Deep Medicine [Chapter 12] 你的數據，誰的健康？解構虛擬醫療助理的應許、困境與未來

當機器開始決定，而不僅是執行

大家是否想過，我們現在的醫療模式真的夠聰明嗎？我們每天面對大量的病人、處理海量的數據，但我們是否真的看見了數據背後的真相？我們正處於一個巨大的結構性轉變之中，正如 Rachel Botsman 所言：「如今我們不再只是信任機器去做某件事，而是信任它們去決定要做什麼以及何時做；下一代將在一個充滿自主代理人 (Autonomous Agents) 的時代長大，無論這些代理人有沒有可愛的名字，這對他們來說都將是常態。」AI 不再只是工具，它正在成為我們的健康管家；華大基因 (BGI) 的前執行長 Jun Wang 也曾說過：「 AI 利用所有關於你的資訊，告訴你關於你健康中那些你所不知道的事情。」

從鍵盤到語音的介面結構性轉移

要理解未來的醫療，我們先得理解我們如何與科技互動；這場革命的起點並不在醫院，而在我們的手機和客廳，關於介面 (Interface) 的戰爭。

語音助理的爆發式成長：從笑話到獨角獸

當 Siri 首次在 iPhones 上登場時，更常是被當作一個笑話素材來看，那是個語音助理還在牙牙學語的年代，甚至在幾年後 Stephen Colbert 在他的舊節目《Colbert Report》中訪問 Siri 時，Stephen 問：「我快死了嗎？」而 Siri 的回答是：「我真的不能說。」那時候的 Siri 有很多做不到的事，雖然 95% 的 iPhone 用戶都在某個時間點嘗試過 Siri，但對於許多潛在用戶來說它的第一印象頗為糟糕，於是他們放棄了；這是科技採用曲線中的鴻溝 (Chasm) ，早期採用者覺得新鮮，但大眾覺得難用。然而，科技的演進往往是非線性的，它會先經歷一段平淡期、然後突然爆發。

• 2015 年：Microsoft 的 Cortana 問世，我們開始在手機上獲取交通的 AI 提示，或者提醒我們該出發去機場了。
• 2016 年：Google 釋出它的虛擬助理，非常有創意地將其稱為 Google Assistant (XD)，擁有廣泛的搜索指令範圍。
• 2016 年底：超過 40% 的智慧型手機用戶表示他們使用過這些助理。

我們越來越習慣使用人工智慧個人助理，這是個潛移默化的過程，就像溫水煮青蛙，只是這次我們是被科技煮熟的。Amazon 的 Echo 和 Dot 語音控制設備、也就是我們熟知的 Alexa 似乎已經席捲了全世界（至少是美國），早在 2011 年，Jeff Bezos 就描述他對 Alexa 的願景：「一個低成本、無所不在的電腦，它所有的『大腦』都在雲端，你可以透過語音與之互動。」雖然 Alexa 是在 2014 年底向 Prime 會員推出的，但它的普及率花了幾年時間才飆升，然而到了 2016 年底，Amazon 的生產已經跟不上需求，Echo 徹底賣斷貨，當時它已經進駐了超過 600 萬個美國家庭。

2016 年對於科技史來說是個分水嶺，稱為對話式商務 (Conversational Commerce) 元年，語音助理已經變得無所不在，以至於那一年有 250,000 人向 Alexa 求婚！聽起來很荒謬，但它反映人類對擬人化科技的渴望。截至 2018 年，運行 Alexa 的設備佔據所有語音 AI 設備的 70% 以上，被超過 6000 萬美國人使用，獲得科技獨角獸 (Tech Unicorn) 的地位，是種從根本上改變我們生活方式的罕見產品；在美國歷史上，唯一一個在兩年內被四分之一人口採用的其他技術，只有 2007 年推出的 iPhone。

為什麼語音平台的這種爆發式增長發生在這個時間點？因為人類透過說話進行互動，遠比透過鍵盤打字自然得多。

為什麼是語音？速度與效率的物理學

WebMD 的 Ben Greenberg 曾說：「我們的孫子很可能會笑我們曾經使用鍵盤。」用手指敲擊塑膠鍵盤，就像原始人還在用石頭敲擊火石一樣；無論是英語還是中文，說話的速度都比打字快兩到三倍（包括最初的語音轉錄階段以及隨後的鍵盤編輯），特別是在中文這種難以輸入的語言中，語音輸入的錯誤率顯著較低。直到 2016 年，AI 的語音辨識技術才真正成熟，當時微軟和谷歌的語音辨識技術達到了與人類打字相當的水準：5% 的錯誤率。從那時起，AI 已經超越了人類的表現。

這是個關鍵的結構性改變，當機器的感知能力（聽覺）超越人類的輸出能力（打字）時，互動模式就會發生不可逆轉的轉移。語音辨識還有其他優勢，例如不需要 ID 和密碼避免 Apps 的麻煩（許多 App 似乎每幾天就需要更新），諸多因素使得語音變得更快、Hands-free、易於使用且便宜，難怪後來出現了海量與機器學習和自然語言處理整合的其他設備，包括 Google Home、Apple HomePod、百度的 DuerOS、Clara Labs、x.ai、DigitalGenius、Howdy、Jibo、LingLong DingDong（喚醒它的方式是說 DingDongDingDong！）與 Alexa 競爭。

智慧的假象與真實的限制

MIT Tech Review 曾吹捧說：「就像智慧型手機改變了從約會禮儀到行人走路速度的一切一樣，語音 AI 正開始顛覆家庭生活的方方面面。」但它顛覆的東西其實沒什麼大不了的，使用者不再盯著智慧型手機螢幕、而是對著一個圓柱體說話，這些助理完成的任務（像是購物、播放音樂、調暗燈光、講笑話、做筆記、預測天氣，或是叫 Uber、買衛生紙或外賣）都可以透過其他方式輕易完成；問題是沒有真正有意義的對話，因為我們是在跟一個不了解世界的圓柱體說話。

微軟在中國的小冰 (Xiaoice) 雖然擁有最長的對話記錄，但那僅僅是一個機器的指標，而不是真正人類互動的近似值；在《2001 太空漫遊》引入 HAL 五十年後，我們仍然沒有達到令人信服、擴展人類對話的複製品。Amazon 有超過 3000 名工程師致力於 Alexa 的開發，但華盛頓大學電腦科學家 Pedro Domingos 有感而發：「我去參加 Amazon 的一個研討會，他們給我一個 Alexa，我的小孩超喜歡叫 Alexa 講謎語，但如果你請 Alexa 出一個關於它的謎語，它連問題都聽不懂，更不用說回答了。」

當時大型語言模型如 GPT-3 尚未問世，那時的語音助理本質上是無法理解、僅能執行指令的角色；然而當 Google Duplex 在 2018 年展示了他們類人化的聊天能力，用 “gotcha”、”mmhmm” 和 “uhm” 這些詞來進行餐廳預訂和其他現實世界的任務時，被視為未來超現實發展的預兆。這些產品並不是不會隨著時間變得更聰明或更善於交談，畢竟它們不斷地從數十億次的語音互動中學習，Alexa 擁有兩年的領先優勢並壟斷了市場，何況憑藉 Amazon 的 AI 專業知識也能增強他們語音助理的能力，儘管學習新文化來提供順暢的語音轉譯並不容易，Amazon 五年前也已經讓 Alexa 在德語、日語和法語情境中正常運作。

語音平台的包容性與全球化

語音 AI 平台也是盲人和視力受損者的一大福音；世界上有超過 2.5 億視覺功能不佳的人，光在美國就有近 60 萬名 18 歲以下的兒童和超過 300 萬名 65 歲以上的人有某種程度的視覺障礙。微軟的 Seeing AI 是款免費的 App，可以識別面孔、掃描超市食品條碼、識別貨幣並閱讀手寫字。Alexa 在家中日常任務也開始扮演視覺輔助的角色，如口述簡訊和電子郵件、尋找要看的電視節目、透過 Echo Look 評估自己的服裝和外觀，也能結合如 Aira Tech 或 MyEye 等有相機、感測器和可連網的智慧眼鏡配備。另外，世界上約有 7.8 億成年人不會讀寫，好在現在有卓越的翻譯功能可以打破語言交流的障礙，例如在中國，超過 5 億人正在使用科大訊飛 (iFlytek) 的 App，可以將中文語音轉換為英文簡訊，甚至還開發了適用於嘈雜環境的語音 App，深度神經網路現在也能掌握讀唇語的技術以幫助聽障的朋友。

隱私的夢魘：歐威爾式的大老哥

要啟動 Alexa 這類語音助理必須用喚醒詞 (Wake Word) 呼喚它們的名字 ，不少人想到在家裡有一個監聽設備會有點擔憂，就像 Mark Zuckerberg 曾把膠帶貼在他的筆記型電腦攝影機上，擔心有人可能在監視。當然我們可以關閉「始終開啟」 (Always-on) 的設定來減輕一些隱私被侵犯的疑慮，但當語音助理在作業時，產製它們的公司就會錄製使用者的對話，來訓練和改進他們的平台，儘管他們號稱使用者有權力選擇刪除所有內容（但很少人會費心去做這樣的事）；也因此，Alexa 被戲稱為歐威爾的大老哥 (Orwell’s Big Brother)。

2017 年 Amazon 推出了新的 Echo 加上相機的衍生產品，如附加顯示螢幕的 Spot、觸控螢幕的 Show 和 Echo Look，後者使用機器學習演算法來告訴我們身上的穿搭是否美觀時尚；諸如「海豚攻擊」 (Dolphin Attack) 這類的技術已經開始顯露出語音助理的漏洞，駭客可能會用人類耳朵聽不到的超音波頻率來控制啟動語音的小工具。不過從另一個角度想，即使這些語音助理監控著我們的一舉一動，它們彷彿也提供了逃避現實混亂的避難所，避開了部分的摩擦和緊張，將我們置於一個精心安排、了解我們、根據我們的慾望來塑造的虛擬世界中，適應我們的愛好和偏見，Amazon 用古典神話來命名智慧音箱是個神來之筆，每個納西瑟斯 (Narcissus，自戀者) 都配得上一個艾可 (Echo，回聲)。

儘管有這些問題和恐慌，語音很可能會成為虛擬助理的平台；理想情況下要有在智慧型手機和喇叭之間自動切換這類的無縫性，或者一個強大的智慧型裝置平台（具有人臉、語音和文字辨識模式，VR 或 AR 眼鏡？）來承載運行。Alexa 已有搭配智慧手錶和耳機，但當遇到要分析大量文字（如推薦餐廳的菜單選擇）時，語音輸出還是有限，最好在螢幕上就能看到適當的解決方案。迄今為止，將 AI 引入醫療多是為了賦能醫師、而不是病人，隨著近 80% 的人口攜帶智慧型手機，專用語音助理也有機會成為支持消費性健康產業需求的合適平台，那時我們可能會看著冰箱問：「今晚我該吃什麼？」

醫療 AI，狹隘但充滿潛力的起步

目前市面上有許多健康 AI App 號稱能促進健康或提高慢性病管理的效能，但它們的能力還是相對狹隘，主要也是欠缺足量的隨機對照試驗來證明這些產品可以改善健康狀態，目前的產品背後仰仗的多是小型的回顧性或觀察性研究。

糖尿病與慢性病管理：規則與算法的混戰

糖尿病一直是個蠻受醫療 AI 開發者受歡迎的目標。

• Onduo：由 Verily 和 Sanofi 共同組成的公司，目前走得蠻穩固的，結合智慧型手機 AI 對食物的視覺辨識、連續血糖感測器數據和體能活動（如步數），透過訊息功能提供指導。

• Wellpepper：結合 Alexa、體重計和腳部掃描儀，糖尿病病人站上體重計後掃描他們的腳，這些圖像透過機器學習分類器處理，以檢測糖尿病足的潰瘍，結合語音提示用以收集額外數據、提供衛教和管理技巧。

• Virta：相對昂貴的（每月 400 美元）智慧型手機 App，旨在透過演算法遠端指導病人的怎麼監測血糖、控制飲食、進行運動和使用藥物來改善第 2 型糖尿病。

• 其他新創：像 Omada Health 和 Accolade 用 AI 和人類教練的混合方式來進行糖尿病健康管理。

包括 Dexcom、Abbott 和 Medtronic 在內製造連續血糖感測器的公司，並沒有具備能夠將營養、體能活動、睡眠、壓力、腸道微生物組 (Gut Microbiome) 和其他可能有助於人們做健康管理的數據納入考量的深度學習演算法；它們反而是用比較死板的 Rules-based Algorithms（與大家過去在病房門診看到十二導程心電圖沒有什麼不同），僅根據先前眾人平均值來警告使用者的血糖變化趨勢，有點像是用後照鏡開車，告訴你剛才撞到了什麼，而不是預測前方路況。

營養與體重管理｜從基因到腸道

Veritas Genetics 這家率先提供低於 1000 美元的全基因組定序的公司，收購了家 AI 公司，願景是將一個人的基因組數據與客製化營養指導相結合，但他們距離「Alexa，我該吃這塊披薩嗎？」的想法還很遠，因為我們對營養基因組學 (Nutrigenomics) 的了解非常有限；也有許多針對減肥的 AI 公司：

• Lark：使用智慧型手機聊天機器人 (Chatbot) 藉由社群的力量減肥。

• Vida：針對減肥、糖尿病和血壓管理的 AI App，主打個人化健康行動計畫，追蹤自主報告的心理壓力、飢餓程度和精神狀態。

像 Noom 和 Iora Health 這類利用真人教練從事健管的公司相當成功，可作為持續透過 AI 增幅的基礎，或者也許 Hybrid 的形式可能是最佳策略。

癌症與專科應用：數據的聚合

Tempus Labs 這家公司聚合病人的綜合數據，包括人口統計學、腫瘤基因組序列和個人 RNA 序列、免疫反應、醫療影像、液態活檢 (Liquid Biopsy) 循環腫瘤 DNA 定序和類器官 (Organoids)，以及治療相關資訊、追蹤數據，他們不僅與美國國家癌症研究所 (National Cancer Institute) 中心合作，還在 2017 年底獲得了來自美國臨床腫瘤學會 (ASCO) CancerLinQ 超過 100 萬名病人的數據；CancerLinQ 的數據庫反映了全美 100 多個執業單位的 2000 多名腫瘤科醫師在社區執業的情況，憑藉著數據整理，Tempus 與 Precision Health AI 的合作者一起開發改善癌症治療結果的演算法。

其他專科應用

• Second Opinion Health (Migraine Alert)：2017 年推出的智慧型手機 App，收集間歇性偏頭痛患者的潛在觸發因素數據，如睡眠、體能活動、壓力和天氣，機器學習演算法從 15 次發作中學習該病人的模式，以 85% 的準確率預測即將發生的頭痛，給使用者時間在疼痛發作之前先服用預防性藥物，而不是等頭痛發作後再治療。

• ResApp Health：用智慧型手機麥克風聽一個人的呼吸，機器學習演算法據稱可以以高準確率（約 90%）診斷幾種不同的肺部問題，如急慢性氣喘發作、肺炎和慢性阻塞性肺病。

• 醫師配對：AI 被用於通過整合許多特徵來將病人與基層社區的醫師做配對，實現對信任度量的高預測準確率。

聊天機器人與老年照護：陪伴與監測

還有許多 AI 聊天機器人（有些運作在 Alexa 和 Google Home 上）和智慧型手機 App 執行各種功能，如檢查症狀、促進藥物依從性、回答與健康相關的問題，包括 Ada、Florence、Buoy、HealthTap、Your.MD、MedWhat 和 Babylon Health。不過，Babylon Health 在 2018 年舉行公關活動並在官網上發布白皮書，比較聊天機器人與七名醫師的診斷，聲稱 Chatbot 更為優越，卻因方法學和過度腦補而受到嚴厲批評；Quartz 的記者在醫師的協助下評估了 65 個 Alexa 的任務表現及其提供的健康資訊，得出「Alexa 是個糟糕的醫師」的結論。

其他公司如 care.coach 採用語音驅動的小狗頭像形式來與老年人互動並幫助監測安全；Aifloo 這家瑞典的新創公司則開發了一種腕帶，與 AI 結合使用來檢測跌倒風險、提醒護理人員。這類技術雖然永遠不能完全取代人類的實際照護，但在輔助方面可能是有助益的，特別是考量到人口社會結構高齡化、照顧資源與成本嚴重失衡的現況，只是目前 AI 虛擬健康教練還有待加強數據收集及驗證，以應用於解決我們真實社會現存直面的問題。

構建未來的虛擬醫療助理

如果我們想要實現深度醫療，就不能只停留在零散的應用，未來的虛擬醫療助理必須是個能夠整合所有數據的超級大腦；醫療助理不僅賦能醫師在專業層面做得更好，更能幫助普羅大眾在照顧自身健康，因為沒有人（無論是醫師還是病人）能夠處理所有的數據，而當 AI 機器以病人為中心時，我們能將演算法擴展提供與個人及社群健康資料的個人身上產生益處；《Lancet》總編輯 Richard Horton（其實他更常表示對技術的懷疑）說：「用智慧醫療機器人取代醫師是科幻小說中經常出現的主題，但由數位助理提供個人化醫療建議、並輔以自我監測的智慧型裝置數據，這種想法不再顯得不可信。」不過，我們現在還有太多缺失且關鍵的部分需要組裝拼湊起來。

數據的完整性：打破還原論

虛擬醫療助理的價值很大程度地取決於輸入的數據，畢竟沒有任何演算法的高階技術或運算能力可以不透過乾淨高品質的訓練，就擠出不存在但符合人類需求的資訊；一個人的所有健康相關數據都需要被整合，理想情況下是從產前階段開始並貫穿一個人的一生，無縫且持續更新。直到現在，醫學中一直存在一種還原論 (Reductionist) 的觀點，在人類基因組計畫 (Human Genome Project) 中顯而易見，不過前提是一旦了解基因變異將能揭露每個人的疾病風險和治療，這比較偏向線性思維，少將健康和疾病的複雜本質及我們的微生物組、免疫系統、表觀基因組 (Epigenome)、社交網絡和環境的多維互動考量進去。

將一個人的所有數據合併是關鍵的第一步，而且它是動態的，無論是從我們佩戴的感測器、諸如職涯轉換造成生活壓力事件的影響、腸道微生物組測試的結果，這些數據都必須不斷無縫地被組裝和分析，理想上使用者根本不用透過 App 或網站手動輸入就能捕捉到這些資料，很可惜現在多數產品還無法達成這種絲滑順暢的體驗；Google 曾與羅徹斯特大學的生物醫學工程師合作設計一個馬桶座，當使用者坐在上面時能一邊測量血壓，或站到體重計上、看浴室鏡子時同步獲取生命徵象，這些都是獲取數據又不顯眼費力的方式。

智慧型手錶也持續收集比更多數據，如 Fitbit 的 Ionic 或 Versa、Apple Watch 可以獲得連續的心率、睡眠和體能活動資料，不過這些數據（理論上是 AI 教練的珍貴 Input）的問題在於品質，例如許多手錶號稱能測量睡眠分數，但當然遠不如監測腦波來得精確，計步器雖可以計算步數但不適用於自行車或游泳等其他體能活動，輸入數據的品質非常重要，如果不重視訓練資料的訊雜比將會損害 AI 助理輸出的價值。

深度神經網絡的挑戰：個人大數據

深度神經網絡的示意圖，輸入一個人的所有數據以及醫學文獻，以提供健康指導的輸出結果。

參考上圖，這個神經網路對個人來說確實是大數據的產物，可能需要數百個中間層、隱藏層才能獲得我們想要的輸出，也就是即時、準確、高度預測性、有價值的指導以促進健康。如果只看這張圖的單一模型，確實過於簡化且不切實際，可能需要結合其他 AI 工具，何況我們還不確定究竟哪些元素構成每個人的 Holistic 全景視角，因為個體差異很大、會因人而異，例如我們需要哪類特定的感測器來預防或管理某種疾病呢？是轉錄組學 (Transcriptomics) 或表觀基因組學嗎？如果要幫一個病人分析成千上萬種代謝物可能需要用到成本高昂的質譜分析 (Mass Spectrometry)；又有哪些人應該要監測血漿循環腫瘤 DNA 以進行癌症的早期篩檢、或要監測 RNA 表現量以追蹤身體臟器的健康情形、多久要追蹤一次？哪些環境數據和感測器適合用來監控空氣品質或花粉量？似乎有無限多種的生物學、生理學、解剖學、心理社會和環境數據可供我們選擇。

意外發現的腫瘤與黑洞：數據的陷阱

越是深入看個人的指標，我們就越可能掉進兔子洞，最終得到偶然的意外發現，可稱之為「偶發瘤」 (Incidentaloma)；以高階健檢掃全身 MRI 或 CT 為例，常常看到無症狀的異常、接著安排進一步評估（如 Biopsy），最終證實是良性囊腫、水泡或結節；這就為 AI 教練的 Input Layer 帶來難題，輸入一大堆各種面向的資料常換得的是偽陽性 (False Positive) 的輸出，而不是專注在實現改善健康 Outcome、疾病預防或更好疾病管理的預期目標。

神經網絡 AI 能幫助我們發現和理解人體中 X 如何與 Y 和 Z 連結，如同來自大腦的訊號會影響血壓、來自腸道微生物組的信息可能增加罹癌風險，但我們對這些互動組 (Interactome) 依然所知甚少，況且還有第四維度—時間的艱鉅挑戰，每個人都是動態的，以某種方式不斷演變與波動，所以無論餵給 AI 多少數據，我們都要承認它的可解釋性依然存在某種程度的限制，AI 醫療助理或教練也須在隨機對照試驗中進行測試，才能被醫界與社會接受及使用。

中國的雄心：iCarbonX

中國的碳雲智能 (iCarbonX) 由曾領導中國最大基因組公司（華大基因 BGI）的 Jun Wang 創立，已經吸引了超過 6 億美元的資金和許多企業合作夥伴，包括 SomaLogic、HealthTell、AOBiome、General Atomic Technologies Corp、Robustnique、Imagu、PatientsLikeMe、及中國最大的兩家保險公司友邦保險 (AIA) 和中國人壽 (China Life)。iCarbonX 的數據收集計畫相當有野心，包含生活方式、DNA 定序、蛋白質組學、代謝組學、透過自身抗體的免疫系統、轉錄組學、腸道微生物組、連續血糖監測等數據，目標是向 100 萬人學習並開發終極的 AI 虛擬醫療助理聊天機器人；公司的口號是「Manage your life. Digitally.」，有人推測 iCarbonX 需要 1000 萬人而不是 100 萬人的訓練資料、以及遠超過 6 億美元的資本才有辦法執行這項深遠任務，但至少他們有個對更廣泛 AI 人類健康教練的重大願景。

對某些團隊來說，像 iCarbonX 嘗試去追求人類健康的所有層面可能太空泛了，或許專注於相對可預防的特定疾病（如心臟病、氣喘、癲癇發作或敗血症）或可管理的慢性疾病（包括高血壓、糖尿病、憂鬱症或不同類型的癌症）可能更有意義且實際，但在決定哪些數據是有用的 Input，目前還是欠缺共識。理想上，我們需要餵給虛擬醫療教練所有生物醫學領域的文獻，它才能記得人類醫師可能忘記的先天性罕病、更新最能符合個人需求的治療處方，但這比 IBM Watson 讀完所有維基百科還要複雜好幾個量級，需策劃如何有邏輯性地吸收所有資訊、並鑑別每年發表的數百萬篇生醫研究的品質，這目前還沒有通往自動化的 AI 途徑，不過個人偏心 Gemini 3 在某種程度上已經做得還算不錯。

數據所有權的戰爭，你必須擁有的權利

至少在美國，EHR 是個偏狹隘、不完整、經常出錯的系統，不斷被複製和貼上、但病人無法編輯，因為 EHR 最初是為計價目的設計、而不是為了幫助民眾改善健康，某方面來說這也是未來虛擬醫療助理的瓶頸。

為什麼你需要擁有你的醫療數據

我們的抽血、影像、切片報告是取之於我們的身體，而我們也會這些資料付費（檢查總要掛號看診排檢批價吧），理論上病人是這些資料的所有者，而不是醫師和醫院；在美國，就醫機構所在的州在法律上擁有病人的數據，如果病人擁有並控制自己的醫療資料，比較能防止被駭客攻擊或在不知情的情況下被出售自己的數據，數據的隱私和安全有賴從大規模伺服器（駭客的主要攻擊目標）去中心化，例如存儲在私有雲、邊緣裝置或區塊鏈平台上。

即便資安保障之下，大多數美國醫師不願意分享病人的資料，醫院診所都在積極從事資訊封鎖 (Information Blocking)，擔心如果共享給其他院所，就會失去自己對病人的控制；其中一種方法是使用不產生具有可互操作文件的封閉系統，儘管美國政府 HHS 已經透過法規和道德勸說希望醫院停止這類做法，問題仍然存在。有沒有可供參照的成功案例呢？後蘇聯小國愛沙尼亞 (Estonia) 被描述為數位共和國 (The Digital Republic)：「愛沙尼亞系統使用區塊鏈平台來保護數據隱私和安全，每個人都能擁有關於自己的所有資訊。」沒有人可以在未經確認的情況下查看某人的醫療數據，愛沙尼亞健康資訊系統的效率驚人，包括為護理師提供的 App、在病人出院返家之前就提供就醫資訊、具有即時生命徵象監測（由 AI 演算法進行解釋）的遠距醫療等。其他如芬蘭和瑞士等國家，雖然缺乏如愛沙尼亞般深厚的數位基礎設施，也賦予了他們公民醫療數據所有權。

未來的樣貌，從圓柱體到有溫度的靈魂

最終，我們不會只滿足於跟 Amazon 和 Google 所設計的圓柱體說話，未來的語音醫療教練需要非常容易攜帶，例如人臉頭像內置 AI 感測器來檢測使用者的情緒或疲勞程度，助理跟教練的眼睛會與使用者進行密切接觸、並隨使用者移動，參與對話的能力也正在迅速提高；目前已有些產品在航空公司或銀行的服務平台中被使用，將軟體轉移到智慧型手機、平板電腦或手錶平台將是下一步。不過，還是有很多人根本不想要 AI 教練，可能出自於對老大哥和隱私的擔憂；但如果 AI 教練確實改善健康並降低醫療成本，雇主和保險公司會有誘因推動這些設備的使用，對那些渴望自主權的人可能會產生道德問題；儘管 AI 教練只是軟體和演算法，但擁有的成本可能也不低，加劇健康不平等已經存在的問題。

虛擬醫療助理的最終成功將很大程度取決於人類行為的改變，因為幾乎大部分的疾病與不良生活型態有關；近年來我們對行為科學的掌握進展不少，但對讓人們怎麼更健康地生活仍然知之甚少，我們在看到警告鯊魚出沒水域的標誌時會避免下水，但民眾通常不會對生活型態改變的警告做出立即且持續的反應，改變行為需要針對無意識的心理過程，那些塑造我們行為的微妙、物理線索：助推 (Nudges)。儘管有財務或其他誘因、遊戲化或管理競賽等策略，目前我們還沒找到能持久改變一個人健康習慣的有效助推，但或許有機會善用模型來預測個人線上與實體的行為，來識別哪些人可能會對某種行為改變有反應。

未來 20 年的場景預演，AI 醫療助理的一天

Dr. Eric 認為，醫療未來的巔峰將是構建虛擬醫療教練，以促進 Self-Driving Healthy Humans)，讓我們來看看以下場景。

場景一：心臟與視網膜

AI (Rachel)：「Bob，我注意到過去十天你休息狀態下的心率和血壓一直在飆高，你能拿出智慧型手機視網膜成像 App 拍張照片嗎？」

Bob：「好的，Rachel，在這。」

AI：「Bob，你的視網膜沒有顯示任何血壓失控的跡象，還不錯，你有任何胸悶嗎？」

Bob：「沒有，Rachel。」

AI：「鑑於你的心臟病基因風險概況，我只是想確認一下。」

Bob：「謝謝，Rachel。上次我在跑步機上時下巴有一些奇怪的感覺，但幾分鐘後就消失了。」

AI：「Bob，那可能是心絞痛，我認為運動壓力測試有助於進一步評估。我看了你下週的時間表，並暫時安排在週二下午 4 點與黃醫師見面，如果你方便的話，醫院就在你下班回家的路上。」

Bob：「謝謝，Rachel。」

AI：「要記得帶你的運動鞋和輕便衣褲，我會提醒你。」

幾個技術突破：1. 視網膜成像作為心血管健康的生物標記；2. 基因風險評分 (Polygenic Risk Scores) 的整合；3. 自然語言理解與日程安排的自動化。

場景二：居家超音波與膽結石

David：「我肚子有些不舒服。」

Karen (AI)：「你感覺這種感覺多久了？」

David：「大約兩個小時，而且似乎越來越糟。」

Karen (AI)：「不舒服的位置大概在哪裡？」

David：「在偏右上腹的地方。」

Karen：「你最後一餐是吃什麼？什麼時候吃的？」

David：「我下午一點的時候吃了一個漢堡、一包薯條和一杯紅茶。」

Karen：「好的，你有其他症狀嗎？例如想吐？」

David：「沒有，只是肚子痛。」

Karen：「好的，讓我們拿出你的智慧型手機超音波探頭並把它放在你的肚子上。」

David：「我放了。」

Karen：「你需要把超音波探頭向上並向右移動。」

David：「是那樣嗎？」

Karen：「是的，好多了，我看到你有膽結石，這可能是解釋你不舒服的原因，你媽媽也有膽結石的家族史，你的基因風險評分報告也吻合。」

David：「可能是喔。」

Karen：「讓我聯繫張醫師看看他的想法與建議是什麼；好消息是，超音波底下的結石看起來像是可以用藥物溶解的。」

這裡展示了手持式超音波 (Handheld Ultrasound) 的普及化，結合 AI 的即時引導（告訴病人如何移動探頭）和診斷。

場景三：微生物組與飲食

Randy (AI)：「我剛拿到你最新的腸道微生物組數據報告。」

Robin (AI)：「好的，它寫什麼？」

Randy：「優勢細菌是 Bacteroides stercoris，它在你體內的量是平均的二十倍；我剛剛查閱了文獻，上週在《Nature》上有一篇文獻說這會導致你在吃碳水化合物後血糖飆高。」

Robin：「是喔？我有點擔心，因為我的血糖感測器在飯後波動很大、高點蠻高的，而且我在過去一個月裡瘦了好幾公斤。」

Randy：「對，讓我諮詢 YouBiome 的醫學專家，看看他們推薦什麼微生物組調節相關的治療建議，馬上回來。」

[播放你最喜歡的音樂五分鐘]

Randy：「他們說不需要服用 PDQ 益生菌，建議低碳飲食至少四週，然後重新評估你的血糖。」

Robin：「好的。」

Randy：「報告寫還有另一種名為 S. fecalis 的細菌存在，表示你有比較高的大腸癌風險。你上次做大腸鏡檢查是七年前，我可以預約，或者你想先抽血進行腫瘤 DNA 檢測？」

Robin：「我先抽血好了，那個大腸鏡檢查前準備超折磨人。」

Randy：「我已經訂購了試劑盒，週三會送來。」

微生物組學 (Microbiome) 與液態活檢 (Liquid Biopsy) 結合，AI 不僅提供資訊，還能即時查閱最新文獻（如《Nature》），並協調物流行為（訂購試劑盒）。

場景四：環境感測與氣喘預防

Sarah (AI)：「你覺得現在呼吸還好嗎？」

Katie：「很好。」

Sarah：「你正在靠近一個氣喘發作的紅燈區。」

Katie：「謝謝你提醒我。」

Sarah：「我們來做個肺功能測試。」

Katie：「好的…. 我剛對著呼氣器吹氣。」

Sarah：「收到了，你的一氧化氮偏低、用力呼氣量低，建議吸兩口你的吸入器。」

Katie：「完成了，而且我看到你要我走避開那條街的路線。」

Sarah：「應該只需要多兩分鐘。」

Katie：「關於肺功能結果，你有什麼建議？」

Sarah：「看起來像是少運動和高花粉量的組合，家裡和工司的污染物環境感測器是穩定的，沒有上升趨勢。」

Katie：「我會多走路。」

整合了環境感測器（氣喘發作熱點、花粉、空氣品質）與個人的生理數據，實現預防性的健康管理。

場景五：睡眠呼吸中止與生活方式

John (AI)：「我看到你昨晚的血氧飽和度下降到 67 %。」

Ann：「我忘了戴我的 BiPAP 面罩。」

John：「你的血壓當時爬到 195，而且整晚都很高，收縮壓平均 155。」

Ann：「所以不只是睡眠呼吸中止症？」

John：「你體重增加了 12 公斤，過去一週沒有運動可能也有影響。」

Ann：「那是因為我的背在痛，只好一直坐著又忍不住嘴饞吃東西。」

John：「是的，我明明有一直提醒你！」

Ann：「好的，夠了，你被 Fire 了。」

這個幽默的結尾提醒我們，即使有最好的 AI，人類還是會有情緒和抗拒，AI 需要具備高情商來處理這種情況。

通往「自動駕駛人類」的未來

從 Siri 的笑話到 Alexa 的求婚，從鍵盤的敲擊到語音的低語，這不僅是技術的演進，更是人類與健康關係的重新定義；我們曾將身體交給醫師、將數據交給醫院、將命運交給機率；而今，AI 虛擬醫療助理試圖將這一切的主控權還給我們自己。2025 年 12 月（此時此刻），Included Health 推出的「Dot」不再是泛泛而談的聊天機器人，而是個用 100 億個 AI token 訓練、深度整合理賠數據、社福資訊和醫療記錄的個人化健康管家，採用 Clinician-in-the-Loop 模式，讓 AI 處理行政事務與日常導航，而醫療人員在關鍵時刻無縫介入；這正是 iCarbonX 當年追求的「AI + EQ」（人工智慧 + 情商）願景的具體實踐，機器不再冰冷，而是懂得何時該說話、何時該閉嘴、何時該把麥克風交給真正的人類。

Kaiser Permanente 也已將 Abridge 的環境文檔解決方案部署到 40 家醫院和 600 多個醫療機構，這是醫療史上最大規模的生成式 AI 部署；2025 年醫療 AI 支出達 14 億美元，幾乎是前一年的三倍，而 Google 的 Gemini 3 與 Med-Gemini 系列則在影像判讀、基因組學和臨床推理上展現了前所未有的多模態能力，這些已不再是概念驗證，而是真槍實彈的臨床應用。

然而，光鮮亮麗的數字背後，挑戰依然嚴峻。影子 AI（Shadow AI）在醫療機構內悄悄蔓延，75% 的組織承認存在技能缺口，治理（Governance）成為 2026 年的首要議題，數據的完整性、隱私的保障、演算法的可解釋性、行為改變的困難，每一個環節都是巨大的考驗。Rachel 會提醒 Bob 去做心臟科檢查，Karen 能辨識 David 的膽結石，Randy 可以即時查閱最新文獻，但 Ann 仍然會因為情緒而 Fire 掉 John；這或許正是深度醫療深刻的洞察：再聰明的 AI，都無法取代人與人之間那份不完美但真實的連結。未來已來，只是它需要的不只是演算法，還有同理心、信任，以及我們願意為自己健康負責的勇氣。

你準備好與你的 AI 教練對話了嗎？

— –

📒 Compiled by — 台中慈濟醫院復健科 R4 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.