Deep Medicine [Chapter 7] 告別鍵盤醫師：從「厚病歷」到「輕醫療」

醫師的「模式」與「非模式」困境

診間裡，最熟悉的不是病人的臉龐，而是冰冷的鍵盤與螢幕，我們忙著在電子病歷系統上敲敲打打，應付永遠看不完的病歷資料與日新月異的醫學文獻。病人覺得醫師冷漠不耐煩，而醫師自己也因這些繁瑣的行政工作，瀕臨過勞與憂鬱的邊緣，這種「電子儀式」不僅阻礙了眼神交流與醫病溝通，也讓醫師的傾聽與互動能力大打折扣。

全球頂尖的心臟科權威與數位醫學先驅艾瑞克·托波爾博士（Dr. Eric Topol）精闢指出，這正是當代醫療的普遍困境，放射科或病理科醫師是典型的「模式辨識」（Pattern Recognition）專家，他們的工作是判讀影像或病理切片，找出既定的模式來診斷。然而，對於大多數第一線的家醫科、內外科、急診、以及我們復健科醫師來說，日常工作並非只有單純的模式辨識。

我們的核心任務是整合資訊：結合病史、理學檢查、影像報告、實驗室數據，甚至還要考量龐大的醫學文獻，最終與病人及家屬溝通，擬定治療計畫。這種複雜的認知與溝通過程，無法輕易簡化為一個讓 AI 簡單處理的演算法，大部分醫師的臨床工作，是一種「無模式」（Clinicians without Patterns）的複雜解謎遊戲。這種「無模式」的特性，讓 AI 在醫療領域的應用，不再是取代醫師，而是成為我們最強大的夥伴，幫我們處理那些重複、繁瑣、數據密集的任務，把醫師寶貴的時間與心力，真正歸還給病人，讓我們有更多的時間去傾聽、去溝通、去實踐深度的醫療關懷。

醫師的「厚病歷症候群」與資訊鴻溝

在電子病歷出現的古早年代，想快速判斷一個病人有多複雜，有個症狀叫「厚病歷症候群」（Thick Chart Sign）；但就算進入現在的數位化時代，這個夢魘依然存在。當初診病人或要尋求第二意見的病人，把來自四面八方的紙本、Email 病歷副本或光碟堆到你面前時，動不動就是幾十頁甚至上百頁等著你看。數位化病歷本來應該要來解放臨床醫師的，但現在市面上主流的電子病歷系統，常常整理得亂七八糟，搜尋功能也爛到不行，讓我們在看診前想快速抓到病人重點，變得難上加難。你知道光是學會怎麼操作一套 EHR 系統，平均就要花超過 20 個小時嗎？搞懂 HIS 系統的複雜度，常常比搞懂病人本身還要困難。更慘的是資料的「不完整」，一個人的健康資訊，遠比 EHR 裡記載的要多得多：

病人在其他醫院或診所的就醫紀錄，通常不會自動整合。
病人年輕時或住外地時的舊疾和醫療問題，往往缺乏連貫紀錄。
病人自己在家測量的血壓、心律、血糖等感測器數據，幾乎沒進到病歷。
好幾百萬人都去做了基因檢測，但那些數據也沒有跟病歷整合。
病人在 Facebook、IG、Thread 這類社群網路上發的內容，完全被忽略。

就算醫師能把手上的 EHR 摸得一清二楚，他看到的也只是一個狹隘、殘缺的視角；這種破碎的電子健康紀錄，也同樣讓 AI 的超能力無處發揮。最理想的狀況是，AI 應該要能挖掘並整合一個病人的所有資料 — — 前提是這些資料是全面、整齊、精簡且結構化的。可惜，我們到現在還沒看到這種大神級產品問世，但托波爾博士相信，如果哪天真的做出來了，那不僅能大大提升醫師的工作效率，更能讓我們對每個病人有更深入、更有意義的評估。

AI 的美好承諾：解放醫師，提升照護品質

儘管面臨重重挑戰，AI 在醫療領域最核心的目標，是將醫師從數據的泥沼中解放出來，讓他們重新專注於「人」的層面。

解放雙手，告別鍵盤！ — — Digital Scribe 的崛起

診間裡醫師忙著在鍵盤上敲敲打打，與病人面對面的接觸、觀察肢體語言的機會，以及人際溝通最核心的溫度，逐漸在敲擊聲中消失。這種感受是雙向的：病人感覺不到醫師的同理心，而醫師也因為電子病歷的重擔而感到挫折，心裡很清楚自己的傾聽和互動能力已經大打折扣。電子病歷剛出現時，為了解決這個問題，還催生了一個全新的行業 — — 「醫療書記官」（Scribe），就像外包的鍵盤手，讓醫師可以專心和病人互動。像是 ScribeAmerica 這樣的公司，現在在全美已經是個大產業，為各地的醫療體系提供轉錄服務。到了 2016 年，全美已經雇用了超過 2 萬名書記官，當時還預測到了 2020 年，需求會暴增到 10 萬人 — — 等於每 7 位醫師就需要配一位書記官，許多報告都顯示多了這位「鍵盤手」，醫病雙方滿意度都提升了。

但這顯然不是完美的解方，額外雇用這麼多全職員工，只會讓原本就像天價一樣的 Epic 或 Cerner 這種電子病歷系統，成本變得更加嚇人。再者，診間裡突然多了一個陌生人，也可能會讓病人不好意思跟醫師聊一些私密的話題。把電腦搬進診間，是醫療數位化最初的嘗試，但許多人認為這根本是一場徹頭徹尾的失敗。解鈴還須繫鈴人，解決這個「機器」問題的答案，可能還是得靠另一個「機器」。

技術深度解析：環境感知 AI（Ambient AI）數位書記官

在一個連家裡都有 Alexa、小艾老師、Siri 語音助理的時代，我們真的還需要打字嗎？用講的明明就快多了，光是要輸入一個病人的抽菸史 — — 比如說，他一天抽三包菸、抽了二十年，五年前戒菸 — — 用打字的可能要花上好幾分鐘，但用講的不過就幾秒鐘的事，AI 的語音處理能力，早就超越了人類專業的轉錄員。

自動語音辨識（ASR）：這能將醫師與病人之間自由流動的對話即時錄音、轉錄成文字檔的基礎。想像診間裡裝設了隱形的麥克風，精準捕捉每一次的對話，並快速轉譯成文字。
大型語言模型（LLM）／自然語言處理（NLP）：LLM／NLP 能進一步處理這些非結構化的對話文本，自動識別其中的關鍵資訊（例如病史、主訴、身體檢查發現、診斷、治療計畫、醫囑等），並整理成結構化、精簡的病歷摘要，不單是簡單的文字複製貼上，而是理解語義，提煉精華。
機器學習（ML）與客製化學習：為了讓病歷生成更符合個別醫師的偏好與寫作風格，系統還會透過機器學習不斷優化，例如當醫師審核並編輯了 50 份以上的筆記後，系統會學習其習慣，未來需要仔細校稿的力氣就會越來越少，最終筆記就能順暢地存入電子病歷中，是個無縫接軌、高效率的方式，用自然語言處理來取代人類書記官，不但能降低成本，還能保留醫病之間面對面的珍貴交流。

兩年前 Dr. Eric 預言的「環境感知臨床文件（Ambient Clinical Documentation）」技術，如今已在美國市場大規模導入：

Nuance（Dragon Ambient Experience Copilot, 簡稱 DAX Copilot）：已嵌入主流的 Epic 及 Meditech Expanse 電子病歷系統中，全美有超過 150 家醫院啟用。醫師們普遍回饋，文書工作時間減半，高達七成的醫師表示「燒燙傷」式的過勞感明顯下降。
Abridge：這家公司與美國最大的腫瘤醫療體系試辦合作，結果顯示每週平均可節省 1.5 小時的文書時間，同時還能捕捉更多「高風險慢性病診斷碼（HCC Coding）」，不僅提升帳務的精準度，也確保醫療機構獲得更合理的給付。
學術驗證：愛荷華大學的一項研究，在導入數位書記官技術前後進行了為期五週的比較，結果顯示醫師的整體「職業耗竭分數」（Stanford PFI Index）從 4.16 降至 3.16（分數越低越好），改善幅度具有統計學意義。證明 AI 在改善醫師福祉方面的潛力。

台灣的創新實踐：台灣在數位書記官領域也展現了強勁的創新動能，並開始解決本土醫療的痛點：

中國醫藥大學附設醫院：開發「MIRA 病史語音寫作助理」，整合最新的 ASR 與 LLM 技術，將傳統需耗時 20–30 分鐘的病歷撰寫工作大幅縮減至僅需 5–6 分鐘，效率提升高達 80%；護理語音寫作助理的表現：字詞錯誤率僅為 14.47%，13 分鐘音檔的語音轉換處理時間僅需 63 秒，護理師交班後原本需額外花費 1 小時時間完成護理紀錄，導入 MIRA 後僅需 15 分鐘內即可完成標準化護理紀錄。中醫大附醫更因此在 2024 年獲得全球醫療機構智慧醫療高品質指標 HIMSS 評比全球冠軍，是台灣首度獲得這項殊榮的醫院。
花蓮慈濟醫院：推出全球第一個原住民語 AI 護理師，精通 18 國語言，結合台灣本土 AI 語音辨識技術「雅婷」及生成式 AI「FedGPT」，解決偏鄉醫療的語言障礙問題，對於偏鄉醫療資源不足的地區，以及多元族群的醫療平等性，具有指標性的意義。

儘管前景光明，數位書記官的全面普及仍面臨挑戰：

人工核閱的必要性：目前，臨床上仍需要人工進行最後核閱，還沒有哪一款系統能百分之百解析非語言暗示，例如病人的肢體語言、語氣變化等。
多語系與方言辨識準確度：雖然花蓮慈濟醫院有所突破，但普遍而言，多語系或方言的語音辨識準確度仍低於 90%，這是台灣這種多國語言環境需要克服的痛點。
病人參與與資料清理：透過讓病人參與編輯自己的病歷，有助於修正電子病歷中長期存在的錯誤，例如複製貼上的醫囑或不準確的診斷，不僅能清理數據，也能提升病人對自身病歷的理解與掌控。
隱私疑慮：當所有對話都被錄音、存檔，甚至部分內容會被寫進病歷時，可能會讓原本輕鬆、自由的交談變得綁手綁腳，醫療機構在推廣時，需充分溝通並確保病人知情同意，建立信任。

數位書記官直接解決醫師工作流程中的核心痛點，提升效率，改善醫師滿意度，並可能間接提升帳務精準度。對於新創公司而言，技術的穩定性、多語言支援能力，以及與現有 EHR 系統的無縫整合能力，將是競爭關鍵優勢。

打造個人化的醫療決策輔助 — — 從 CDSS 到 AIMS 的演進

除了門診對話，看診流程中的其他環節，也早就準備好要被機器學習大改造，包括了大家可能很熟悉的「臨床決策輔助系統」（CDSS）。幾十年來，大家一直都在更新和使用這些演算法，希望能讓醫師的工作更輕鬆、醫療品質更好。理論上這些演算法應該要能幫我們檢視病人數據、給點診斷或處置的建議、提醒該打疫苗、揪出藥物過敏或交互作用，避免潛在的用藥錯誤。

傳統 CDSS 的不足：
理想很豐滿，現實很骨感，一篇涵蓋 28 個隨機試驗的系統性回顧，結果發現 CDSS 根本沒辦法提升病人的存活率，頂多只能稍微降低一點併發症的機率。到目前為止，大家對 CDSS 最大的抱怨就是它太愛刷存在感，跳出一大堆提示和警報，根本在打亂我們的工作節奏，現有的決策支援系統，跟近年 AI 的進展比起來，可以說是上個世紀的產物。

Dr. Eric 的 AIMS 願景：
有一件事肯定能讓這些系統大升級，那就是吃進去所有醫學文獻，把龐大的知識庫直接帶到每個病人的診間，協助醫師做出更準確的診斷和最佳的治療建議，比現在的標準作法好很多 — — 醫師們現在不是上 Google 查資料，就是花錢用 UpToDate 查指引（而且還不是每家醫院都有購買）。

但話說回來，能即時更新最新的生物醫學研究，其實還不是終極目標，Dr. Eric 引用英國知名流行病學家奧斯丁·布拉德福德·希爾（Austin Bradford Hill）的一句名言：「研究並沒有告訴醫師他真正想知道的事。」研究或許可以鐵證如山地告訴你，A 療法平均來說比 B 療法好，但並沒有回答第一線醫師心中的那個大哉問：「當我把這個藥用在眼前這個特定的病人身上時，最可能發生的結果是什麼？」

AIMS（擴增個人化醫療支援）的核心理念就是為了解決這個問題而生。它不再依賴不存在的「平均病人」數據，而要為「特定」病人做出最佳決策。

多維度數據整合與個人化趨勢辨識
要為眼前的特定病人做出最好的決定，不管是醫師還是 AI，都需要把這個人的所有數據 — — 心理的、生理的、社會的、行為的、環境的 — — 全部整合進來，而不是只依賴大規模群體的平均效果。

拋棄二分法的正常值：我們現在還在用一種很原始的方法來看報告，就是拿去跟一個基於群體的「正常值」範圍比對，看它是否「正常」；這種做法反映醫界對於那個不存在的「平均病人」的執著，而沒有考慮到不同種族和族裔在檢驗值上的差異，但我們明明知道監測糖尿病的糖化血色素（Hemoglobin A1C）或監測腎功能的肌酸酐（Serum Creatinine），非洲裔和歐洲裔的人數值就是很不一樣。
在所謂的「正常範圍」內，其實還隱藏著許多寶貴的資訊。例如一位男性病人，他的血紅素在過去五年內，從 15.9 g/dL 穩定降到 13.2 g/dL，雖然這兩個數字本身都還在正常範圍內，所以檢驗報告上絕對不會亮紅字，忙爆的醫師可能不一定會特別去回溯這麼長期的數據變化，但這種幅度的下降對這個「個人」來說，很可能是一個早期疾病的警訊，比如潛在的內出血或癌症。我們把自己困在一個只有「正常」或「異常」的二元世界裡，卻忽略那些我們本可以好好利用的、豐富又連續的精細數據，這正是深度學習（Deep Learning）可以大顯身手的地方，針對「個人」全面且即時更新的資訊進行分析，真正告訴醫師他們想知道的事。
整合多維度數據：AI 能整合基因風險分數、感測器數據、乃至社群媒體內容。舉例來說，Statin 類藥物雖然被證實能降低心臟病發作風險，但大規模試驗顯示每治療一百人，僅 2–3 人受益。AI 透過結合傳統風險因子與基因風險分數（例如 23andMe 或 AncestryDNA 的數據），能更精準地預測特定病人是否會受益於 Statin 治療。類似的基因風險分數，也已在乳癌、前列腺癌、心房顫動、糖尿病和阿茲海默症等多種疾病證實有效。

現實案例與商業模式

諾丁漢團隊與波士頓大學：英國諾丁漢的團隊運用近 38 萬名病人的 EHR 數據，透過多層神經網路預測十年冠心病風險，結果準確率（AUC 值 0.814）高於美國心臟學會（ACC／AHA）傳統模型（0.76）。波士頓大學也採取相似做法，將社經參數納入，準確率達 80%，遠勝於傳統的弗明罕（Framingham）臨床風險因子（56%），證明 AI 在宏觀數據分析上，已能提供更精準的風險評估，對於健康保險、疾病預防等商業應用具有巨大價值。
Tempus Labs 腫瘤領域的全面性策略與「數位分身」：當初 IBM Watson 決定進軍醫療界時，大家一點也不意外它會把癌症當成首要目標，因為腫瘤科的數據量極其龐大，但 IBM Watson 卻是雷聲大雨點小，號稱能讓醫師一天閱讀 5,000 篇論文，但實際上它處理的只是論文摘要，且無法真正理解非結構化的文字。它的建議有時甚至會偏離治療指引，給出錯誤且危險的建議，且知識庫僅基於少數專家的經驗，讓許多人對 AI 抗癌之路感到卻步。不過，由團購網站 Groupon 創辦人艾瑞克·萊夫科夫斯基（Eric Lefkofsky）於 2015 年創立的 Tempus Labs，卻為腫瘤 AI 帶來了新的希望，他在太太罹患乳癌後，發現醫界缺乏整合數據的能力，因此決定親自投入，修整癌症底層的數據基礎設施，迎來精準醫療的曙光。
Tempus 的技術與商業模式：

數據基礎設施：Tempus 從基礎設施著手，整合多維度數據，包括病人的原生 DNA、腫瘤 DNA、RNA 定序，血漿中的循環腫瘤 DNA（液態切片），腫瘤和病人本身的免疫系統狀態，甚至在培養皿中培養癌細胞（類器官）來測試藥物反應，分析活體癌細胞來評估術後風險。一個病人身上就能產生數個 TB（兆位元組）的數據，截至 2017 年，Tempus 已擁有超過 1.1 萬名病人的 2.5 PB（Petabyte，千兆位元組）數據，並持續擴增。
全面性分析與「數位分身」（Digital Twin）：Tempus 不只對病人做全面的分子與臨床數據分析，還會運用最近鄰分析（Nearest Neighbor Analysis）找出與當前病人最相似的去識別化病人（在人口學和生物學上），然後提供這些「數位分身」的治療與預後資訊。這是基於「深度表型分析」（Deep Phenotyping）和「深度數據分析」（Deep Analytics）的模型，旨在幫助腫瘤科醫師做出有數據驅動的決策，對於新藥開發、臨床試驗招募，以及精準醫療方案的制定，這種模式都具有極高的商業價值。
生成式 AI 的整合：Tempus Labs 預計在 2025 年將生成式大型語言模型（LLM）嵌入「類器官反應」報告，自動生成治療比較與預後摘要，早期測試顯示建議正確率達 89%，將進一步提升其決策輔助系統的自動化和智能化程度。
透明度與可信賴：Dr. Eric 認為 Tempus 在短短兩年內就超越了 IBM Watson 花了五年多投入巨額資本才做到的事，Tempus 堅持完全透明，並將數據發表在 Peer-Review 的期刊上，避免成為下一個 Theranos。

SOPHIA GENETICS：另一家總部在瑞士的公司 SOPHIA GENETICS，也有全球 55 個國家超過 400 家機構中使用他們的平台，整合臨床、分子和影像數據來協助腫瘤科醫師，顯示多模態數據整合在腫瘤治療領域的廣闊應用前景。

監管新現實與投資風險提示
隨著 AI 在醫療決策中的角色日益重要，監管機構也開始制定新的規範：

FDA 的預定變更控制計畫（Predetermined Change Control Plan）：美國 FDA 在 2024 年 12 月正式發布這項計畫，允許「自我學習」醫療軟體在既定風險範圍內快速更新，對於 AIMS 這類需要持續學習和進化的系統很重要，能加速它們的迭代速度，使其能更快應用於臨床。
歐盟 AI 法案（EU AI Act）：同月生效的歐盟 AI 法案，要求高風險醫療 AI 必須具備持續品質監測機制，並要求「模型更新」應有數位指紋，確保追蹤版本與訓練資料來源。
資料偏差與族群公平：研究者同時警示，數位分身模型若以單一種族或單一醫療體系資料訓練，可能放大健康差距，FDA 明訂上市後必須提交年度性能監測報告，若跨族群敏感度差異超過 5%，需停止自動推論功能並修正。

AIMS 的發展方向是朝著更精準、更個人化的醫療決策邁進，在精準醫療、藥物開發、以及慢性病管理等領域都有很大的助益，能夠有效整合多維度數據、提供可解釋性分析、並符合日益嚴格的監管規範的 AI 解決方案，將會是未來的贏家。

AI 在「模式辨識」領域的驚人突破

儘管大多數臨床醫師的工作屬於「無模式」，但 AI 在那些「模式辨識」為核心的專科領域，已經取得了驚人、甚至超越人類專家的成果，為醫療 AI 的商業化鋪路。

1．眼科：醫療 AI 的「領頭羊」（Pacesetter）

Dr. Eric 認為，雖然放射科和病理科是 AI 最早、也進展最快的領域，但眼科的驚人突破，讓他覺得這科搞不好會成為長期的領頭羊，原因在於眼睛是靈魂之窗，也是身體的窗戶，能從中窺見許多全身性疾病的早期徵兆。

應用實例與技術細節

糖尿病視網膜病變（Diabetic Retinopathy）：全球造成視力喪失的頭號殺手，影響了全世界超過一億人，美國估計有近 30% 的糖尿病病人患有此病，是個巨大的公衛問題，常規篩檢卻常常因為各種原因沒有做到，儘管有有效治療可以延緩惡化、預防失明。

Google 的深度學習演算法：Google 的研究團隊開發了一套深度學習演算法，可以自動偵測糖尿病視網膜病變和黃斑部水腫，他們使用超過 12.8 萬張視網膜影像進行訓練，並由 60 多位合格眼科醫師進行分級，結果顯示這套軟體的敏感度高達 87–90%，特異性更是驚人的 98%。
IDx-DR（Digital Diagnostics）：這是史上第一個針對 AI 的前瞻性臨床試驗，也是全球首款自治診斷系統獲得 FDA 核准的產品，IDx 公司開發了一套深度學習演算法，搭配 Topcon 的視網膜攝影機來偵測糖尿病視網膜病變。他們在美國十個據點，找了 900 位糖尿病病人，讓他們在基層醫師的診所裡，直接用 IDx 的機器和演算法做眼底檢查，影像會立刻上傳到雲端進行分析，幾分鐘內結果就出來了。結果顯示，對於糖尿病視網膜病變的診斷準確率相當高，敏感度 87%，特異性 90%，不過並沒有像之前那些回溯性研究講的那麼神（那些研究的 AUC 值可以高達 0.99），提醒我們回溯性研究的數據可能過於樂觀，真實世界的效能驗證更為關鍵。
EyeArt（Eyenuk）與 AEYE-DS：EyeArt 在 2024 年擴充至多品牌相機，並在香港證實 96.2% 的敏感度和 94.7% 的特異度；AEYE-DS 則在今年 4 月取得全球首張「手持型 AI」FDA 核准，可於一分鐘完成單張影像判讀，敏感度約 93%、特異度 90%。手持型設備大幅降低篩檢的門檻，對於偏遠地區或基層醫療的普及具很大的意義，也為相關軟硬體新創帶來了巨大的商機。

黃斑部病變（AMD）與眼球光學同調斷層掃描（OCT）：另一個造成失明的主因，同樣能透過及時治療預防或延緩惡化。

Moorfields 眼科醫院與 DeepMind 合作：倫敦 Moorfields 眼科醫院與 Google 旗下的 DeepMind 合作，打造了一個深度學習演算法，來處理每年超過一百萬次的高解析度 3D OCT 檢查；OCT 拍攝的是視網膜組織的橫切面影像，能準確診斷大部分的視網膜疾病，包括黃斑部病變，而且常常在病人都還沒出現症狀前就能發現。研究顯示，AI 在判讀和決定是否需要緊急轉診這件事上，對於超過 50 種眼疾的準確度，至少跟頂尖的視網膜科醫師一樣好、甚至更好，它的誤判率（False Alarm）AUC 值高達 0.992，已進入多中心前瞻試驗階段。
行動裝置的潛力：加州大學聖地牙哥分校（UCSD）的張康教授團隊，也開發了一套 OCT 判讀演算法，並正在研發可以裝在手機上的配件，希望能達到跟專業 OCT 機器一樣的影像擷取效果。
眼睛不只是靈魂之窗，更是身體的窗戶：Google 一項涵蓋超過 30 萬名病人的研究驚人地發現，單憑一張視網膜照片，AI 就能相當準確地預測一個人的年齡、性別、血壓、是否抽菸，甚至是心血管疾病風險，而這一切都不需要知道任何臨床因子。
潛在應用：如果這種方法在未來的前瞻性研究中得到證實，我們或許會看到大家以後都用手機定期做視網膜自拍檢查，監控血壓和糖尿病的控制情況、評估預後風險，同時還能早期診斷和追蹤 AMD、糖尿病視網膜病變、青光眼和白內障，甚至連阿茲海默症的早期跡象都可能抓得出來，甚至可能延伸到準確的驗光，用來更新眼鏡度數。

AI 守護孩童視力

早產兒視網膜病變（Retinopathy Of Prematurity）：這會影響三分之二出生體重低於 1250 克的早產兒，是造成兒童失明的主要原因之一，但可治療；AI 在大型回溯性研究中被證實極度準確，跟專門看早產兒視網膜病變的醫師一樣好。
先天性白內障（Congenital Cataracts）：中國的一項研究，用 886 位病人的影像訓練了一個深度學習網路（CC-Cruiser），在多醫院臨床試驗中，前瞻性診斷了 57 位患有這種罕見疾病的病人，只誤判了一個，並提供治療建議，表現媲美專家，對於罕見疾病的診斷意義重大，顯示深度學習有潛力在專業轉診中心以外的地方發揮作用。

對創投而言，眼科 AI 的成熟度高、商業化路徑清晰、且市場需求龐大，無論是診斷系統、手持篩檢設備，或是遠端監測平台，都具有高投資價值。

2．心臟科：從「古董演算法」到「真正的智慧」

心臟科是另一塊 AI 大展身手的領域，Dr. Eric 指出，心臟科醫師的日常工作五花八門，但其中有兩項技術是大家賴以維生的根本，那就是「心電圖」（ECG）和「心臟超音波」（Echo）。

心電圖（ECG）

既存問題：傳統心電圖判讀軟體從 1980 年代就存在，但它們是基於靜態規則的「笨」AI，錯誤率高，四十年來幾乎沒有進步，Dr. Eric 回憶他 1981 年當住院醫師時，每天的樂趣之一就是找出機器的判讀錯誤，而且還真的不難找，導致醫師到現在還很愛帶著學生和實習醫師一起看 ECG，就是要確保他們永遠不要輕信機器的診斷。
深度學習的突破：現在運用深度神經網路（DNN）的新演算法，終於在心肌梗塞的診斷上取得了突破，敏感度 93%、特異性 90%，對於急診醫師和心臟科醫師來說，將是診斷急性心肌梗塞的巨大助力。
台灣的領先案例：廣達技轉自國防醫學院與三軍總醫院合作研發的「心電圖 AI 人工智慧判讀平台」，結合 AI 技術快速進行心電圖判讀，能針對一張心電圖準確輔助診斷超過 50 種疾病，還能上傳心電圖做出即時分析，輔助醫師在第一時間找出嚴重心臟急症。一位 90 歲高齡奶奶因腎功能差入院準備洗腎，在常規心電圖檢查中，AI 偵測到疑似急性心肌梗塞，第一時間傳送簡訊至心臟科值班醫師手機，經確認後發現右邊冠狀動脈完全堵塞，緊急治療後成功打通堵塞血管。

心律不整偵測：穿戴式裝置：相較於 12 導程心電圖的牛步化，用單一導程來診斷心律不整，在現代深度學習的加持下，倒是進步神速。

持續監測技術：傳統的 Holter 24 小時心電圖監測器需要病人貼一堆電極、牽著一堆線，但現在有了像是 iRhythm 的 Zio 貼片，它就像 OK 繃一樣，可以直接郵寄給病人，貼在胸前，連續記錄 10 到 14 天的單導程心律，洗澡運動都沒問題。這項技術讓 iRhythm 公司手上累積的數據量，比過去任何心律研究的數據庫大了整整五百倍。
AliveCor 的 FDA 核准：2017 年底 FDA 核准了一套由 AliveCor 公司開發的系統，它把一個裝在錶帶上的感測器和深度學習演算法結合在一起，專門用來診斷心房顫動（AFib），這個單導程感測器可以持續監測心率，使用者只要把手指放在錶帶上，就能隨時產生一段 30 秒的心電圖，並由 AI 演算法進行分析。AliveCor 還很聰明地利用了手錶裡追蹤身體活動的「加速度計」（Accelerometer），去比對心率跟活動量是否成正比。一個無監督學習的神經網路會每五秒跑一次，來預測個人心率和身體活動之間的關係，若出現非線性模式就代表兩者不協調，裝置就會跳出提醒，要求使用者在可能發生心律不整的精準時間點量測心電圖。這是設計給一般消費者用的，記錄的圖檔可以存檔，也能傳給任何醫師，對診斷很有幫助。
Fitbit 與 Google：Fitbit 與 Google 在 2024 年也獲 FDA 核准 PPG AFib 演算法，在 45 萬人試驗中準確率達 98%，提供連續被動監測。Withings ScanWatch 及 Apple Watch 也同步更新。

心臟超音波（Echocardiography）：心臟超音波的自動判讀更具挑戰性，因為心臟是不停跳動的，而且要精準定義出心內膜這類關鍵結構的邊界，對電腦來說很困難，但仍有公司在努力：

Ultromics：牛津大學分拆出來的新創公司，專攻「壓力心臟超音波」（Stress-Echo）的影像判讀，宣稱對冠狀動脈疾病的診斷準確率超過 90%，其 EchoGo 產品在 WASE 全球性的研究顯示，AI 推算的「全心縱向應變」（GLS）對死亡預測能力優於專家量測，並獲 FDA 突破性資格用於心衰竭早期偵測，他們還與輝瑞（Pfizer）合作開發 EchoGo Amyloidosis，目標在 2026 年商轉。
Butterfly Network：這家做掌上型超音波的公司，則使用 AI 來偵測探頭的位置和影像輸出，透過深度學習演算法來建議使用者如何調整探頭位置，對大多數沒受過超音波訓練的醫師來說非常有用，在缺乏專業醫療人力的地區更是如此。

心臟科 AI 的投資機會在於巨大的市場規模、高頻次檢查量、以及結合穿戴裝置的消費市場潛力，特別是能提升早期診斷率、降低醫療成本、並能整合進日常生活的解決方案，將會受到更多青睞。

3．腸胃科：AI 讓「魔鬼」無所遁形

在大腸鏡檢查中，準確診斷出結腸瘜肉和癌變病灶，比大多數人想像的要困難，多項研究顯示，至少有 20% 的病人身上的病灶會被漏看，有些報告的數字甚至更高，這些病灶如果長得扁平、體積小，或是在某些特定不容易被發現位置，就更容易被忽略。就算是資深腸胃科醫師的眼睛，可能都不如電腦視覺，最新的研究顯示，在 AI 的即時輔助下，能將微小瘜肉的診斷準確率提升至 86%，成為醫師的第二雙「火眼金睛」。首個 FDA 核准的 GI Genius 已在歐美多中心前瞻研究證實微小瘜肉檢出率提高 14%，新一代模型以 30 萬張內視鏡影像訓練，準確率達 86%，並開始整合腫瘤危險分級報告，AI 在內視鏡檢查能有效輔助醫師識別微小病灶，提升診斷率，對於預防和早期治療具有重要意義。

外科醫師：從輔助到「雲端大腦」 — — 「手術 4.0」時代

我們可能會想，AI 怎麼可能影響到外科醫師那雙用來吃飯的手和精湛的技術？開刀這件事，從概念上來講，大概是離那種輸入影像、輸出報告的單純模式最遙遠的一件事。外科手術講究「人的觸感」（Human Touch），但網路字典上對這個詞的定義卻是：「對他人的感受有同理心，能理解人性的一面，而不是像個機器人一樣。」

手術機器人進化：外科醫師用機器人來輔助開刀，早就不是新聞了，像是大家都很熟悉的達文西（Da Vinci）手術系統，已經快要二十年了。儘管隨機對照試驗的數據，並沒有顯示這些機器人能在關鍵預後上，比傳統手術有什麼驚人的進步，但在 2016 年，全世界就有超過 4000 台這樣的機器人，協助完成了 75 萬台手術，聽起來很多，但其實還佔不到每年超過 800 萬台手術總量的 10%。最近想要提升機器人手術普及率和能力的嘗試，可以說是百家爭鳴，新的機器人軍團正在崛起：

英國的 Cambridge Medical Robotics 打造了 Versius，它的手臂更像人類的手臂。
新創公司 Medical Microinstruments 開發有迷你手腕的機器人，不需要控制台，特別適合顯微手術。
Auris Health 的機器人更像個內視鏡，2018 年就拿到 FDA 核准，可以從嘴巴放進氣管，再深入到肺部，用電腦視覺輔助來做組織切片。
美敦力（Medtronic）則收購了一家德國的機器人公司，特色是具備「觸覺回饋」（Haptic Touch），讓機器人更有真人外科醫師的「手感」。

自主縫合與組織清除：現在已經有機器人可以在沒有人類干預下，自己縫合一排傷口了，未來還有很多應用可以想像，例如偵測和清除壞死或癌變的組織；最近在觸覺感應機器人上的進展，也預示未來在手術中將有更大影響。

「手術 4.0」時代：雲端共享的外科經驗：儘管前面這些公司都在改良機器人本身，但由 Google 和嬌生（Johnson & Johnson）在 2015 年合資成立的 Verb Surgical，正準備把 AI 帶到一個刀房裡前所未見的境界。

全連網的機器學習：Verb Surgical 的每一台機器人都將聯網，即時記錄每台手術的數據，並透過機器學習找出最佳的手術方法，稱之為「手術 4.0」，概念就像是把所有外科醫師的經驗和數據都連上雲端共享，有點「民主化」外科手術的意味。
重新定義手術實踐：如果機器學習能夠整合手術中的影像，以及每位病人所有相關的數據，就有可能重新定義過去的做法，並改善預後，舉例來說，這種方法或許能找出避免攝護腺切除術後常見併發症的關鍵步驟。
虛擬實境與 3D 影像整合：再加上虛擬實境（VR）和 3D 影像顯微鏡的整合，未來將能在手術中提供超乎想像的解剖視覺化效果。

牛津大學和耶魯大學的一項調查預測，AI 將在約 30 年後全面超越人類外科醫師的表現，這時間比取代零售店員長了一倍，但可比取代 AI 研究人員自己預計的 85 年要短得多了。在技術層面具備高精度感應、機器學習能力和雲端連網功能的手術機器人新創公司，將會是未來市場的領導者。

復健科與照護：AI 的「輔助」與「人」的溫度

身為復健科醫師，我們深知「手感」（Human Touch）在治療與照護中的重要性，Dr. Eric 也坦言，他很難想像在未來的深度醫療時代，有哪個角色是永遠無法被取代的，那就是護理師 — — 那些真正關懷病患的人。很多醫院裡那種幫忙送餐送藥的機器人護士小幫手 Tug，肯定構不成威脅，但這不代表 AI 沒有機會輔助護理師和復健師的工作。

外骨骼機器人（Exoskeleton Robots）：緯創旗下緯創醫學科技歷經五年開發的外骨骼機器人，已成為主流醫院採用的復健設備，包括台大、榮總等都有採用，能輔助病人在復健過程中進行重複性、高強度的動作訓練，例如步態訓練，對於中風、脊髓損傷等病人十分重要。AI 的導入可以讓這些機器人更智慧化，例如根據病人的即時生理反應和動作表現，自動調整訓練強度和模式，實現更個人化、高效的復健。

醫療照護服務型機器人：成功大學電機系開發的醫療照護服務型機器人，在成大醫院外科 8A 病房實測 1 年多，在 8 大功能支援下，護理師每天工作總時間從原本 100 分鐘減少至 33 分鐘不等，效率提升 3 倍以上，滿意度逾 9 成，這些機器人可以協助：

病人監測：機器視覺可以持續監控加護病房的病人，來預測並防止病人自行拔掉氣管內管，對於重症病房的病人安全管理非常重要。
生命徵象分析：即時分析生命徵象，並整合相關的檢驗和影像數據，也能提醒護理師即將發生的問題，讓護理師更早介入，避免病情惡化。
文件與流程輔助：AI 系統可以幫助護理師快速有效地記錄和獲取訊息，通過分析大量病人護理數據和結果來發現最佳診療選擇，減輕護理師的文書負擔，讓他們有更多時間投入直接照護。

無法取代的「人」的溫度
然而，上面這些任務，沒有一件等同於去傾聽、理解、同理一個病人，或是在某人身體不適、剛得知壞消息時，僅僅是握住他的手；Dr. Eric 不確定深度學習或機器人，是否有一天真能複製這種人與人之間支持的精髓。AI 或許能處理數據，但無法取代共情、信任和溫暖。

對護理人力的衝擊與商業模式
不過，無論是在醫院內還是門診診所，AI 最終可能會減少對護理師的需求；透過 AI 演算法來處理居家病人的遠端監測數據，代表醫院單純為了觀察病人（收集數據或看症狀是否惡化）而收治住院的角色將減少，可能導致醫院人力縮減；越來越依賴遠距醫療而非實體看診，也會有類似的效應。

從投資者的角度看，復健與照護 AI 領域的機會在於：

高齡化社會的剛性需求：全球人口高齡化趨勢，對復健、長期照護和居家監測的需求呈爆炸式增長。
效率提升與成本控制：AI 輔助能顯著提升護理和復健的效率，在人力短缺的背景下，這對於醫療機構控制成本、優化資源配置至關重要。
居家照護與遠距醫療：結合穿戴裝置、感測器和 AI 分析的居家照護解決方案，將成為一個巨大的市場。這不僅能提升病人生活品質，也能降低傳統住院的成本。
人機協作的新模式：強調 AI 作為輔助工具，而非取代者的模式，更容易被醫療專業人員和病人接受。

AI 與新藥開發：從分子設計到臨床試驗優化

除了直接的臨床應用，AI 對生醫產業的影響也滲透到了前端的藥物開發流程，對創投和生醫科技分析師來說，是另一個值得深入探討的領域。

市場規模與成長動能
根據最新市場研究數據，AI 製藥市場預計從 2024 年的 15 億美元成長到 2034 年的 164.9 億美元，年均複合成長率達 27%，安永聯合會計師事務所所長傅文芳指出：「AI 已不再只是輔助工具，更成為推動藥廠轉型的核心力量。」

AI 在製藥產業的三大應用場景
安永聯合會計師事務所的分析指出，AI 在製藥產業的應用主要聚焦在三大核心場景：

個人化醫療：AI 能對基因圖譜、臨床測量等進行更精細分析，研究人員能制定個人化針對性的治療方法，協助設計更精準、個別化的治療方案，降低副作用、提高療效，在癌症、罕見疾病等領域加速新藥從「廣效」走向「精準」。

臨床試驗優化：這是 AI 在製藥中最具商業價值和效率提升潛力的領域之一，透過 AI 演算法可以：

提升病人招募效率與多樣性：AI 能分析大量病人數據，篩選出符合條件的潛在受試者，加速招募流程，能顯著縮短藥物上市時間。
幫助建立合成數據資料：AI 可以生成「合成數據」（Synthetic Data），補足真實病人資料的不足，尤其是在隱私敏感的醫療數據領域，有助於擴大訓練數據集，提升模型準確性，同時保護病人隱私。
簡化試驗流程、加快監管審核速度：AI 能自動化資料收集、清洗和分析，減少人工錯誤，簡化臨床試驗的管理，進而加快整個藥物開發的流程和監管機構的審核速度。

製造與供應鏈優化：AI 可以優化製藥流程與物流管理，整合 IT（資訊科技）與 OT（營運科技），實現製程智慧化，不僅能提高生產效率，降低成本，也能確保藥物供應的穩定性與品質。

台灣新藥 AI 發展動能也正迎頭趕上

工研院（ITRI）：工研院副總暨生醫與醫材研究所所長莊曜宇表示，工研院運用生成式 AI 進行蛋白質設計，透過數據分析縮短開發時程、提升成功率。同時，工研院啟動「臨床試驗綠色通道」，攜手四大醫療體系，加速創新藥物及服務落地。
國科會（NSTC）：國科會更在 2025 年推出「人工智慧驅動藥物開發先導計畫」，整合台灣新藥研發能量接軌全球 AI 藥物研發趨勢。

挑戰與風險：可信賴 AI 的重要性

儘管醫療 AI 的前景一片光明，但作為負責任的投資者和分析師，我們必須清晰認識到潛在的挑戰和風險，不僅是技術問題，更是倫理、監管和社會層面的複雜議題。

資料偏差與族群公平（Data Bias & Ethnic Fairness）

這是醫療 AI 最受關注的議題之一，如果 AI 模型的訓練數據缺乏多樣性，或僅基於特定族群、單一醫療體系的資料，那麼它在面對不同族群的病人時，很可能產生偏見，甚至放大現有的健康差距。

實例：一個主要以歐洲裔數據訓練的心臟病風險預測模型，應用到亞洲裔或非洲裔病人身上時，其準確度可能會顯著下降，導致某些族群的疾病被低估或診斷延遲，從而影響醫療公平性。
監管要求：為應對此問題，FDA 已明確規定，上市後的醫療 AI 產品必須提交年度性能監測報告。若跨族群的敏感度差異超過 5%，則需停止自動推論功能並進行修正；歐盟 AI 法案也要求高風險醫療 AI 須具持續品質監測機制。
投資啟示：投資者應優先考慮在數據收集、模型訓練中，積極追求數據多樣性與族群平衡的 AI 公司，不僅是倫理要求，也是未來產品在不同市場廣泛應用、規避法規風險的基礎。

動態學習風險與模型更新（Dynamic Learning & Model Updates）

自我學習型 AI 雖然能快速適應新數據，但「動態」特性也帶來了新的監管挑戰。

不透明的變化：模型在持續學習的過程中可能會不斷更新其內部參數，這使得模型的行為可能發生變化，而這種變化有時難以預測和解釋；如果缺乏有效的追蹤和監測機制，一旦模型行為偏離預期，可能導致醫療錯誤。
歐盟 AI 法案的要求：歐盟 AI 法案要求「模型更新」應有數位指紋（Digital Fingerprint），確保能夠追蹤每個版本以及其訓練資料的源頭。
投資啟示：具備透明的模型管理系統、版本控制、以及清晰的性能監測報告的公司，將更容易獲得監管批准和市場信任。

資料隱私與安全（Data Privacy & Security）

醫療數據的高度敏感性，使其成為網路攻擊的重點目標。

大語言模型的風險：台智雲執行長吳漢章指出，醫療機構需要確保所利用的大語言模型高度可控，不會有洩漏與不當被再利用為訓練資料的情況。
雲端數據的安全性：「手術 4.0」等概念強調雲端共享數據，帶來巨量資料的資安與版權歸屬問題，一旦數據被洩漏或濫用，將造成嚴重的法律和信譽風險。
投資啟示：投資者應審查公司的數據治理（Data Governance）政策、網路安全措施，以及是否符合 GDPR、HIPAA 等國際數據隱私法規，特別是能提供本地化部署（Localized Deployment）解決方案的 AI 公司，如 DeepSeek 等支援本地端部署的 AI 模型，能讓醫療機構在保護數據隱私的前提下，將 AI 應用於實際醫療場景，也帶來了低成本的可能。

技術限制與倫理考量（Technical Limitations & Ethical Considerations）

生成式 AI 的「幻覺」（Hallucination）風險：世界衛生組織（WHO）在 2024 年發布的《大型多模態模型醫療倫理與治理指引》中指出，LLMs 有時會產生錯誤建議或「幻覺」，特別是當網路上無相關資訊的時候。此外，若訓練數據品質不佳，LLMs 的回應可能帶有偏見，這對醫療決策是殺傷力很大的，因此需要嚴格的品質控制和人工核閱機制；目前尚無官方品質標準來規範生成式 AI 摘要醫學文獻的品質。
非語言溝通的遺漏：數位書記官等系統，儘管能轉錄對話，但所有的「非語言溝通」（Non-Verbal Communication）會完全抓不到，眼神交流、肢體語言、語氣變化都是醫師判斷病人情緒和真實狀況的重要依據，這是目前 AI 難以彌補的鴻溝。
責任歸屬：美國全美各州醫療委員會聯合會（FSMB）發布的指引明確要求，醫師須對 AI 輔助下的醫療決策負最終責任，醫師不能盲目信任 AI 的建議，仍需保持批判性思維和專業判斷。
未解決問題：目前醫療 AI 還面臨多國語系、方言語音辨識準確度低於 90% 的問題，外科機器人巨量資料的版權歸屬尚未定論。

醫療 AI 的發展需要一個「可信任 AI 生態系」（Trustworthy AI Ecosystem），在技術創新之外，必須同步建立跨院所影像與病歷沙盒、多國語言專有名詞標註規範、以及上市後績效監測與資料治理機制，唯有臨床、產業與監管三方共同努力，才能讓 AI 真正地為醫療帶來價值。

AI 不是取代，而是賦能

回到我們最初的問題：AI 浪潮來襲，醫師的飯碗還保得住嗎？

從實證案例可以看出，AI 的目標不是取代醫師，而是成為最強大的夥伴。它將處理那些重複、繁瑣、數據密集的任務，把醫師寶貴的時間與心力真正歸還給病人，讓醫師有更多的「時間」去傾聽、去溝通、去實踐深度的醫療關懷。正如 Dr. Eric 所言，AI 或許不是要來取代醫師，而是要將醫師從無盡的模式與數據中解放出來，當三總的 AI 能在 20 秒內診斷 50 種心肺疾病、中國附醫的語音 AI 將護理紀錄時間從 60 分鐘縮短到 15 分鐘、成功大學的護理機器人讓護理師工作效率提升 3 倍以上，我們看到的不是醫療從業人員被取代的恐懼，而是醫療品質提升、工作效率改善、醫病關係回歸本質的希望。

未來的醫療將是「人機協作」（Human-AI Collaboration）的時代

醫師依然是醫療決策的核心，但他們將擁有更強大的 AI 工具來輔助診斷、預測風險、優化治療方案。
護理師依然是病人照護的第一線，但他們將有智慧助理來處理文書工作、監測生命徵象、提供決策支援。
對於復健科醫師而言，AI 輔助下的外骨骼機器人、智慧復健平台將能為病人提供更精準、個人化、高效的復健計畫方案，同時也能讓我們有更多時間專注於病人的心理建設與整體功能性提升。

台灣在醫療 AI 發展上展現了強勁的創新動能，衛福部於 2024 年攜手 16 家醫院成立三大類型 AI 中心，包括 AI 影響性研究中心，負責臨床研究設計顧問，提供系統性介入設計服務。同時，台灣資通訊產業的優勢為 AI 醫療發展提供了強大支撐，科技大廠如廣達、英業達、緯創等紛紛投入智慧醫療領域，形成了完整的產業生態鏈。

台灣具備資通訊產業優勢，有利於發展 AI 智慧醫療，從全球公衛到台灣產業，智慧醫療解決方案將進入臨床應用、輔助醫療診斷決策，最後融入整個健康照護價值鏈。FDA 2024 年 12 月正式發布的 Predetermined Change Control Plan 允許「自我學習」醫療軟體在既定風險範圍內快速更新，歐盟 AI 法案（AI Act）同月生效，要求高風險醫療 AI 須具持續品質監測機制，代表 Dr. Eric 構想的「擴增個人化醫療支援」（AIMS）不再只是理論，法規環境也已趨於成熟。

這場 AI 革命的最終目標，是讓每個醫療人員都能專注於自己最擅長的事情 — — 治病救人，關懷病人，實踐醫者的初心。我們走過資訊爆炸的冰河期，終於迎來 AI 解凍的曙光，那些日復一日的繁瑣、重複任務將逐漸交由 AI 接手，冰冷的鍵盤與螢幕將不再是醫師診間裡最熟悉的面孔，醫師終於可以重新凝視病人雙眼，傾聽那些真正重要的故事與心聲。未來的醫療，不再執著於「模式」或「非模式」的掙扎，而是邁入一個「人機協作」的共榮景況，醫療 AI 將從冷冰冰的科技利器，轉化為守護生命的溫暖夥伴，醫師與病人之間的距離將重新拉近，而每個醫療人員都能回歸醫學初心，專注於「人」的本質。科技的終點，從不是取代，而是讓醫療回歸到它最純粹的價值 — — 理解、傾聽與關懷。

— –

📒 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.