對於「ST 段 Elevation」這樣的描述，系統會自動關聯到可能的心肌梗塞診斷。
• 記錄血行動力學參數：如血壓、心率、心輸出量等重要指標都會被系統詳細記錄和分析。

資料預處理流程：醫療資訊的數位化煉金術

預處理流程像是把原始的礦石提煉成純金的過程，將雜亂的醫療對話轉為結構化的高品質數據。系統可能會收到一段原始的診間對話：

醫師：「最近血壓控制得怎麼樣？」
病人：「醫師，我最近量的都還好，大概都是 145/90 左右，但有時候會覺得頭暈。」
醫師：「嗯，看來血壓還是稍微高了一點。你有按時吃藥嗎？」
病人：「有啊，都很準時吃。」

系統會通過以下步驟處理這段對話：

1. 語音降噪處理（Audio Noise Reduction）：清除背景雜音，提高語音識別的準確度。
2. 隱私保護處理（Privacy Protection）：移除或加密可能涉及病人隱私的資訊。
3. 醫療術語標準化（Medical Terminology Standardization）：將「頭暈」轉換為標準醫學術語「Dizziness」。
4. 結構化轉換（Structured Data Conversion）：將對話內容轉換為結構化的病歷格式。

經過處理後，這段對話可能會被轉換成如下的結構化病歷片段：

S: Patient reports BP readings around 145/90 mmHg. Associated symptom: dizziness.
O: BP: 145/90 mmHg (patient reported)
A: Suboptimal BP control. Consider:
   1. Inadequate medication dosage
   2. White coat hypertension
   3. Masked hypertension
P: 1. Adjust antihypertensive medication
   2. Recommend home BP monitoring
   3. Schedule follow-up in 2 weeks

這種結構化的資料不僅便於醫師快速閱讀，也為後續的機器學習過程提供了高質量的訓練素材。

動態學習與個人化的適應：會進化的 AI 助手

Ambience Healthcare 系統令人驚嘆的特點之一，就是能夠不斷學習和適應，就像永遠保持好奇心的學生，每次診療都是它學習和成長的機會。假設系統注意到一位特定的醫師，總是會在問診中詢問病人的飲食習慣和運動情況；隨著時間推移，系統會逐漸調整其提示，主動將這些問題納入該醫師的標準問診流程中，就像是非常細心的助理（或跟診的住院醫師），隨著時間會越來越了解主治醫師的工作習慣。

學習過程包括幾個關鍵步驟：

1. 新知識收集（New Knowledge Acquisition）
   系統每天都會收集最新的醫療對話和病歷記錄。例如，當醫師在診間提到「最近研究顯示，這種新型降血糖藥可能有心血管保護作用。」系統會立即將這個資訊納入學習範圍。
2. 新術語識別（New Terminology Identification）
   醫學領域常有新的術語出現。如「COVID-19」在 2020 年初開始廣泛使用，系統需要快速學習並整合這個新概念。
3. 知識庫更新（Knowledge Base Update）
   基於新收集的資訊，系統會不斷更新其醫學知識圖譜，如將新發現的藥物副作用添加到相關藥物的資訊中。
4. 語言理解模型優化（Language Understanding Model Optimization）
   通過新的數據不斷微調自然語言處理模型，提高對各種口語表達和方言的理解能力。

假設系統遇到一個新的醫療縮寫「DOAC」（Direct Oral Anticoagulants）：

• 識別這是一個新術語
• 搜索相關的醫學文獻了解其含義
• 把它添加到系統的醫學詞彙庫中
• 更新知識圖譜，建立 DOAC 與抗凝治療、心房顫動等概念的關聯
• 優化語言模型，確保未來能正確理解和使用這個縮寫

這種持續學習和適應的能力，使 Ambience Healthcare 的系統能夠提供越來越精準、越來越客製化的協助，不只是標準化的工具，還能真正理解並適應每個醫師、診所、甚至每個城市獨特需求的智能夥伴。透過動態學習，系統實現「AI + 人類」的協作模式，不是要取代醫師的專業判斷，而是因為不斷學習和適應，成為醫師最得力的助手，共同為病人提供最優質的醫療服務。

產品功能組合：醫療 AI 的實戰應用

AutoScribe：AI 醫療助理的明星產品

如果每位醫師都能擁有一位不用睡覺也精力充沛的助理，完美記錄每一次診療過程的細節，就是 AutoScribe 要實現的願景。這個旗艦產品不只是一個簡單的語音轉錄工具，而是真正理解醫療專業的智能助手。

即時醫療對話記錄的革新

使用 AutoScribe 的家醫科醫師幫一位 65 歲的張奶奶問診：「最近身體還好嗎？上次開的血壓藥吃了有不舒服嗎？」AutoScribe立即開始工作，不只是記錄對話內容：

自動識別關鍵醫療資訊

• 將「藥吃得很不舒服，常常頭暈」描述，轉換為標準醫療用語「藥物副作用（Drug Side Effects）：頭暈（Dizziness）」
• 記錄血壓值的變化趨勢
• 標註需要追蹤的症狀

建立結構化病歷
自動將對話內容組織成標準的 SOAP 格式：

• 主觀資料（Subjective）：病人的主訴和症狀描述
• 客觀資料（Objective）：生命徵象和檢查結果
• 評估（Assessment）：診斷評估
• 計畫（Plan）：治療計畫和後續追蹤

跨專科的全方位支援

AutoScribe 目前支援 23 個醫療專科，從基層醫療到專科診療都能勝任，譬如在心臟內科，系統能精確記錄心臟超音波的 Findings，自動整理出標準化的報告格式，包括：

• 心室功能評估
• 瓣膜狀況
• 血流動力學數據

在骨科門診，系統可以協助記錄：

• 關節活動度測量結果
• X 光影像判讀重點
• 手術治療計畫

智慧輔助工具：超越基礎記錄的進階功能

AutoCDI：診斷編碼的智能助手

現代醫療體系中，正確的診斷編碼（ICD-10）和醫療程序代碼（CPT）對於醫療品質管理和保險給付都極其重要，AutoCDI 如同經驗豐富的醫療編碼專家，時時刻刻站在醫師身旁（好像又有點恐怖），協助優化每一份病歷記錄。例如一位 68 歲的陳先生來到急診，主訴「呼吸困難和胸痛」。醫師進行問診和檢查的過程中，AutoCDI 開始工作：

即時診斷碼建議
當醫師記錄「病人描述突發性的呼吸困難，伴隨左側胸痛，持續約 30 分鐘」時，AutoCDI 立即提供以下建議：

• 主要診斷碼：I21.4（急性心肌梗塞，未特定部位）
• 相關症狀碼：R06.0（呼吸困難）和 R07.9（胸痛，未特定）

臨床決策支援
系統注意到醫師記錄了「病人有高血壓和糖尿病病史」，立即提醒：

• 建議添加慢性病診斷碼：I10（原發性高血壓）和 E11.9（2 型糖尿病，無併發症）
• 提示醫師考慮這些慢性病對當前急性情況的影響

文件完整性檢查
在醫師完成初步評估後，AutoCDI 進行全面檢查：

• 提醒醫師記錄具體的心電圖變化，如「ST段抬高」
• 建議補充記錄 Cardiac Enzyme 檢查結果，以支持急性心肌梗塞的診斷
• 提示記錄 SpO2 與呼吸次數的數值，以量化呼吸困難的程度

醫療程序代碼（CPT）優化
根據醫師記錄的處置，AutoCDI 自動生成相應的 CPT 代碼

• 93010（心電圖判讀）
• 99285（高複雜度急診評估和處置）
• 如果進行了心臟超音波，建議添加 93308（心臟超音波，跟蹤或有限）

品質指標追蹤
系統自動檢查是否符合急性心肌梗塞的治療指引：

• 提醒記錄 Aspirin 的給藥時間
• 檢查是否評估了溶栓治療或緊急冠狀動脈介入的適應症

風險評估輔助
基於記錄的資訊，AutoCDI 自動計算並提示：

• TIMI 風險，幫助評估病人的短期預後
• CHA2DS2-VASc，評估栓塞風險，尤其是考慮到病人的年齡和慢性病史

AutoCDI 不僅確保診斷編碼的準確性，也提升了臨床書面文件的品質和完整性，為後續的治療決策和品質管理提供堅實的基礎。

AutoAVS：個人化衛教的智能製作者

AutoAVS 將傳統的就診後衛教提升到全新的層次，不只產生標準化的衛教單張，而且能根據每位病人的具體情況，製作個人化的衛教資料。例如剛診斷為第二型糖尿病的病人離開診間時，AutoAVS 會：

自動生成個人化衛教內容

• 根據病人的年齡、職業和生活習慣調整建議內容
• 考慮病人的文化背景和教育程度，使用適當的語言表達
• 整合病人特定的併發症風險因素，提供針對性的預防建議

提供多媒體衛教資源

• 製作容易理解的圖表，說明血糖監測的要點
• 提供飲食建議的實際範例
• 加入運動建議的示範影片連結

假設一位 55 歲的林小姐剛被診斷為「乳癌早期」，即將開始治療。在她離開醫院前，AutoAVS 會根據她的情況生成一份個人化衛教資料：

疾病資訊的個人化呈現

• 根據具體診斷（如乳癌的分期和類型），提供相應的疾病介紹
• 使用淺顯易懂的語言解釋專業術語，如「激素受體陽性」或「HER2 陰性」的含義
• 提供 3D 動畫影片連結，說明腫瘤的位置和預計的手術方式

治療計畫的詳細說明

• 列出個人化的治療時間表，包括手術、化療、放療的安排
• 解釋每種治療方式的目的、過程和可能的副作用
• 提供應對常見副作用（如噁心、疲勞）的實用建議

生活方式調整建議

• 根據林小姐的職業（假設她是一名老師），提供如何在工作期間管理治療副作用的建議
• 考慮到她有兩個青少年子女，加入如何與家人溝通病情的指導
• 提供適合乳癌病人的運動建議，包括運動影片的連結

營養指導

• 基於林小姐的身體狀況和治療計畫，制定個人化的營養建議
• 提供適合化療期間的食譜和營養補充建議
• 加入警示食物清單，如在特定化療藥物使用期間需要避免的食物

心理健康支持

• 納入應對焦慮和抑鬱情緒的自我幫助技巧
• 提供當地乳癌病友互助團體的資訊
• 推薦適合癌症病人的正念冥想 App

後續追蹤提醒

• 生成個人化的追蹤檢查時間表
• 設置智能手機日曆提醒，確保不錯過重要的回診和檢查
• 提供需要立即就醫的警示症狀清單

資源整合

• 提供可信的線上資源連結，如台灣癌症基金會的衛教資料
• 推薦適合乳癌病人的書籍和影片
• 列出當地提供乳癌病人協助的社福機構聯繫方式

互動式學習元素

• 加入小測驗，幫助林小姐檢視對疾病和治療的理解
• 提供互動式工具，如副作用追蹤日記模板

多語言和多媒體支援

• 提供中英文版本的資料，方便與國外的家人分享
• 整合圖表、影片和多媒體資料，滿足不同的學習偏好

持續更新機制

• 設置系統，根據林小姐的治療進展和新出現的研究發現，定期更新衛教內容
• 允許醫療團隊根據林小姐的反饋調整衛教內容

藉由這類全面且個人化的衛教資料，AutoAVS 不僅提供豐富的資訊，也給予林小姐面對疾病的信心和工具。這種深度個人化的方法提升病人的 Medical Compliance 和自我管理能力，最終改善治療效果和生活品質。

John Muir Health導入經驗：醫療AI的成功實證

John Muir Health（JMH）是美國加州最具規模的醫療體系之一，有超過 1000 名臨床醫師，是 Ambience Healthcare 系統的早期採用者。

顯著的時間效益

導入 Ambience Healthcare 系統後，JMH 的全職臨床醫師平均每天節省了 1–2 小時的電子病歷文書工作時間：醫師們終於能夠在正常工作時間內完成所有文書作業，不必再把工作帶回家。一位資深內科醫師分享：「以前我每天都要花費2–3小時的『睡衣時間』（Pajama Time）處理病歷，現在這個情況徹底改變了。」所謂的「睡衣時間」，指的是醫師在下班後、週末，甚至深夜不得不繼續完成的文書工作。系統的導入顯著減少這種情況，讓醫師能夠擁有更健康的工作生活平衡。

迅速的系統適應

JMH 的臨床醫師們在極短時間內就熟練使用 Ambience 系統。根據使用數據顯示，大多數醫師在不到一個診次（約 4–6 小時）的時間內，就能完全掌握系統的操作。快速的學習曲線打破了醫療科技產品「導入困難」的刻板印象，一位家醫科醫師表示：「系統的介面非常直覺，就像聰明的助理在身邊，知道我想要什麼，也了解我的工作習慣。」這種無縫的整合讓醫師們能夠專注於病人照護，而不是被技術問題困擾。

病歷品質的提升

在 JMH，Ambience 系統產生的病歷品質普遍優於傳統手寫或打字的記錄。

Traditional Documentation (Before):
Pt c/o SOB, chest pain. VS stable.
Plan: CXR, labs, f/u prn.

Ambience-Generated Documentation:
Chief Complaint: Shortness of breath and chest pain for 2 days

Subjective:
- Progressive dyspnea on exertion
- Left-sided chest pain, non-radiating
- No associated symptoms
- No recent trauma or travel

Objective:
Vital Signs:
- BP: 128/76 mmHg
- HR: 82/min, regular
- RR: 18/min
- O2 sat: 98% on RA
- Temp: 37.1°C

Physical Exam:
- Cardiac: Regular rate and rhythm, no murmurs
- Lungs: Clear to auscultation bilaterally
- No peripheral edema

Assessment:
1. Acute chest pain
   - R/O Acute Coronary Syndrome
   - R/O Pulmonary Embolism

Plan:
1. Chest X-ray
2. CBC, CMP, Troponin, D-dimer
3. ECG
4. Follow up in 2 days or sooner if symptoms worsen

全面推廣的成功

基於初期的成功經驗，JMH 決定在全體系推廣 Ambience Healthcare 的解決方案。截至 2024 年第一季，已有超過 80% 的門診部門完成系統導入，預計在年底前達到 100% 的覆蓋率。成功導入歸功於幾個關鍵因素：

1. 系統的高度適應性，能夠配合不同專科的需求
2. 完善的教育訓練和技術支援
3. 明顯的效益展現，激發醫師的使用意願
4. 醫院管理層的全力支持

持續的效益評估

JMH 建立效益追蹤機制，定期收集使用數據和使用者回饋。根據最新統計：

• 醫師的工作滿意度提升 35%
• 病歷完成時效提升 83%
• 醫病互動品質評分提升 42%
• 醫師的工作壓力指數下降 28%

市場發展與前景 — 生成式AI醫療的爆發性成長

全球市場規模分析

生成式 AI 在醫療領域展現出驚人的成長潛力。2023 年全球市場規模約為 18 億美元（Global Generative AI in Healthcare Market Size），預計到 2034 年將突破 397 億美元，年複合成長率（CAGR）達 35.17%。這樣的成長速度遠超過其他科技領域，反映出醫療產業對 AI 技術的迫切需求。

假設一家中型醫院在 2023 年投資 100 萬美元在生成式 AI 系統上，按照目前的成長趨勢，到 2034 年，類似規模的 AI 系統投資可能會創造超過 1000 萬美元的價值，包括：

• 提升醫療效率帶來的收益
• 降低醫療錯誤造成的成本節省
• 提高病人滿意度帶來的聲譽價值

區域市場動態：亞太地區的AI醫療革命

新加坡：打造全球 AI 醫療創新樞紐

新加坡在醫療 AI 領域展現出強勁的領導地位，政府更宣布投入 1.5 億美元推動公共醫療體系的生成式 AI 應用。這筆資金將用於開發和測試創新技術，並在 2025 年前將其擴展為全國性的專案。

以新加坡國家級的 AI 眼底檢查系統 SELENA+（Singapore Eye Lesion Analyser）為例，這套系統不僅能夠精確檢測糖尿病視網膜病變，還可以診斷青光眼和老年性黃斑部病變。系統的導入預計可以：

• 將眼科醫師的工作量減少高達 50%
• 將檢查結果的等待時間從數天縮短到數分鐘
• 到 2050 年，預計可服務超過 20 萬名糖尿病患者

新加坡的醫療科技機構 Synapxe 更進一步與微軟合作，開發醫療專用的 Secure GPT 平台，為醫療專業人員提供安全的大型語言模型和生成式 AI 應用環境。新加坡國立大學醫療系統（NUHS）也開發了自己的 AI 聊天機器人 RUSSELL-GPT，能夠快速總結病例並撰寫轉診信。

中國：AI 藥物研發的新興力量

中國在 AI 醫療領域的發展同樣令人矚目，特別是在 AI 藥物研發的方面。以 XtalPi 為代表的企業展現出驚人的創新能力和市場潛力。這家由麻省理工學院（MIT）量子物理學家創立的公司，透過結合 AI、量子物理和雲端超級運算技術，徹底改變了傳統的藥物研發流程：

• 在輝瑞舉辦的全球晶體結構預測競賽中達到 100% 的預測準確率
• 將藥物研發時間從傳統的 2–6 個月縮短到不到 2 週
• 已與全球 150 多家製藥公司合作，包括 20 大製藥企業
• 參與開發新冠口服藥 Paxlovid 等重要藥物

根據最新市場預測，中國的生成式 AI 市場預計到 2030 年將成長至 311.2 億美元，年複合成長率達 46.48%，這樣快速的成長主要得益於：

• 政府對 AI 發展的大力支持
• 龐大的人口基數提供豐富的醫療數據
• 完善的數位基礎建設
• 活躍的創新創業生態系統

Ambience Healthcare的市場定位與發展策略

最新融資輪次詳析

Ambience Healthcare 於 2024 年 2 月 6 日完成了 7000 萬美元的 B 輪融資，由 Kleiner Perkins 和 OpenAI Startup Fund 共同領投，現有投資者 Andreessen Horowitz 和 Optum Ventures 也參與其中，這輪融資使公司的總募資金額達到 1 億美元。根據 PitchBook 的資料，公司在 2022 年 A 輪融資時的估值為 1.26 億美元。

創始團隊背景與創業歷程

公司由兩位麻省理工學院（MIT）校友 Michael Ng（執行長）和 Nikhil Buduma（首席科學家）共同創立。兩位創辦人都曾經歷過重大的醫療史 — 一位是脊椎骨折，另一位則是心臟的問題。這些親身經歷讓他們對醫療系統的運作有更深刻的理解，促使他們致力於改善醫療服務流程。

技術優勢深度解析

專科的自然語言處理技術

• 開發針對 23 個不同專科的專業術語辨識系統
• 建立醫療專用的大型語言模型，能夠理解複雜的醫療術語和診斷邏輯
• 支援多種語言和方言的即時轉譯，特別適合多元文化的醫療環境

電子病歷系統整合能力

• 與主流電子病歷系統（如 Epic、Cerner、MEDITECH）無縫對接
• 開發專有的 API 介面，確保資料交換的安全性和即時性
• 提供客製化的整合方案，適應不同醫療機構的特定需求

多專科支援系統

• 為心臟科、腫瘤科、兒科、耳鼻喉科等多個專科開發專門的記錄模板
• 建立跨專科的知識圖譜，協助醫師進行全面的病情評估
• 支援複雜的多專科會診記錄和協作流程

Conclusion

在台灣，我們擁有得天獨厚的發展條件，在醫療 AI 領域具有獨特的競爭優勢。首先，全民健保數據庫是世界上最完整、最長期的醫療數據庫之一，涵蓋近 2,400 萬人口超過 25 年的就醫記錄，包括門診、住院、處方、手術等醫療資訊，為 AI 模型的訓練提供蠻好的基礎。例如，在開發針對台灣人的慢性病預測模型時，可以利用這些長期追蹤數據，建立更準確、符合台灣特性的 AI 演算法。

其次，台灣擁有高度資訊化的醫療體系。幾乎所有醫療機構都已經全面應用電子病歷系統，許多大型醫院更是走在醫療資訊化的前沿。以台大醫院為例，智慧醫院計畫不僅包括先進的電子病歷系統，還整合智能排程、智慧藥櫃、AI輔 助診斷等多項應用，高度資訊化的環境為 AI 技術的導入和應用提供了理想的平台。

再者，台灣擁有優質的醫療和 IT 人才。台灣的醫學教育水準在國際上享有盛譽，每年培養出大量高品質的醫療專業人員。台灣也是全球知名的 IT 人才輸出地，在軟體開發、硬體設計等領域都有出色的表現。這種醫療專業知識和 IT 技術的結合，為醫療 AI 的發展提供了獨特的人才優勢。例如，在開發針對特定疾病的 AI 診斷系統時，醫療專家可以提供專業的臨床見解，而 IT 專家則能將這些見解轉化為高效的演算法和資訊系統。

最後，台灣擁有完善的資通訊基礎建設。全台範圍內的高速網路覆蓋、5G 技術的快速普及，以及雲端運算資源的廣泛應用，為大規模部署和運行醫療 AI 系統提供堅實的技術支持。例如在推動遠距醫療服務時，這些通訊基礎設施能夠確保高品質的視訊診療和即時數據傳輸。

Ambience Healthcare 在專科深度整合方面，展現出遠超簡單語音轉錄的能力。以復健科的應用為例，系統不僅能識別專業術語和評估量表，還能深入理解功能評估的邏輯。當一位醫師在進行巴氏量表（Barthel Index）評估時，系統不僅能準確記錄分數，還能理解每個項目背後的功能含義。例如，在「移位」項目中，系統能夠區分「完全依賴」、「需要大量協助」和「需要少量協助」之間的細微差別，並在生成報告時提供相應的功能描述和改善建議。

在自然語言處理能力方面，Ambience Healthcare 採用大型語言模型技術，不僅能夠處理中文，還能理解台語、客語等方言，在台灣的臨床環境中尤為重要，因為許多長輩可能更習慣使用方言溝通。系統能夠理解醫療專業用語和日常口語表達之間的對應關係，當病人說「我的胃會燒燒的」時，系統能夠將其解讀為可能的「胃酸逆流」症狀。

在多模態整合方案方面，Ambience Healthcare 展現出強大的數據整合能力，不僅能處理文字和語音數據，還能整合各種醫療影像、功能評估數據和生理監測訊號。在復健醫學的應用中，評估一位中風病人的恢復進展時，系統可以同時分析：
1. 腦部 MRI 影像
2. 日常功能評估量表的分數變化
3. 物理治療期間記錄的步態分析數據（如果有的話）
4. 佩戴式設備收集的日常活動量數據（如果有的話）

系統能夠將這些多元化的數據整合分析，生成全面的進展報告，幫助醫療團隊制定更精準的治療計劃。這種多模態整合的能力，使 Ambience Healthcare 的系統成為真正的智能醫療助手，能夠為醫療專業人員提供全方位的決策支持。

— –

📒 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.