從影像判讀到臨床決策，從預測模型到醫病溝通，人工智慧（Artificial Intelligence, AI）的應用場景正逐步擴展。在技術進展的同時，JAMA AI…

從影像判讀到臨床決策，從預測模型到醫病溝通，人工智慧（Artificial Intelligence, AI）的應用場景正逐步擴展。在技術進展的同時，JAMA AI 近期發表的四篇文章提醒我們：真正的醫療創新，不只是技術上的突破，更關乎病人需求、倫理思辨與臨床落地的可行性。

四篇文章涵蓋了從邊緣族群（如智能及發展障礙者）醫療可近性的提升、到醫療 AI 面臨的社會信任危機；從電腦視覺技術在神經科學診斷中的應用潛力，到數位輔助運動療法在青少年脊椎側彎照護中的實證研究。這些議題表面上看似分散，實則共同回應了當代醫療 AI 發展面臨的三大核心問題：

AI 如何服務那些最可能被忽略的群體？
社會大眾是否準備好信任醫療 AI？
在真實世界中，AI 能否提供具體、可量化的臨床益處？

AI 技術本身並非解方，它是一種放大鏡，也是一把雙面刃，可能讓我們看得更清楚，但也可能加劇既有的偏見與不平等，這就是為什麼我們需要從不同面向、不同族群的需求出發，檢視 AI 在醫療場域的角色與責任。在全球醫療體系普遍面臨醫療人力短缺、資源不均與病人期待升高的壓力下，AI 將可能成為支持臨床決策與照護品質的關鍵角色 — — 但前提是我們如何設計它、怎麼部署它、以及選擇為誰服務。

AI 如何改善智能及發展障礙者的醫療照護

在醫療人工智慧快速發展的今日，一個常被忽略的課題逐漸浮現：我們能否運用這項技術，來改善智能及發展障礙（Intellectual And Developmental Disabilities，簡稱 IDD）病人的醫療體驗？在近期發表於《美國醫學會期刊》（JAMA）的一篇專訪中，國際特殊奧林匹克運動會（Special Olympics International）的首席健康長 Dimitri Christakis 醫師分享了他對此議題的深刻見解。

智能障礙者的醫療困境

「我只想看到一位見到我時會感到開心的醫生（I just want to see a doctor who’s happy to see me.）。」這句看似簡單的心願，卻道出了智能及發展障礙病人在醫療體系中的深層困境；Christakis 醫師在擔任特殊奧運會首席健康長的 15 個月裡，深入了解到這個族群在尋求醫療照護時所面臨的種種挑戰。

特殊奧運會的運動員年齡範圍從 2 歲到 80 歲不等，這表明 IDD 病人的醫療需求並非僅限於兒科，當特奧會為運動員進行健康篩檢並發現問題時（包括肥胖、高血壓、聽力和視力等問題），他們會將這些運動員轉介給醫師；然而，即使是被標記為「緊急」的問題（約佔所有問題的 7%，需要在兩週內就醫），後續的追蹤率仍然非常低。究其原因，除了醫療給付制度和醫師接診意願等客觀因素外，令人擔憂的是 IDD 病人普遍反映的「就醫體驗不佳」，許多 IDD 病人感覺自己在就醫時不受歡迎、醫病溝通效果差，甚至有病人覺得醫師對他們「說話太過簡單化（Talk Down）」，或者使用他們無法理解的專業術語。

人工智慧在溝通橋樑上的潛力

面對這些挑戰，Christakis 醫師和他的團隊開始思考：AI 是否能在這個領域發揮作用？他將 IDD 病人與醫師之間的溝通障礙比作「說不同國語言」的情況，如同我們為非國台母語的病人提供翻譯服務，我們是否也需要為 IDD 病人提供類似的服務？「我們必須認識到，這不僅是一個小眾需求，」Christakis 醫師強調，「如果我們設計出一套能夠幫助 IDD 病人與醫師有效溝通的 AI 工具，實際上將會對所有病人都有所幫助。」這就是「通用設計」（Universal Design）的概念 — — 從邊緣案例出發的設計，往往能為所有人創造更佳的體驗。

Christakis 醫師舉了一個例子：OXO 品牌的廚房用具最初是為類風濕性關節炎病人設計的，目標是幫助那些手部操作有困難的人；然而，這些產品最終成為大眾市場的熱銷品，因為「如果你設計出一款適合手指有障礙者使用的產品，那麼對正常人來說，它同樣好用（If you make a product that works well for someone that has challenges with their fingers, guess what? They work really well for someone that doesn’t）。」同理，如果我們能開發出幫助醫師與 IDD 病人有效溝通的 AI 工具，也可能改善所有醫病之間的溝通。

AI 如何實際幫助 IDD 病人？

Christakis 醫師和他的團隊提出了幾種 AI 可能幫助 IDD 病人的方式：首先，可以利用更具涵容性的生物識別資料來訓練可穿戴技術的演算法，這將幫助臨床醫師和照顧者更好地監測 IDD 病人的健康狀況。再來，AI 工具可以改善病人與臨床醫師之間的溝通，如 AI 可能會分析醫師的說話方式，提醒他們：「您剛才使用了高中程度的語言表達，請嘗試簡化。」並提供具體的改進建議。此外，AI 還可以透過創建模擬的 IDD 病人，幫助醫學院提高醫師的培訓品質，目前美國僅有 52% 的醫學院提供正式的身心障礙意識培訓，且這個數字涵蓋所有類型的障礙、不僅是智能發展障礙。最後，AI 可以使醫療資訊和醫學文獻更具可讀性，Christakis 醫師在撰寫他的論文時，曾使用 ChatGPT 將內容改寫為五年級閱讀水準，以確保他的共同作者 — — 一位有 IDD 的特奧會運動員 Wyatt Spalding — — 能夠理解並認可文章內容。

不平等的健康差距

全球約有 3% 至 4% 的人口患有 IDD，而這可能是世界上最被邊緣化的群體之一，Christakis 醫師指出，根據英國國家醫療服務體系（National Health Service）的數據，即使在一個擁有全民醫療保險和高品質醫療服務的系統中，純患有 IDD 而無其他合併症的人，平均壽命仍比一般人口少約 10 年。這個數據促使我們反思：在醫療資源和醫療保險並不普及的國家，IDD 病人的健康差距可能更為嚴重，因此開發能夠幫助這一群體的 AI 工具不僅是技術創新，更是一項社會責任。

從邊緣設計，造福所有人

Christakis 醫師強調，雖然 IDD 病人只佔人口的一小部分，但為他們設計的解決方案可能為更廣泛普遍的大眾帶來好處，這就是「通用設計」的精髓 — — 從邊緣案例出發，最終惠及全體。儘管 Christakis 醫師承認自己並非 AI 專家（「8個月前，我甚至不知道它是什麼」），但他對 AI 在醫療領域的潛力持樂觀態度，他認為與其嘗試消除人類固有的偏見，不如著手消除 AI 系統中的偏見，這在技術上可能更為可行。

為了推動這一願景，微軟（Microsoft）已同意在即將到來的黑客松（Hackathon）活動中將 IDD 病人作為主題，嘗試建立一個此類工具的初步模型，Christakis 醫師對此表示期待：「我不知道它會產生什麼結果，但我很興奮能參與其中。」

AI 的前景與責任

在這個科技與醫療交匯的時代，AI 為改善 IDD 病人的醫療體驗提供了新的可能性；然而正如 Christakis 醫師所言：「AI 未來前景的點估計為零，而 95% 的信賴區間從萬靈藥到末日審判不等（The point estimate of AI’s promise for the future is at nil. And the 95% confidence interval goes from panacea to Armageddon. So there’s a lot of unknowns ahead）。」意味著 AI 的發展充滿了未知，既可能帶來革命性的進步，也可能引發意想不到的問題。

因此，在開發和應用 AI 技術時，我們必須確保 IDD 病人「參與到 AI 融入醫療照護的設計、實踐和結果的定義中」，只有通過涵容性的設計和執行過程，我們才能確保 AI 技術真正服務於最需要幫助的群體，並最終造福全體人類。作為醫療專業人員，我們有責任推動這一領域的發展，為所有人創造一個更具包容性、更有效的醫療系統，畢竟如 Christakis 醫師所言，真正的進步來自於我們如何照顧社會中最弱勢的群體。

信任醫療系統使用人工智慧：挑戰與契機

醫療產業正經歷一場 AI 革命，不僅涉及技術層面，更關乎病人對醫療系統的信任基礎；JAMA Network 近期發表的研究揭示了一個值得深思的問題：病人是否信任他們的醫療系統負責任地使用人工智慧？答案可能讓許多醫療從業者和投資人感到憂心。

信任危機的具體數據

根據 Nong 等人的全美國代表調查，民眾對醫療系統使用 AI 的信任度相當低落，更令人擔憂的是，那些本來就對醫療系統缺乏信任的人，對 AI 的應用表現出比之前更強烈的警戒心理。這項調查發現美國大眾對整體醫療系統本身的信任度極低，研究人員採用了 0（完全不信任）到 12（最高信任度）的量表，結果顯示平均信任分數僅為 5.38，標準差為 2.18，反映出病人對醫療體系的普遍不信任感。

其他研究進一步證實，自新冠疫情（COVID-19）爆發後，大眾對醫師和醫療組織的信任度呈現斷崖式下跌；根據一項近期調查，美國民眾表達「高度信任」的比例在短短 4 年內從 71.5% 暴跌至 40.1%，急劇變化的原因可能多種多樣，但很可能包括疫情期間的極化反應、病人自付醫療費用的增加，以及基層照護（Primary Care）短缺造成的就醫阻礙，都減少了病人建立穩定、長期醫病關係的機會。

為何人們對醫療 AI 持懷疑態度？

Nong 等人的研究發現，大多數受訪者對醫療 AI 持負面看法，這與數十年來的風險感知研究結果相符 — — 被視為新穎且未被充分理解的危險因素往往被認為風險更高。新的、不熟悉的技術經常引發不信任感，雖然文獻的格式限制使 Nong 等人無法呈現受試者對 AI 的平均熟悉度，但考慮到大多數美國民眾對 AI 了解有限、甚至無法識別目前使用中的 AI，我們可以合理假設他們的熟悉度很低。因此，人們對這種新穎且不熟悉技術的信任度預期也會較低；但需要注意的是，態度有時會迅速轉變，就像自動駕駛車輛等其他近期的科技創新一樣，那些對技術沒有經驗的人基礎信任度較低，但在有機會體驗後，信任度會上升。

現今對 AI 尚未熟悉其技術與應用的狀態確實引發一些疑問：當受訪者回答 Nong 研究中關於「醫療系統是否會負責任地使用 AI」以及「是否會確保 AI 工具不會傷害病人」的兩個調查項目時，民眾心裡究竟在想什麼？研究團隊在徵求受訪者意見前，先提供了解釋 AI 的影片來為他們建立基本概念，然而與技術的實際體驗可能比對技術的描述更能改變認知，隨著病人在未來幾個月和幾年內開始在醫療照護和其他場所體驗 AI，我們可以預期公眾態度可能會逐漸演變。

兩種可能的未來

當 AI 在醫療領域普及後，我們可以設想兩種可能的未來情境：

第一種情境是，隨著 AI 失去新奇感，病人可能會對它產生更多信任；就像我們曾經對智慧型手機、網路銀行、比特幣持懷疑態度，但現在已將其視為生活必需品一樣（當然比特幣可能是對美國國家戰略儲備而言），醫療 AI 也可能逐漸獲得大眾接受。

Nong 等人的研究結果也暗示一個令人擔憂的替代方案：AI 被視為新穎且危險的事實可能會進一步削弱大眾對醫療體系的信任；在台灣這樣高度發展的醫療體系中，如果導入 AI 技術的方式不當，可能會進一步動搖民眾對醫療專業人員和機構的信任。

建立信任的具體措施

面對這一挑戰，醫療機構在制定 AI 政策時，應該考慮病人和醫學倫理學家建議的一系列配套措施：

首先，病人導向的 AI 工具應保持透明度，包括告知病人何時正在與 AI 互動、揭露誰可以取得 AI 收集的數據，以及確保 AI 不會模仿人類行為到被誤認為是人類的程度；如果在掛號或問診系統中，病人無法分辨是在與真人還是 AI 對話，這可能會引起不必要的混淆和不安。

其次，醫師使用的 AI 工具也應具備一定透明度，包括在 AI 為臨床決策提供意見時告知病人，甚至對某些類型的 AI（如自動在背景運作或改變照護標準的工具）要求獲得知情同意，例如當 AI 系統協助醫師解讀影像或推薦治療方案時，病人有權知道這一資訊。

第三，隨著技術發展和公眾期望的變化，醫療機構還應考慮積極讓病人參與制定 AI 政策，例如范德比爾特大學醫學中心（Vanderbilt University Medical Center）已經成立了「AI 病人與家庭諮詢小組」（AI Patient And Family Advisory Group），這種做法值得台灣醫療機構借鑑。

這些措施可能確保一個 AI 不僅開始改變醫療系統，還有助於重建醫病間的信任，並促進人們相信醫療體系真的是為他們的最大利益而努力的未來。

台灣醫療 AI 發展的信任挑戰

放眼台灣醫療環境，我們有許多獨特的優勢：全民健保系統、高密度的醫療資源、民眾對科技的高接受度，以及相對完整的電子病歷系統，這些條件使台灣成為醫療 AI 發展的理想沃土，然而信任問題同樣存在。台灣的醫師和生醫投資人需要注意，儘管我們的整體醫療信任度可能高於美國，但當引入新技術時，民眾的顧慮不應被低估，特別是在個人健康資料保護方面，台灣民眾對於隱私的重視程度可能比想像中更高。

值得深思的是，醫療 AI 的成功部署不僅依賴於技術的成熟度，更依賴於社會的接受度和信任基礎，我們或許可以從台灣過去推動電子病歷和健保卡的經驗中汲取教訓：透明的政策制定過程、清晰的溝通策略、強而有力的隱私保護機制，以及逐步的實施方案，都是建立信任的關鍵元素。

醫療 AI 信任建設的實踐建議

有些做法或許有助於建立公眾對醫療 AI 的信任，首先可考慮進行本土化研究，了解台灣民眾對醫療 AI 的特定態度和顧慮，不同於美國的醫療環境，台灣的全民健保系統和醫療文化可能塑造出獨特的公眾認知。其次，發展「人機協作」（Human-AI Collaboration）而非「AI 取代」的敘事框架，強調 AI 是輔助醫師決策的工具，而非取代醫療專業人員的技術，可能有助於減輕公眾的擔憂。第三，建立台灣在地特色的醫療 AI 倫理準則和監管框架，考量台灣的法律環境和社會價值觀，制定符合本土需求的指導原則可能比直接採用西方模式更有效。最後，重視醫病溝通中的 AI 透明度，當診療過程中使用了 AI 技術時，以適當的方式向病人解釋這一點，並說明其優勢和限制，可能會增強病人的理解和接受度。

信任是醫療 AI 成功的基石

人工智慧毫無疑問將重塑醫療的未來，但這場變革的成功與否，很大程度上取決於我們能否建立和維護公眾的信任，正如 Nong 的研究提醒我們的，技術創新必須建立在堅實的信任基礎之上。對於台灣醫師來說，理解並應對醫療 AI 信任挑戰不僅是一項道德責任，也是確保技術持續發展的實際需要，在人工智慧逐漸融入醫療體系的過程中，那些能夠有效建立病人信任的醫療機構和技術，將在未來的競爭中佔據有利位置。最終，醫療 AI 的價值不僅在於其技術突破，更在於它如何被人們接受並信任，正如所有醫療創新一樣，AI 的終極目標應該是增進人類健康福祉，而這一目標的實現，離不開病人、醫療從業者和整個社會的共同信任與支持。

神經內科的電腦視覺：診斷與評估的新契機

身為一位值班時都要接神經內科急診病人、顧神內病房、平時收治許多神內轉來病人與照會的復健科住院醫師，我的理解是，在神經科的世界裡「觀察」是診斷的關鍵，自古至今神經科醫師都需依靠自己敏銳的觀察力來識別、分析病人的動作模式，進而判斷神經系統的功能狀態。隨著人工智慧的快速發展，電腦視覺（Computer Vision）這個人工智慧的分支領域，正為神經科臨床診斷帶來有感的變化。

神經內科診斷的歷史：從手繪圖到電影攝影

「理想的神經科醫師應具備三項關鍵特質：觀察力、回溯性推理能力以及專業知識（The Three Cardinal Qualities Necessary for the Ideal Neurologist are Observation, Ability To Reason Backwards Inferentially and Specialist Knowledge）。」著名神經科醫師 Andrew Lees 的這句話，精準地概括了神內診斷的本質，動作是神經功能的直接表現，讓人類能夠與環境進行動態互動。因此，動作分析一直是神經科學的核心，特別對動作質與量的視覺評估，神經科醫師需要具備卓越的觀察技能，以解讀和詮釋複雜的空間和時間動作模式，這些觀察為神經系統疾病的診斷和病人解釋提供重要依據。

歷史上，神經科學的先驅如 Jean-Martin Charcot 將他們對病人的廣泛視覺評估轉化為繪圖，而中世紀的手部顫動記錄，如手寫和繪畫樣本，提供了神經系統疾病的重要客觀記錄。儘管這些疾病的視覺表現（如帕金森氏症或震顫）已成為神經科以外廣為人知的標誌性形象，但這些靜態圖像無法完全捕捉它們所描繪的疾病的複雜、動態性質。

19 世紀末，電影攝影術（Cinematography，源自希臘語「kίνημα」意為「運動」和「γράφειν」意為「記錄、書寫」）被引入歐洲神經科學術界，特別是在羅馬尼亞、比利時和德國；這種新技術提供相當大的優勢，例如能夠隨時間分析神經系統現象的更精細結構。

時至今日，影片仍然是神經科學的基石，特別是在評估和監測運動障礙、睡眠障礙和癲癇方面，神內醫師經常使用半定量評分量表進行即時和診外（Offline）臨床評估，如「統一帕金森氏症評分量表」（Unified Parkinson’s Disease Rating Scale）或「共濟失調評估和評分量表」（Scale For the Assessment And Rating Of Ataxia）。

當代神經學表型評估：實踐與挑戰

目前的神經學表型（Neurological Phenotyping）分析倚賴著神內醫師臨床專業的判斷和根基於仔細觀察的分類，評分量表要求醫師對神經系統徵象進行二元或序列性的評估，例如中度、高度或 5 級中的第 2 級，雖然這種方法提供了某種程度的標準化，但它往往難以捕捉異常動作所有的空間和時間複雜性，以及病人不同運動障礙之間的多重相互作用。

這些局限性在各種神經系統疾病中都有體現，例如眼球震顫（Nystagmus）的量化為腦部疾病提供了關鍵的診斷 Insight，但由於缺乏在 Bedside 檢查時的量化方法，其診斷潛力仍未被充分發揮；同樣地，癲癇發作的症狀，雖常透過照顧或目擊者錄影來捕捉能提供關鍵的診斷訊息，但在臨床現場很少能被量化。肌張力障礙（Dystonia）這種以異常靜、動態運動為特徵的疾病，可以藉由特定量表量化 — 然而，這些量表往往無法捕捉動態特徵，而這些特徵對評估治療效果相當重要。另一個例子是對帕金森氏症病人運動幅度、節律性和速度的以量表為基底的評估，由於評分者對各個維度的重視程度可能不同，往往產生不一致的結果。

前述例子強調客觀量化的重要性、突顯評分量表的局限性，包括評分者間可靠性低和對變化的敏感性差，特別是在疾病的早期階段。此外，由此產生的分類或評分數據排除了使用更敏感的統計測試，進一步限制了統計分析的深度。認識到這些局限性，目前普遍認為神經學表型分析需要更全面、可擴展和客觀的方法，如根據標註的動作捕捉或穿戴式感測器等先進測量方法，為診斷、監測和預後的預測提供了超越傳統評分量表的額外益處。然而，這些方法往往過於資源密集、侵入性高且難以普遍使用。

電腦視覺的崛起：醫學電影攝影術的重新想像

歷史上，醫學電影攝影在神經學表型分析中扮演著關鍵角色，儘管它受限於勞動密集型的逐幀手動分析（Manual Frame-by-Frame Analysis）過程，這對常規臨床工作流程而言是很難規模化的。圖像和影片數據的自動分析是電腦視覺領域的核心，包含使機器能夠「看見」並根據感知到的圖像做出決策的工具，這些任務包括識別物體，如手或臉（分類）、定位物體（檢測），以及精確描繪圖像中的物體輪廓（分割）。

隨著時間推移，電腦視覺的技術出現顯著發展，早期方法如「尺度不變特徵轉換」（Scale-Invariant Feature Transform，簡稱 SIFT），依賴手工設計的特徵來檢測關鍵點並根據邊緣和紋理描述物體，SIFT 和類似的方法明確編碼了人類視覺知識，但常常受限於它們對預定義模式的依賴，在處理真實世界數據的變異性時遇到困難。近期的深度學習方法、特別是卷積神經網絡（Convolutional Neural Networks，簡稱 CNNs）透過允許模型自動從數據中學習特徵，CNNs 在醫學領域特別有影響力，改進如生物醫學圖像分析等任務。最新的進展包括轉換器模型（Transformer Models），這些模型最初在自然語言處理中流行（例如 ChatGPT），現在也正在電腦視覺中被探索。

對神經科特別相關的電腦視覺方法是姿勢估計（Pose Estimation），這是基於 CNNs 的物件偵測的延伸，整合了人體關節關鍵點的拓撲模型（Topological Model），姿勢估計允許無標記且不引人注目地追踪身體動作，這個能力迅速在實驗神經科學中找到應用，包括神經遺傳學研究、神經調節和腦圖譜（Brain Mapping）繪製，甚至在 Closed-Loop 應用中使用估計姿勢作為控制訊號。雖然早期的姿勢估計模型需要大量數據和的運算能力，但許多當代模型現在可以在智慧型手機等可攜式硬體上即時運行。

電腦視覺在神經科學的應用：邁向定量表型分析

近期，姿勢估計算法被重新用在測量神經系統疾病病人和對照受試者的動作，研究數據展示出高度的準確性，與加速度計或動作捕捉等黃金標準測量不相上下；與需要專業設備的基於標註的動作捕捉系統相比，現代電腦視覺方法僅使用智慧型手機或數位相機的標準二維（2-D）影片，提供無標註動作捕捉能力，使其更易於獲取，並且可以擴展用於臨床甚至遠端應用。

電腦視覺在神經科的先前使用案例包括分析各種震顫（原發性、肌張力障礙性、帕金森氏症和其他震顫 Essential, Dystonic, Parkinsonian），運動遲緩（Bradykinesia），臉部運動障礙（眼瞼痙攣、面癱、抽動症和重症肌無力 Blepharospasm, Facial Palsy, Tics, Myasthenia Gravis），眼球運動（眼球震顫、注視位置、前庭眼球反射、平滑追蹤和認知任務中的自然掃描 Nystagmus, Gaze Position, Vestibulo-Ocular Reflex, Smooth Pursuit, Naturalistic Scanning during Cognitive Tasks），步態和姿勢障礙，神經退行性疾病中的書寫，頸部肌張力障礙中的頭部偏移，以及癲癇發作症狀和睡眠相關姿勢。此外，演算法可以應用在古早就拍好的影片檔，即使在幾十年前拍攝的影像中也能提供穩健的分析結果。

基於這些多樣化的應用，電腦視覺技術有很大潛力藉由提供超越傳統評分量表限制的客觀、定量評估來增幅我們的日常臨床照護。例如，評分量表往往無法捕捉震顫幅度或頻率的細微變化，而在醫師的智慧型手機上運行的即時電腦視覺演算法可以更準確地量化這些參數，允許精確監測疾病進展和治療反應，強化深部腦刺激或肉毒桿菌毒素療法的個別化趨勢。此外，醫師可以使用這些技術輔助他們診斷和量化複雜的醫療狀況，如眼球震顫、癲癇發作症候學、重症肌無力、睡眠相關症狀、相關情緒障礙或合併運動障礙。此外，這些技術能夠整合到遠距醫療平台，為遠距醫療的診斷和疾病追踪提供了希望，因為它們可以由病人自主管理，促進客觀的遠端評估和監測。

電腦視覺也提供了臨床試驗更敏感和精細的結果測量，這在涉及藥物或神經科 Procedure 介入的試驗中特別有價值；傳統量表可能缺乏檢測微小但有意義變化的辨識率，通常需要更大的樣本數或更長的研究時間來證明治療效果。透過產生高解析度的數位生物標記，電腦視覺可以增強試驗敏感性，降低成本，並加速治療方式開發。例如用病人自己在家錄的影片進行連續運動症狀追踪可能可以看出在門診評估期間可能被忽視的時間模式和治療反應，而增加的敏感性可能提高神經退化性疾病早期甚至症狀前期的研究。電腦視覺還使神經科臨床試驗和觀察性研究對生活在偏鄉地區的人們更加公平，COVID-19 大流行也進一步加速了視訊通話平台在臨床和學術場域中的使用，為醫師和研究人員提供了一個機會，利用電腦視覺進行神經科遠距醫療和監測。

挑戰與障礙：從技術到倫理

將電腦視覺融入神經內科臨床實踐的道路並非沒有挑戰，涵蓋了技術、倫理和實際實施方面的考量。演算法架構方面，不同的技術方法（如 2-D 與 3-D 追踪、特定疾病的模型訓練）各有優缺點，例如 3-D 姿態追踪能力可增強對複雜動作的評估，而眼球運動分析則更受益於特定疾病的模型訓練；同樣重要的是人體關節關鍵點覆蓋的精細度，專門設計的手部追踪演算法可能很擅長肢體震顫分析，但可能會標註到其他非分析重點的結構。

評估指標是另一個重點，需要臨床醫師和數據科學家的密切合作，傳統的機器學習指標如歐幾里得距離（Euclidean Distances）、預測的信心水準和時間一致性測量存在顯著局限性，缺乏臨床解釋性。越來越多的共識認為需要更精細和臨床上有意義的評估指標，如相對追踪誤差（Relative Tracking Errors）和每個標記的單獨誤差指標（Error Metrics For Each Individual Marker）。

在倫理方面，由於電腦視覺主要依賴影像數據，確保知情同意至關重要，醫師必須向病人提供關於其數據如何使用、存儲和處理的清晰、詳細解釋。數據隱私問題可以通過多種策略緩解，如匿名化和聯邦式學習（Federated Learning），但每種方法都有其自身的權衡與優劣要考量。

偏見是人工智慧研究中的一個議題，電腦視覺演算法的訓練數據集往往未能充分代表多樣化的種族和民族群體，或者醫療實務中見到的形態學變異性，為了減輕偏見，數據科學家可以使用如遷移學習（Transfer Learning）的技術與特定任務數據微調演算法，並且還必須開發考慮演算法在不同人口統計群體中表現的方法。

在使用者體驗方面，電腦視覺需要對情境變異性展示出高度穩定性，無論是住院病房、門診還是家庭環境，並且不需要大量使用者輸入或手動處理。然而，目前的電腦視覺框架尚未達到所謂的即插即用（Plug and Play）程度，它們往往需要大量時間進行校準、相機定位和下游數據處理，這對實際使用設下了重大阻礙。

電腦視覺在神經科中的未來

電腦視覺對神經科從增強診斷精確度、改進治療監測到發現神經系統疾病的新型數位生物標記都顯現其潛力，雖然臨床試驗可能由於對精確結果測量的需求而更早探索基於電腦視覺的工具，但它們在臨床上的使用也逐漸展露，特別是隨著用於即時分析的基於智慧型手機的應用程序的開發。然而，電腦視覺整合到臨床實踐中呈現出重大且獨特的挑戰，包括使用性問題、算法偏見、數據隱私問題，以及更穩健驗證框架的必要性。

為確保神經內科的電腦視覺技術符合科學和倫理標準，以及實際臨床需求，醫師、數據科學家、病人和更廣泛公眾之間的密切合作非常重要，透過審慎跨越這個變革時代，我們不僅能夠充分發揮電腦視覺的潛力，同時減輕其風險，還能夠在不同環境中民主化獲取高品質的神經科照護。

數位輔助脊椎側彎特定運動療法：為青少年特發性脊椎側彎帶來新希望

在現代醫療科技不斷進步的今日，數位健康照護（Digital Health Care）已成為改變傳統治療模式的重要動能，無論是遠距醫療、智慧穿戴裝置，還是人工智慧輔助診斷，都為病人提供了更便捷、更個人化的醫療體驗。在台灣，隨著國家推動數位轉型和精準醫療，這種趨勢更加明顯；而這波數位醫療浪潮下，數位輔助脊椎側彎特定運動療法也為青少年特發性脊椎側彎（Adolescent Idiopathic Scoliosis，簡稱 AIS）病人帶來新希望。

脊椎側彎對許多人來說可能只是一個陌生的名詞，但它其實是影響青少年健康的常見問題；青少年特發性脊椎側彎是一種原因不明的三維脊柱變形，定義為脊柱彎曲度達 10 度或以上。根據 1985 年至 2011 年間進行的脊椎側彎篩檢研究，AIS 的罹病率估計在 0.5% 至 5.2% 之間，每個班級中平均可能有 1–2 名學生正在經歷這個問題。對於柯布角度（Cobb Angle，衡量脊椎彎曲度的重要指標）大於 20 度的青少年，疾病惡化的可能性高達 70% 以上，如果不及時治療，脊椎側彎可能會導致姿勢異常、疼痛，甚至在嚴重情況下影響心肺功能。

傳統物理治療的挑戰與數位創新的機會

國際脊椎側彎矯正與復健治療學會（International Society On Scoliosis Orthopaedic And Rehabilitation Treatment，簡稱 SOSORT）建議，在青少年骨骼達到完全成熟前，應提供保守治療來預防脊椎側彎的惡化，其中脊椎側彎特定運動療法（Physiotherapeutic Scoliosis-Specific Exercises，簡稱 PSSE）是最關鍵的保守治療方法之一。

然而，傳統的 PSSE 模式面臨著多重挑戰：首先，相比常規運動如阻力訓練，PSSE 要求病人對特定的脊椎側彎類型運動有更深入的理解，這對 AIS 病人來說更為複雜和具挑戰性；再來，病人必須長期堅持標準化的 PSSE 方案，並發展出一套日常自我管理習慣，才能確保 PSSE 的療效。

在先前的高品質臨床試驗中，傳統 PSSE 模式由物理治療師在門診進行初步評估和 1 至 3 次治療課程，之後病人需要在家中自行完成 PSSE 療程，且缺乏專業監督指導。這種模式存在諸多限制，由於醫療資源（如治療師和設備）稀缺、時間限制、交通和治療費用高昂等因素，大比例的 AIS 病人無法獲得專業指導，且由於缺乏對家庭自我效能重要性的認知，病人往往無法完成家庭自主訓練方案，也未能養成日常自我管理習慣。

數位化療程在克服這些挑戰方面具有重大潛力，「慧骨智能復健系統」（Healbone Intelligent Rehabilitation System，簡稱 HIRS）是一個以使用者為中心的智慧型手機應用程式，整合了 PSSE 訓練的遠端監督和指導，以及脊椎側彎相關的衛教影片和文章，旨在完成長期 PSSE 方案和日常自我管理。

研究設計：數位照護 vs 常規照護的比較

為了評估數位輔助 PSSE 的效果，研究團隊設計了一項隨機臨床試驗，比較透過 HIRS 和衛教影片接受 PSSE 監測和指導的數位照護（Digital Care，簡稱 DC）組與遵循傳統 PSSE 模式的常規照護組的治療結果。這項研究於 2023 年 6 月 1 日至 2024 年 8 月 10 日在北京協和醫學院附屬醫院進行，符合赫爾辛基宣言（Declaration Of Helsinki）的要求，所有受試者及其家長均提供了書面知情同意。

研究納入了 9 至 17 歲的青少年，他們患有原發曲線柯布角度為 10 度以上的 AIS，且處於骨骼未成熟狀態（以 Risser 分級系統認定），經過嚴格篩選，最終 128 名病人（平均年齡 11.1 歲，97 名女性佔 75.8%，31 名男性佔 24.2%）完成了基礎評估和 6 個月追蹤，被隨機平均分配到 DC 組（64 名）或常規照護組（64 名）。

DC 組的病人接受完全遠端和以家庭為中心的 PSSE 訓練，由數位照護系統來提供；而常規照護組的病人在門診接受 3 次治療課程，由物理治療師進行，並在家中進行無監督的 PSSE 訓練。PSSE 訓練包括日常自我矯正運動（Self-Correction Exercises）和過度矯正運動（Overcorrection Exercises），日常自我矯正運動基於「科學化脊椎側彎運動」（Scientific Exercise Approach To Scoliosis Method），治療師指導 AIS 病人進行特定的三維矯正姿勢，請 AIS 病人盡可能將自我矯正姿勢融入日常活動，如坐、站和走路；如果病人無法持續主動控制姿勢，則鼓勵使用輔具（如鞋墊或坐墊）來達到被動矯正。過度矯正運動則源自 Schroth 方法，所有 AIS 病人每天進行 30 分鐘的過度矯正運動，每週至少 5 天，持續 6 個月。PSSE 訓練方案基於 PUMCH-SSE 分類建立，已被證明對 AIS 病人有效。

在數位照護模式下，HIRS 定期監控 AIS 病人家庭 PSSE 訓練的完成情況，如果病人未能完成訓練，HIRS 會藉由聊天窗口自動發送提醒，促使病人在時限內完成；如果病人長時間未進行 PSSE 訓練，HIRS 會通知物理治療師，讓治療師聯繫病人以確保訓練遵從性。如果病人遇到困難或身體不適，物理治療師會轉介給醫師做進一步評估與處理。

研究成果：數位照護的顯著優勢

經過 6 個月的介入，從病人參與度來看，DC 組的平均過度矯正運動頻率（5.30 次 vs 4.63 次，P < .001）和每週持續時間（179.44 分鐘 vs 147.84 分鐘，P < .001）顯著高於常規照護組。此外，DC 組有更高比例的病人每週超過 6 天堅持日常自我矯正運動（52 人，91.2% vs 36 人，66.7%，P = .003）。

主要結果指標 — — 柯布角度的改善，兩組在前測時無顯著差異（平均差異 -0.25 度），且兩組在 6 個月介入後均顯示出改善（DC 組：-8.36 度；常規照護組：-4.13 度；兩組均 P < .001）。6 個月介入後，兩組的柯布角度改善均超過臨床顯著的 3.5 度閾值，DC 組的柯布角度改善程度顯著大於常規照護組（意向性治療分析 Intention-To-Treat Analysis：-4.23 度，P < .001；依計劃治療分析 Per-Protocol Analysis：-4.01 度，P < .001）；柯布角度顯著改善的病人比例在 DC 組（49 人，76.6%）也明顯高於常規照護組（29 人，45.3%）（P = .001）。

在次要結果指標方面，6 個月介入後，兩組間的軀幹旋轉角度（Angle Of Trunk Rotation）改善差異不具統計意義（平均值 -0.38 度，P = .64）；然而，步態週期中骨盆傾斜角度的改善，在站立期（Stance Phase）最小值（平均差異 -1.23 度，P = .02）與最大值（平均差異 -0.76 度，P = .02）、擺動期（Swing Phase）最小值（平均差異 -1.06 度，P = .02）和最大值（平均差異 -0.84 度，P = .04）的層面上，DC 組均顯著大於常規照護組。

研究意義與未來展望

這項研究的結果指出，數位輔助的 PSSE 確實比傳統 PSSE 模式更有效地改善 AIS 病人的柯布角度，讓這類完全遠端的 PSSE 訓練方案，為傳統 PSSE 模式所面臨的挑戰提供了一種解決方案的選擇。以數位健康照護為中心的 PSSE 模式，為發展結合數位和實體方法的跨領域健康照護模式奠定了基礎，這對醫療從業者具有深遠的臨床、文化和組織意義。對於台灣的醫療體系來說，智慧型手機普及率高，數位醫療基礎設施完善，這為實施類似的數位輔助復健療程提供了理想環境，特別是在偏遠地區或醫療資源有限的地方，這種數位輔助模式可以打破地理限制，為更多需要專業復健服務的 AIS 病人提供幫助。

然而，研究也存在一些限制，由於 AIS 病人在骨骼成熟前柯布角度可能持續惡化，長期介入和追蹤是必要的。未來，研究團隊計劃進行多中心隨機臨床試驗，延長介入和追蹤的期間，進一步驗證數位 PSSE 訓練模式的療效。此外，研究中使用的 PUMCH-SSE 分類系統相比其他分類方法更為精確和系統化，因為 PUMCH-SSE 分類中的每個類別對應特定的 PSSE 訓練方案；但 PUMCH-SSE 系統中分類為 I0、IIa、IIc 和 III 型的病人發生率相對較低，導致這些類型的 AIS 病人在整體研究樣本中數量有限。

在數位化與個人化醫療的趨勢下，像這樣結合專業醫療知識與數位科技的解決方案，將為更多病人帶來希望，也為醫療產業創造新的價值。台灣具有強大的資訊科技實力和高品質醫療系統，在這個領域有著獨特的發展優勢。期待未來能看到更多台灣本土的數位醫療創新，為病人帶來更便捷、更有效的醫療體驗。

從 JAMA AI 的這四篇研究與評論中，我們看到一個清晰的未來輪廓：醫療 AI 的價值，將不再只是來自於技術的先進，而是來自於它是否真正讓照護更公平、體驗更友善、決策更客觀、結果更可衡量。綜觀而言，這四篇文章共同勾勒出四條推動醫療 AI 發展的實踐路徑：

從邊緣族群出發設計 AI，創造具同理性的醫療體驗；
以透明、可解釋與符合倫理的方式建立社會信任；
發展定量、可重現的臨床指標，支持醫療決策；
透過遠距與在地整合，促進醫療公平與照護普及。

AI 的未來，沒有理所當然的發展軌跡。我們必須不斷提問：這項技術服務的是誰？是否真正回應了病人的需求？是否強化了而非削弱了醫師的專業角色？而我們，作為臨床醫師、研究者與技術設計者，也必須共同承擔起這項轉型的責任，因為唯有在科技與人性並重的前提下，AI 才能真正為醫療帶來永續且有意義的改變。

— –

📒 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.