Claude for Healthcare｜醫療 AI 大戰正式開打，誰擁有最後的微笑？

2026 年 1 月，兩家全球最狂的 AI 公司幾乎同時宣布要進軍醫療，OpenAI 在 1 月 7 日丟出 ChatGPT Health、Anthropic 隔了四天在 1 月 11 日發布 Claude For Healthcare，時間點巧到讓人懷疑這根本是算計好的對決。為什麼選在這個時候？為什麼是醫療這個水深到不行的產業？這兩家公司明明走的路線完全不同，為什麼要在同一個時間點擠進同一個戰場？

全球醫療 AI 市場在 2024 年大約是 265.7 億美元，聽起來還好對吧？但接下來才是重點 ，這個市場在 2033 年會膨脹到 5,055.9 億美元，十年之內要成長將近二十倍、年複合成長率接近 40%，這種成長速度在任何產業裡都很瘋狂。醫療產業的 AI 採用率已經達到 22%，是整體經濟平均 9% 的兩倍多；換句話說，醫療產業不是還沒開始用 AI，而是已經在狂奔了，從 2023 到 2025 年，使用健康相關 AI 的醫師比例從 38% 暴增到 66%，幾乎翻倍。為什麼醫療機構這麼急著導入 AI？答案很簡單：錢和效率。KPMG 的調查顯示，65% 的美國醫療組織說 AI 正在重新定義他們的營運模式、80% 的院所期待 AI 能透過自動化降低勞動成本、92% 的高階主管認為擁抱 AI 的組織將獲得決定性的競爭優勢。

為什麼是大型語言模型？

在進入 Claude For Healthcare 的細節之前，我們得先搞清楚一件事：為什麼是 LLM，而不是傳統的醫療 AI？傳統的醫療 AI，比如用來看 X 光的影像識別系統，通常只能做一件事，看肺癌就是看肺癌，看骨折就是看骨折，不能跨界。這種 AI 的能力範圍很窄，但在那個窄範圍裡可以做得很精準，這類服務在醫療裡存在幾十年了，沒什麼新鮮事；LLM 完全是另一回事，它能理解人類、也能生成自然語言，我們可以用講話的方式跟它互動，不需要學特殊的介面或指令，用中文或英文跟它說，它就能懂；在醫療環境裡，這種能力帶來的最直接影響就是：它可以處理醫師最討厭的文書作業。

美國醫師的 Burnout 問題裡，文書負擔是排名前列的原因，很多臨床醫師花在電子病歷系統裡打字的時間，已經超過實際看病人的時間，Anthropic 的首席產品長 Mike Krieger 說得很直白：「臨床醫師經常表示，他們花在文檔和文書工作上的時間比實際看診病人的時間還多。」如果能用 AI 把時間省掉一半以上，等於是在醫療產業裡幾乎不可能被拒絕的價值主張。LLM 的潛力遠不止於此，它還能讀取和理解大量的非結構化資訊，例如病歷記錄、研究論文、保險給付規範，當我們把它和 API、外部數據連接器結合起來，它就變成了一個能在不同資訊系統之間搭橋的智能中間層，這正是 Anthropic 在設計 Claude For Healthcare 時看到的最大機會，不只是做一個文字生成工具，而是試圖成為醫療產業資訊流動的核心基礎設施。

Claude For Healthcare 到底在玩什麼把戲

Claude For Healthcare 在 2026 年 1 月 11 日正式亮相時，帶著幾個明確、必須一起看的策略，才能看出 Anthropic 在這個市場裡到底想幹嘛。第一個策略是 HIPAA 合規，對醫療產業來說，HIPAA（Health Insurance Portability And Accountability Act，健康保險可攜性與責任法案）不是什麼可有可無可省略的東西，它幾乎是進入這個市場的門票，任何系統如果要處理病人的受保護健康資訊（PHI），就必須滿足 HIPAA 的安全和隱私要求 ，沒有例外；這也是為什麼之前大多數通用型 AI 工具都無法直接進入醫療核心工作流程的原因，若沒有這張門票，醫院不敢拿它們來處理病人的敏感資訊。

Claude For Healthcare 宣稱自己是首個同時在三大雲端平台：AWS 的 Bedrock、Google Cloud 的 Vertex AI、以及 Microsoft Azure 的 Foundry 同時提供 HIPAA 合規基礎設施的 LLM，三雲可用的部署彈性看起來像技術細節，但實際上非常重要，不同醫療單位的雲端策略各不相同，有些長年在 AWS、有些在 Azure，很少有機構會因為導入一個 AI 工具而改變整個雲端基礎設施，Anthropic 選擇同時支援三個平台，等於省去了這個障礙。

在數據政策上，Anthropic 給出了幾個承諾，包含消費者的健康數據不會被用來訓練模型、不會被納入模型的記憶中、數據共享採用選擇加入機制、使用者可以隨時中斷連接或修改權限；目前很多科技公司在數據使用政策裡的措辭都模糊不清，但 Anthropic 把這些限制寫得很明確。當然，承諾終究是承諾，還需要時間觀察實際執行情狀來驗證。

連接器架構，讓 AI 進入醫療系統的插座

理解 Claude For Healthcare 的核心，不只是看它的語言模型有多強，更要理解它怎麼和外部醫療資訊系統連接，他們用了一個叫做 Model Context Protocol（MCP）的開源標準，MCP 是 Anthropic 開放給整個開發者社群使用的接口標準，目標是讓 AI 系統能夠安全地存取外部工具和數據源。把 MCP 想象成電視的 HDMI，以前連接電視的方法五花八門，這種線那種線一堆，這種插座插不進那種設備，非常混亂；後來有了 HDMI 統一接口，不管哪個設備只要支持這個標準就可以直接連接，MCP 就是為 AI 系統設計的「標準插座」，只要第三方的醫療系統支持這個標準，Claude 就能順暢地從中讀取數據或觸發操作，不需要為每個系統都重新開發一套接口。

在 Claude For Healthcare 裡，這個連接器架構帶來了幾個具體的數據渠道。第一個是 CMS Coverage Database，讓 Claude 能直接存取 Medicare 和 Medicaid 的 Coverage 數據庫，支援事前授權的審批，這是美國醫療保險制度裡最煩人的環節之一；第二個是 ICD-10 國際疾病分類第十版的編碼系統，是全球醫療計費和理賠管理裡通用的語言，知道這個編碼就知道病人得的是什麼疾病、該怎麼計價；第三個是 National Provider Identifier Registry，用來驗證醫療服務 Provider 的資格；第四個非常值得關注，PubMed 連接器讓 Claude 能直接存取超過 3,500 萬篇生物醫學文獻，也就是當我們問一個臨床問題時，Claude 可以即時將回答和最新的文獻證據連結起來，而不只是依賴模型本身訓練時學到的知識。

除了這些數據的讀取功能，Claude For Healthcare 還引入了一個叫做 HealthEx 的合作平台，HealthEx 連接了超過 50,000 個醫療系統，可以將個別病人的電子病歷安全地帶進 Claude 的對話中；當用戶授權之後，Claude 可以看到這個人的醫療史。當然，這種數據存取需要病人本人的同意和授權，是 HIPAA 規章的最基本前提。

實際工作流程裡到底發生了什麼？

光談「連接到了哪些數據」還不夠具體，讓我們說說這些數據連接在實際的醫療工作裡能產生什麼影響，也就是說當 Claude 進入了醫療系統之後，日常的工作流程到底產生什麼變化。

第一個是事前授權，在美國這個讓醫師和醫院都罵翻的環節；簡單來說，當醫師要開處方或安排某種治療之前，保險公司會要求「先批准可不可以」，要醫師或醫助從不同來源收集大量文件，例如病人的病歷記錄、相關的臨床指引、保險的給付要求 等，再把這些東西整合成一份申請書，過往這個過程動輒就要花幾個小時，而且常常需要來回補充資料、打電話確認細節。Claude For Healthcare 設計的理想狀況是把這些零散的資訊源自動化地整合起來，減少人工查找和輸入的時間，讓事前授權的流程變快、變省力。

第二個是理賠申訴，當保險公司拒絕給付某種治療時，醫院可以提出申訴，但申訴能不能成功，取決於能不能給出足夠有說服力的臨床證據；以前這類工作通常由經驗豐富的專業人員來完成，他們需要找出病人病歷或醫療記錄裡支持這種治療方法的所有細節，把這些細節和保險政策條款以及臨床指引交叉引用，最後匯成一份有邏輯、有說服力的申訴書，Claude 能自動將這些分散的資訊源整合起來並生成草稿，省掉的就是這段瑣碎但消耗巨量時間的過程，最終提交前再經過人類的審查和修改。

第三個應用場景自帶一個客戶案例，Elation Health 是美國一個 Primary 醫療 EHR 平台，服務約 46,000 個臨床人員，他們把 Claude 整合進 EHR 系統後，推出了一個叫做 Clinical Insights 的功能，這個功能的核心是讓 AI 在醫師看病之前就先把病人的歷史病歷「讀完」，包括以前的就診記錄、檢查結果、藥物使用史，然後生成一份精簡的看診前摘要，省掉醫師每次看新病人前還要自己翻閱好幾頁病歷的動作。根據 Elation Health 公開報告的數據，這個功能讓病歷審查的時間減少了 61%，讓醫師在這個環節上花的時間幾乎省掉六成。

另外一個很重要但容易被忽視的應用方向是保險公司，保險公司面對的問題和醫院稍有不同，它們需要快速處理大量的事前授權請求和理賠，而這些工作的核心在於能不能快速地將來自不同來源的資訊進行交叉驗證，Claude For Healthcare 把臨床指引、政策條款、病人資訊自動整合進工作流程，減少人工處理的時間和錯誤率。

Banner Health 大規模導入

上面說的那些功能還比較抽象，讓我們看看 Banner Health 這個案例，它是美國最大的非營利醫療系統之一，橫跨六個州、管理 33 家醫院，員工超過 55,000 人，可說是企業級的導入，涉及的使用者規模足以驗證這種技術在真實環境裡能不能長期穩定運作。Banner Health 推出了一個叫做 BannerWise 的內部 AI 平台，核心語言模型就是 Anthropic 的 Claude，根據 Banner Health 公開揭露的數據，他們有超過 22,000 名醫師在使用這個系統，而其中 85% 的醫師表示工作效率明顯提升，不只是「還可以」，而是「明顯加速工作處理、而且準確率更高」。

但這個數字需要放在適當的脈絡裡來理解；首先，這是醫師使用者自主回報的數據，本質上存在使用者滿意度偏差，也就是滿意的人比不滿意的更容易回覆調查；其次，85% 反映的是主觀感受，不等於經過對照實驗驗證的效率提升幅度。但從另一個角度看，在一個 22,000 人規模的組織裡，要讓 85% 的人都說「這東西有用」，這本身就不容易 ，至少說明這個產品在解決真實的痛點，而不只是一個漂亮的展示品，Banner Health 的 CTO Mike Reagin 說他們選擇 Anthropic 的原因之一就是看中 Claude 在資安基礎上的設計。

Novo Nordisk 從十週到十分鐘

如果說 Banner Health 展示的是量（一個大組織裡有多少人在用、用得怎麼樣），那 Novo Nordisk 的案例帶來的是另一種衝擊：一種效率的量級跳躍。Novo Nordisk 是全球最大的糖尿病製藥公司之一（近幾年因為 GLP-1 類藥物，包括著名的 Ozempic 而大紅大紫），在生命科學領域，臨床研究文件是個極其耗時的工作，每進行一個臨床試驗，需要產生大量的標準化文件來滿足監管機構的要求，這種文件工作以前可能需要幾個星期甚至超過十週的時間來完成。Novo Nordisk 導入了 Claude For Life Sciences（這是 Anthropic 在 2025 年 10 月先於 Claude For Healthcare 發布的、專攻生命科學相關產業的版本）後，公開表示這類臨床研究文件的時間從超過 10 週縮短到大約「10 分鐘」。

這個數字聽起來誇張到幾乎像廣告詞，從幾個星期到十分鐘，縮短了幾千倍？是的，它確實誇張，但理解這個數字的關鍵在於縮短的不是寫文件本身，而是開始動手寫之前必須經過的「收集、整合、格式化」這些周邊工作。在傳統流程裡，研究人員需要從不同的系統和資料來源手動收集數據，再按照特定的模板格式進行整理，這種流程單獨操作每一步驟都不難，但累加在一起的時間消耗就變得非常龐大。Claude 能自動將這些分散的資訊源整合起來並按要求生成草稿，省掉的就是這段瑣碎但極為耗時的過程。當然最終的文件在正式提交前仍需要經過專業人員的審查和修改，不是點一下就完成的黑盒子歷程，真正省掉的是從「開始動手」到「得到一個可被審查的草稿」之間的等待時間，從這個角度看，從幾個星期縮短到幾個小時或幾天，才是這個數字的真實含義。

Carta Healthcare 同樣提供了一個值得注意的數據，這家處理臨床數據的公司導入 Claude 後，公開報告處理時間減少了 66%、準確率達到了 99%，這兩個數字放在一起看，既能同時省時間又提高準確率，是技術導入裡最令人感興趣的組合，因為通常效率和準確率之間存在無法兼得的取捨，但兩者居然同時改善了。

Constitutional AI：資安不是點綴，而是核心

看完這些功能和案例之後，一個很自然的問題會浮上心頭：這種技術用在醫療裡會不會太危險？如果 AI 說錯了什麼，不就害人了嗎？這個問題正是理解 Anthropic 的核心設計哲學為何格外重要的原因。

Anthropic 開發了一種叫做 Constitutional AI 的方法論，傳統的 AI 訓練方式是給模型大量數據讓它學習，然後用人類的反饋來調整輸出；這種方法很有效，但模型到底「學了什麼」、「在什麼邊界裡運作」並不總是透明的，Constitutional AI 做了一個不同的選擇，它給 AI 系統一套明確的原則，讓 AI 在生成回答之前能夠「自我審查」這個回答是否符合這組原則，從而在設計源頭就設定安全的邊界。

在 2026 年 Anthropic 發布的新版規範裡，這套原則被設計成四層優先級，從高到低依序是：安全、倫理、合規、有用性；意即當「有用」和「安全」發生衝突的時候，Claude 會選擇安全，寧可給出一個「不那麼 Helpful」但「不會害人」的回答，在醫療情境裡，這種設計選擇格外重要，因為「過度 Helpful」在醫療裡可能比「略少 Helpful」危險得多。比如說，如果一個用戶問的問題實際上需要的是立即插管 CPR，但 Claude 給出了一個「看起來合理但實際上是錯的」建議，這種錯誤帶來的後果在其他領域可能只是不便，但在醫療裡可能會害人。

這種哲學在用戶端得到正面反應，說明這不只是 Anthropic 自己的想法，而是醫療組織的決策者真正在乎的東西；Qualified Health 的聯合創辦人暨醫師 Justin Norden 說：「安全在醫療場域中是不可妥協的，Anthropic 在建立具有強大安全基礎的模型方面一直是明確的領導者。」但我們必須誠實地說，Claude 仍然會產生幻覺，意思是生成看起來合理但實際上不正確的資訊，這是目前所有 LLM 共同的技術限制，不管是 Claude 還是 ChatGPT 都有這個問題，也沒有任何巨頭假裝這個困難不存在。Anthropic 的生科負責人 Eric Kauderer-Abrams 也坦然說：「這些工具非常強大，對很多人來說可以節省 90% 的時間，但對於每個細節都很重要的關鍵用例，你絕對應該檢查資訊。」這句話值得所有想導入醫療 AI 的院所與專業人員仔細記在心裡。

Anthropic 自己設的紅線

除了技術層面的安全措施，Anthropic 從政策層面也主動設定限制，根據 Anthropic 公開發布的可接受使用政策，當 Claude 被用於「醫療決策、醫療診斷、病人照護、治療、心理健康或其他醫療諮詢」等高風險用例時，必須由該領域的合格專業人員在生成的 Output 被傳遞給終端使用者或最終確定之前進行審查。這不單是建議，而是強制要求，Anthropic 主動將自己的產品限制在「輔助」的角色裡，要求人類專業人員始終站在最後一個決策環節上。在科技產業裡，這種自我限制的做法相對罕見，大多數科技公司的本能是把產品的應用範圍推得越廣越好，因為這樣才能帶來更多的使用量和營收；Anthropic 選擇的策略恰恰相反，先讓產品變得「可信」，而不是先讓它變得「無處不在」，短期內可能讓產品的應用範圍變窄，但在醫療這種對信任要求極高的產業裡，這反而可能是取得長期 Game Player 資格的路徑。

看對手在做什麼：三家巨頭的不同玩法

想更深入掌握 Claude For Healthcare 的意義和潛力，必須先理解它的對手們在做什麼，因為這不只是 Anthropic 自己在算計優勢，而是幾家巨頭同時進軍同一個市場，各自帶著不同的策略和不同的 Upside。

OpenAI 的策略是「從使用者基礎出發」，他們在兩週前我們文章所談到 1 月 7 日推出的 ChatGPT Health，每週有 2.3 億人向 ChatGPT 詢問健康相關問題，也就是在這個產品還沒被正式標記為醫療產品之前，普羅大眾早就開始用 ChatGPT 來處理健康焦慮了，比如問「這種症狀是不是很危險」、「我最好去看什麼科」之類的問題，ChatGPT Health 所做的就是把這種非正式的「健康諮詢」行為從隨意的聊天變成一個結構化的健康平台，它可以連接 Apple Health、MyFitnessPal 等個人健康應用，將個人的健康數據整合進來。在企業端，它提供面向醫師的工作平台，OpenAI 還開發了一個叫做 HealthBench 的評估基準，由 262 位醫師參與設計，用來客觀檢驗 AI 回答健康問題的質量。目前公開的企業客戶包括 AdventHealth、HCA Healthcare、Boston Children’s Hospital、Cedars-Sinai、Stanford Medicine Children’s Health，許多都是美國算頂級的醫療機構。

Google 選擇的是另一條路：開發醫療專用模型，Google 推出 MedLM 醫療基礎模型系列，還有 Med-PaLM 2，這個模型在 USMLE（美國醫師執照考試）上的準確率達到了 86.5%；2026 年 1 月 13 日 Google 推出 MedGemma 1.5 ，這是個開源的醫療 AI 模型，能夠判讀三維的 CT 和 MRI 掃描影像。Google 在這個方向上的差異化優勢相當明確，它是幾個競爭者裡唯一真正能處理醫學影像的，不只是理解和生成文字，還能「看」片並進行分析，這種多模態能力是目前 Claude 或 OpenAI 相對缺乏的領域，也是 Google 在這場競爭裡手上最強的幾張牌之一。

Microsoft 在 2022 年以 197 億美元收購了 Nuance Communications，Nuance 當時已經是醫療語音識別的市場領導者，Dragon 系列產品被美國 77% 的醫院使用，收購完成後，Microsoft 把 Nuance 的技術升級為 Dragon Copilot（也叫 DAX Copilot）這個環境臨床文檔工具，能在醫師看病的同時，自動將醫病之間的對話轉換為標準規格的臨床病歷紀錄。根據 Menlo Ventures 的數據，環境臨床文檔市場在 2025 年達到了 6 億美元，而 Microsoft Nuance 佔據約 33% 的市場份額，但 Microsoft 真正的護城河不只在 Market Share，更是 DAX Copilot 已經被深度整合進 Epic 這個美國最主流的 EHR 系統。原生整合意味著它不需要醫院另外開設新系統或改變任何工作流程，AI 功能直接就在他們每天使用的軟體裡，整合深度是其他競爭者短期內很難複製的。

Anthropic 在這個三方戰局裡選擇的是「平台加生態系」的定位，不試圖直接與 Microsoft 在環境文檔裡打正面戰，也不試圖開發醫療專用模型來和 Google 比，而是把 Claude 定位為一個通用的智能中間層，透過連接器和生態系合作夥伴，嵌入已經存在的醫療資訊流程裡。這種策略的優勢讓它能夠快速進入市場而不需要從零開始建立完整的產品，但代價是要依賴生態系夥伴的品質和數量來決定自己能 Cover 的範圍。

環境臨床文檔：目前最大的戰場

在所有醫療 AI 應用裡，環境臨床文檔是目前錢丟得最多的單一市場，2025 年市場規模達到 6 億美元，比一年前成長了約 2.4 倍，這種技術的原理不複雜、我們過去已經聊了數次：用 AI 系統在醫師看病的過程裡即時聽取醫病之間對話，自動將對話轉換為標準格式的臨床紀錄，包括主訴、病史、檢查結果、評估與計劃等結構化內容。為什麼這種技術會變得這麼受歡迎？因為它直接解決醫師最厭煩的日常痛點，看完病人還要花幾十分鐘把看診的內容一筆一筆輸進 EHR 系統裡，重複性的文書工作讓很多醫師每天下班後都帶著一種莫名的空虛感。

Kaiser Permanente 是美國最大的醫院體系之一，在導入環境臨床文檔後，一年內超過 250 萬次病人就診使用了這個功能，有超過 10,000 名醫師啟用，是醫療史上目前為止最大規模的生成式 AI 部署；在這個戰場上，Anthropic 並沒有直接建立自己的環境文檔產品，而是選擇了透過合作夥伴來進入，Commure 就是其中一個代表性的合作夥伴，它使用 Claude 作為底層模型來提供環境 AI 臨床文檔服務，規模達到每年數千萬次，這種「平台帶動生態系」的策略讓 Anthropic 可以在不直接與 Microsoft 正面競爭的情況下，側面進入這個最大市場，但就像剛剛說的，Anthropic 在這個戰場的命運某種程度上取決於它的合作夥伴做得多好，而不只取決於 Claude 本身。

Claude For Life Sciences，藥物研發的另一個機會

在整個故事裡，有個分支很容易被忽視，但它涉及到的市場規模同樣巨大，就是 Claude For Life Sciences。Anthropic 在 2025 年 10 月先於 Claude For Healthcare 發布了這個產品，目標用戶不是醫院或保險公司，而是製藥企業和生物技術公司。藥物研發是全球最燒錢的產業之一，開發一個新藥平均需要 10 到 15 年、花費超過 20 億美元，大家對這些數字可能已經耳熟能詳了，但要實際感受它們的重量還是需要反覆咀嚼，即使近幾年 AI 開始涉入藥物研發的輔助，但 Pharma 的高成本、高風險本質並沒有根本性地被改變。

Claude For Life Sciences 自帶好幾個專業的科學平台連接器：ClinicalTrials.gov 美國臨床試驗登記庫、Open Targets 治療性藥物靶點識別平台、ChEMBL 生物活性化合物數據庫、10x Genomics 提供單細胞分析數據、Benchling 支援實驗室資訊管理，這些連接器讓 Claude 能夠從這些科學數據源直接讀取資訊，在臨床試驗設計、監管資料提交、Pre-Clinical 研發等工作流程裡變得十分有用。技術性能方面，Anthropic 在 Protocol QA Benchmark（協議質量評估基準）上，Claude Sonnet 4.5 得了 0.83 分，而人類基準是 0.79，可以說在驗證實驗室 Protocol 正確性這個特定任務上，Claude 的表現超過平均人類表現。當然這只是一個特定測試，不能直接推論「Claude 比所有人類科學家都強」 ，但它確實顯示這種技術在特定、定義清楚的任務上已經達到了可信的水準。

Sanofi 是另一個值得看的案例，它是全球前五大製藥企業之一，導入 Claude 後，公開表示大多數員工開始每日透過他們內部開發的一個叫做 Concierge 的應用來使用 Claude ，；AstraZeneca 同樣是個重要合作者，他們將 Claude 應用在 AI 驅動研發裡，強調 Claude 能帶來「機制可解釋性」，不只是給出答案，還能解釋為什麼是這個答案，這在藥物研發裡特別重要，因為每個決策背後的「為什麼」都會影響後續的研發路徑。

FDA 監管：決定戰局勝負的棋盤

FDA 對醫療 AI 採用風險等級分類來監管，低風險的 Class I 幾乎不需要特別程序，中等風險的 Class II 通常透過 510(k) 程序來批准，而高風險的 Class III 需要經過最嚴格的上市前批准程序。截至 2025 年 7 月，FDA 的公開數據庫已經列出了超過 1,250 個 AI 啟用的醫療設備，其中 96% 以上是透過 510(k) 途徑批准的；細分來看，放射科佔絕大多數（956 個），再來是心血管和神內的應用。

2026 年 1 月初，FDA 發布了一份新的指引，顯著放寬了對某些臨床決策支援軟體（CDS）的監管要求，只要臨床醫師能獨立審查並理解 AI 建議背後的根據，不只看到建議本身、還能理解這個建議背後的緣由，這種工具就可以無需經過 FDA 審查便進入市場，對整個醫療 AI 產業來說是個非常重要的信號，FDA 開始將「透明度」和「可解釋性」視為允許 AI 進入臨床流程的條件，AI 不再因為它是 AI 就被禁，而是只要它能讓臨床醫師理解和驗證它的建議，FDA 就允許它進入臨床流程。另外，FDA 在 2019 年引入預定變更控制計劃（PCCP）的機制，允許廠商在獲得初始批准後，在預先批准的範圍內更新 AI 模型，無需經過新的 FDA 審查，對於需要持續學習和更新的 AI 系統來說格外重要，因為一個固定不變的 AI 模型在醫療裡的壽命很短，數據會變、治療指引會更新、新的證據會出現，模型也必須跟著演進，PCCP 給這種演進一個合法的路徑。

Anthropic 也做了個具體的配合動作，簽署 CMS（Centers For Medicare and Medicaid Services）健康技術生態系承諾，支持對話式 AI 的公私領域合作，目標是現代化醫療數據共享、改善病人結果，配合監管機關的姿態在信任建立方面的指標性意義可能比其他技術功能都重要，因為在醫療裡，信任建立是從制度、而不只從產品開始。

不能迴避的風險

幻覺問題是醫療 AI 最明顯的風險，Bloomberg 在評論 ChatGPT Health 和 Claude For Healthcare 時，直接說這種技術在醫療裡帶著「致命的缺陷」，因為 AI 可能生成看起來完全合理但實際上完全錯誤的資訊，在醫療裡，這種錯誤可能導致誤診、延誤治療、甚至危及生命。這不是理論上的風險，而是在開發者社群裡被反覆驗證過的技術限制，沒有任何一家公司目前能做到完全沒有幻覺。

FDA 在 2024 年對超過 1,000 個已批准的醫療 AI 進行透明度調查，結果平均的 AI 特徵透明度報告評分僅為 3.3 分（滿分是 17 分），近一半沒有報告臨床研究、超過一半沒有報告任何性能指標，代表很多已經進入市場的 AI 醫材或軟體，連它們自己的效果都沒有被好好評估過，這是整個產業裡令人擔憂的現象。除此之外，約 6% 的醫療 AI 在上市後面臨召回，通常在上市第一年內發生，這些數據指出在進入市場和被充分驗證之間，還存在著一個巨大的落差，從產品開發、監管到臨床使用者，整個生態系的各個環節都還在學習怎麼正確地處理 AI 帶來的新型風險。

還有一個很重要但很少被談起的風險：責任的模糊，當 AI 工具協助醫師做了一個錯誤的決策時，隨後發生的醫療疏失或問題由誰來承擔責任？開發 AI 工具的公司，還是使用這個工具的臨床醫師或醫師所執業的醫療院所？根據目前的案例法和授權協議慣例，大多數情況下責任落在臨床醫師身上，在某種程度上產生了一個弔詭的困境：AI 工具的錯誤可能由使用它的人來承擔，顯然是整個產業都還沒找到令人滿意答案的問題，而且這個問題不只影響 Anthropic，也影響所有進入醫療的 AI 公司。

未來二十年將走向何方

世界經濟論壇在未來醫療報告裡勾勒了 2030 年的幾個關鍵預測，他們預見的第一個變化是預測性預防醫療將從概念轉為真正的實踐，醫療系統開始能夠在病人還沒發病之前，根據數據預測風險並建議預防策略；第二個變化是醫院的形態將從今天的大型綜合建築轉變為以重症和複雜手術為核心的網絡節點，因為大量的日常醫療工作將被分散到基層診所和數位平台上處理。這兩個變化本質上可以說是很類似的方向：醫療從「發病後治療」開始邁向「發病前預防」。

Morgan Stanley 的研究估算了 AI 在醫療裡可能帶來的長期經濟影響，藥物開發可能節省 1,000 到 6,000 億美元、醫院效率提升可能節省 3,000 到 9,000 億美元；BCG 預測 AI 每年可能挽救超過 25 萬人的生命、將診斷錯誤率降低達 86%。這些數字當然帶有預測性質色彩，但它們的數量級本身說明這種技術被研究者視為具有深度社會影響力的東西，不只是一個效率工具。但這些光明的預測裡，有個非常重要的挑戰幾乎被遮蔽了，就是慢性病；到 2050 年，慢性病可能佔全球總死亡率的 86%，65 歲以上的高齡人口比例將翻倍達到約 20.7%，未來幾十年裡最大的醫療挑戰不只是效率，而是「預防」，AI 能不能在更深層次的挑戰裡發揮作用，將是決定醫療 AI 真正長期價值的終極考驗，從這個角度來看，現在的醫療 AI 產品，包括 Claude For Healthcare，或許只是這條極為漫長路上的第一步。

Claude For Healthcare 目前在台灣還不會是個立即產生衝擊的產品，它目前設計的連接器和基礎設施幾乎全是美國市場導向的，CMS Coverage Database 連接的是美國的 Medicare 和 Medicaid，在台灣完全不適用；事前授權的流程在台灣的全民健保裡和美國也截然不同。但幾個結構性的訊號值得在台灣的我們一看，第一是醫療 AI 產業的整體成長趨勢是全球性的，亞太地區的成長速度正在快速追趕西方，台灣作為亞洲醫療技術比較先進的地區，這種趨勢無法迴避；第二，台灣全民健保面臨持續的財務壓力，而 AI 在行政效率化上的潛力（比如優化理賠、給付爭議處理、臨床文件自動化等）在理論上都可以轉移到台灣的脈絡，但需要開發本土化的連接器和應用層，也是台灣本土企業可以切入的機會；第三，台灣目前缺乏類似 FDA 對醫療 AI 的完整監管框架，國際上已經開始形成共識的「AI 治理」問題，台灣還需要趕緊跟上。

整個醫療產業正在重組

回到我們一開始的提問：為什麼 OpenAI 和 Anthropic 要幾乎同時進軍醫療？現在答案應該變得清晰，不只是這兩家公司在搶一個新市場，而是整個醫療產業正在經歷一種深層結構性變化，從「說好的數位化」到「真正的智能化」。Claude For Healthcare 的核心不在它有多強大的模型，而在於它把智能語言處理能力與醫療產業的每一層資訊基礎設施連接起來，從 EHR 到保險數據庫、從臨床文獻到臨床試驗平台，這是種「Infrastructure」、而不是「應用程式」的思維方式，這種差異在早期可能不太明顯，但隨著時間推移，掌握基礎設施的企業將掌握整個生態系裡的話語權，這種現象在科技產業裡幾乎處處可見，從互聯網到智慧手機到雲端運算都是如此。

同時，我們反覆提到 Anthropic 的承諾「最終決策仍需要人類判斷」不只是一個安全措施，也揭示這個產業接下來幾年將反覆強調的核心原則：在醫療這種涉及人命的領域裡，AI 的角色不是「取代」、而是「強化」，當全球醫療 AI 市場在未來十年從今天的幾百億美元膨脹到幾千億美元時，真正勝出的將不只是技術最強的企業，而是最先讓醫師、醫院、和病人同時信任它的企業，至於 Claude For Healthcare 能不能成為這種信任的代表，還需要接下來幾年的時間來驗證。

醫療從來不是一個可以快速迭代試錯的產業，當 OpenAI 和 Anthropic 幾乎在同一時間點衝進這個戰場，他們押注的不只是技術，也可能是個根本性的信念，醫療系統已經準備好讓渡部分控制權給機器智能，這場賭局的籌碼是未來十年數千億美元的市場、數十萬條可能被挽救的生命、以及整個產業運作邏輯的重組。但最關鍵的問題從來不是 AI 能做到什麼，而是我們願意讓它做到什麼，Claude For Healthcare 選擇將自己定位為輔助者而非決策者，這種自我克制可能是在醫療這片土地上長期存活的路徑，當技術的野心碰上生命的脆弱，謙遜比狂妄更有生存價值。接下來十年，我們將見證醫療 AI 如何從展示品變成基礎設施、從輔助工具變成不可或缺的夥伴，但在那個未來真正到來之前，每一個錯誤、每一次幻覺、每一個責任模糊的灰色地帶，都是這個產業必須誠實面對的考驗。技術會進步，但信任需要時間累積，而在醫療裡，信任比什麼都貴。

— –

📒 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.