JAMA 總結 2025 醫療 AI｜被遺忘的瓣膜、隱藏的身心科疾病、臨床試驗參與者

聽診器後的下一次革命

如果說 1816 年 Laennec 發明聽診器讓醫師得以「聽見」體內的聲音，開啟了理學檢查的現代化；那麼 2024 年至 2025 年間，人工智慧與電子病歷的深度整合，則是讓我們得以「看見」數據背後的病理邏輯與隱形趨勢，我們不再只是討論 AI 能否通過醫師國考這種用來博眼球的新聞標題，而是開始探究 AI 如何重塑醫院的行政流程？如何預測我們看不見的敗血症風險？如何從雜亂無章的護理紀錄中抓出思覺失調症的早期徵兆？以及最重要的，這一切將如何改變「醫療」這門生意的本質？

近期《美國醫學會期刊》（JAMA）及其子刊（JAMA Network Open, JAMA Internal Medicine, JAMA Psychiatry, JAMA Cardiology）發表一系列關於醫療 AI 的 Real-world Data 臨床驗證，我們以這些文獻為經、全球與台灣的產業現況為緯，來拆解 Generative AI 與 Predictive AI 的交互作用、醫療軟體巨頭 Epic Systems 的護城河策略、歐盟的監管反擊，以及台灣在健保資料庫與硬體優勢下，如何在這場賽局中找到定位。

醫療 AI 的採用路徑與馬太效應

在討論 AI 有多神奇之前，我們必須先看「誰在用」以及「怎麼用」，如唐鳳所言，技術的擴散從來不是均勻的，在醫療領域更是如此；JAMA Network Open 在 2025 年發表的一篇由 Jordan Everson 博士進行的研究，為我們揭示 Path Dependence 的現象。

從預測性 AI 到生成式 AI 的跳板效應

根據這項針對美國非聯邦急症照護醫院（Nonfederal Acute Care Hospitals）的調查研究，醫院是否採用最前沿的生成式 AI（Gen AI），與他們過去是否使用預測性 AI 有著極強的正相關；數據顯示，已經在電子病歷系統中整合 Machine Learning 預測模型的醫院，成為生成式 AI Early Adopters 或 Fast Followers 的機率，比未曾使用預測性 AI 的醫院高出了 26.2 個百分點（95% CI, 16.8–35.6），這告訴我們醫療 AI 的導入存在著巨大的技術護城河與馬太效應（Matthew Effect）— —富者越富，為什麼會有這種現象？我們可以從三個維度來解析：

1. Infrastructure Inertia：已經部署預測性 AI（例如預測敗血症風險、再入院率、或是手術室排程優化）的醫院，通常已經經歷過一輪痛苦的 Data Governance 洗禮、打通了不同科部的 Data Silos、建立了清洗數據的 Pipeline，並擁有足夠的算力資源或雲端接口，因此對於這些醫院來說，導入 Gen AI 就像是在現有的高速公路上跑新車，但對於連預測性 AI 都沒用過的醫院，他們還得先鋪路。
2. Local Evaluation Capacity：研究進一步指出，擁有 Local Evaluation Practices 的醫院，採用 Gen AI 的機率也高出了 23.3 個百分點（95% CI, 14.7–32.0），代表醫院內部是否有團隊能夠評估 AI 模型的 Accuracy、 Fairness 與 Safety，是能否擁抱新技術的關鍵，對於台灣的大型醫學中心（如臺大、榮總、長庚）是個警訊也是機會，若缺乏內部的 AI 評估小組，將很難跟上這波浪潮。
3. Vendor Lock-in：許多預測性 AI 是由大型 EHR 廠商（如 Epic, Oracle Cerner）直接提供的模組，當這些廠商推出 Gen AI 功能時，原本的客戶自然成為第一批使用者，加劇了大型軟體巨頭的壟斷優勢。

Narrow AI 與 Gen AI 的本質區別與融合

預測性 AI（Predictive / Narrow AI）

• 功能：專精於特定任務的判斷者
• 範例：根據病人的生命徵象預測 24 小時內發生敗血症性休克的機率；從胸部 X 光片中匡列出肺結節；預測急診未來的流量以安排人力。
• 技術基礎：主要是 Supervised Learning，依賴大量標註過的結構化數據。
• 局限：它的能力是窄的，換個場景就失效（例如訓練於白人的皮膚癌模型在亞洲人身上失效）。

生成式 AI（Generative AI）

• 功能：具備廣泛理解與創造能力的創造者。
• 範例：撰寫出院病歷摘要；將生硬的檢驗報告轉譯為病人看得懂的衛教文章；從雜亂的門住診病歷中提取關鍵診斷。
• 技術基礎：大型語言模型（LLM），如 GPT-4, Med-PaLM，依賴的是對語言概率的理解，能處理非結構化數據。

目前的趨勢是這兩者的融合，醫院不再滿足於單一的預測模型，而是希望利用 Gen AI 來處理非結構化數據（如醫師手寫的 Progress Note），將其轉化為結構化資訊，再餵給預測模型使用，從而大幅提升預測的準確度。例如，過去的敗血症預測模型可能只看血壓、白血球數值（結構化數據），但未來的模型會結合 Gen AI，讀懂護理紀錄中「病人看起來精神萎靡」、「家屬表示病人昨晚胡言亂語」這些非結構化描述，提早數小時發出警報。尋找能提供 End-to-End 解決方案、無縫整合 NLP 萃取與風險預測的公司，將是未來的獲利關鍵，而單純做影像辨識或聊天機器人的公司，護城河將越來越淺。

文件與行政流程的自動化

作為醫師，我們最痛苦的往往不是看病人，而是寫病歷，Pajama Time 這個術語生動描述了美國醫師下班回家後，穿著睡衣還在電腦前清理收件箱（In Basket）、回覆病人訊息或趕寫出院病摘的慘況，不僅降低了生活品質，更是導致美國醫師 Burnout 的主因之一；JAMA Internal Medicine 與 JAMA Network Open 的最新研究為我們帶來了曙光，但也敲響了警鐘。

LLM 寫的出院病摘：比你好，但會「一本正經地胡說八道」

UCSF 一項 Cross-sectional Study 比較 LLM 與醫師撰寫 Discharge Summary 的品質，納入 100 個內科住院病歷，由 22 位主治醫師進行雙盲審查：

1. Efficiency Wins：LLM 在行文的簡潔度和連貫性上完勝人類醫師，對於我們復健科或內科醫師來說是一大福音，我們常要在一堆複製貼上的冗長病歷中大海撈針找重要資訊，LLM 能夠去蕪存菁、提供結構清晰的摘要，大幅降低了 Information Overload。
2. Trade-off on Detail：LLM 的得分在完整性上顯著較低，可能會遺漏某些看似微小但臨床上重要的細節（例如某次抽血的鉀離子稍微偏高，或病人對某種罕見抗生素過敏）。
3. Hallucination Risk：這是最需要警惕的點，LLM 生成的摘要中錯誤數量明顯較多（平均 2.91 vs. 醫師的 1.82 個錯誤）；雖然研究指出，這些錯誤經過評估後的 Harm Score 極低（大多是日期弄錯、無關緊要的數值偏差），並未造成嚴重病人安全事件，但錯誤多本身就是個信任殺手。
4. 醫師的角色轉變：研究結論並不是要 AI 取代醫師，而是確立了 “Clinician-in-the-loop”（人機協作）的模式，醫師的角色從 Writer 變成了 Editor，我們需要從頭開始打字的痛苦消失了，取而代之的是核對 AI 草稿的責任。

專注於醫療 NLP且具備強大錯誤偵測與校正功能的軟體公司，如微軟收購的 Nuance (DAX Copilot)、Nabla、Ambience Healthcare 等，核心競爭力在於如何將對話錄音（Ambient Listening）轉化為準確的 SOAP Note，並最大限度地減少幻覺。

Epic Systems 的護城河：In Basket ART 與自動回覆

除了出院病歷摘要，另一個戰場是醫病溝通，代表性例子是美國電子病歷龍頭 Epic Systems 推出的 In Basket ART（Augmented Response Technology）利用 GPT-4o 來自動草擬回覆給病人的 MyChart 訊息。

Mayo Clinic 的實證數據

• 時間節省：初期 Pilot Study 顯示，護理師利用 AI 回覆每條訊息的時間節省了約 30 秒。
• 規模效應：若推廣至全院，預計每月可節省 1,500 小時的護理時數，對於人力短缺的醫療體系來說，等於憑空多出了數名全職護理師。
• 意外溫柔：有趣的是，研究發現 AI 草擬的回覆往往比忙碌的醫護人員更具同理心（Empathetic），當醫師忙到焦頭爛額時，回覆往往簡短冰冷（”目前結果正常，繼續觀察追蹤”），而 AI 會寫出（”親愛的陳先生，很高興告訴您檢查結果在正常範圍內，請繼續保持…”），對於提升病人滿意度很重要，而這直接影響美國醫院的評鑑與給付。

台灣的醫療環境雖然不像美國有極為繁重的保險文書，但醫師在 LINE 群組、醫院 App 上回覆病人問題的壓力與日俱增，台灣的 HIS 市場相對破碎，但類似的自動化回覆模組，若能結合台灣在地的醫療用語庫（如 “台式醫學中文”：BP, Sugar, C/O chest pain），將是國內 HIS 廠商頗佳的切入點。

超越人類感知的診斷，深度學習的銳利視角

如果說生成式 AI 是協助我們處理文書的秘書，那麼 Deep Learning 就是位擁有超級視力的診斷大師；JAMA Cardiology 與 JAMA Psychiatry 的兩篇研究，展示了 AI 如何在被遺忘的角落挖掘出巨大的臨床價值。

被遺忘的瓣膜：三尖瓣逆流的 AI 偵測

三尖瓣逆流（Tricuspid Regurgitation, TR）長期以來被心臟科醫師稱為被遺忘的瓣膜（The Forgotten Valve），為什麼被遺忘？因為它位於右心，在傳統 2D 心臟超音波中，受限於解剖位置與形狀的不規則，很難精確量化，往往等到病人出現嚴重的右心衰竭、下肢水腫、肝腫大時才會被重視，但此時手術風險偏高。Cedars-Sinai 醫學中心開發的 EchoNet-TR 模型，利用深度學習分析了超過 4.7 萬筆超音波檢查，包含近 208 萬個影片：

1. 超越靜態影像：模型不是看單張圖片，而是 Video-based deep learning，能捕捉血流的動態變化，更符合人類心臟科醫師的判讀邏輯。
2. 驚人準確率

• View Classification：模型能以近乎完美（AUC 0.999–1.000）的能力，自動從數十個混雜的超音波影片中，抓出標準的 Apical 4-Chamber View，這是自動化分析的第一步，也是最難的一步。
• Severity Detection：在偵測臨床顯著 TR（中重度以上）方面，模型在 Stanford Healthcare 的外部驗證集中，AUC 高達 0.951（95% CI, 0.938–0.962），判斷力已經達到甚至超越部分資深超音波技術員的水準。

這項研究的意義不在於取代心臟科醫師，而在於篩檢的普及化；三尖瓣逆流是死亡的獨立危險因子，透過演算法，未來基層診所甚至居家照護使用的手持式超音波，即便由非心臟專科醫師（如家醫科、急診、復健科）操作，也能在後端 AI 的輔助下，幫忙抓出隱藏的心臟衰竭風險。結合手持式超音波硬體（如 Butterfly Network, GE Vscan, 台灣的華碩與明基）與邊緣運算 AI 診斷軟體的企業，硬體毛利低且競爭激烈，能夠提供高準確度 AI 輔助判讀的軟體訂閱制是應該納入考慮的護城河。

精神科的聖杯：從電子病歷預測思覺失調症

精神疾病的診斷往往依賴長期的觀察與主觀的會談，缺乏像抽血或 X 光的客觀 Biomarkers，導致許多病人在確診前已經經歷了長期的未治療期（Duration of Untreated Illness, DUI），預後不佳。JAMA Psychiatry 發表的跨國研究，利用丹麥 PSYCOP (PSYchiatric Clinical Outcome Prediction) 的電子病歷資料庫，預測思覺失調症（Schizophrenia）與躁鬱症（Bipolar Disorder）的進程：

• 模型表現：使用 XGBoost 演算法，預測思覺失調症的 AUC 達到 0.80；相比之下，躁鬱症的預測較難，AUC 僅 0.62，反映躁鬱症臨床表現的 Heterogeneity 更高。
• 文字的力量：臨床紀錄（Clinical Notes, 非結構化文本） 的預測價值，遠高於結構化數據（如診斷碼 ICD-10、藥物處方）。
• 特徵分析：模型發現，醫師在病歷中隨手寫下的描述（例如「病人眼神接觸減少」、「說話跳躍」、「情感淡漠」），往往比正式下診斷碼早了數年預示疾病的發生。

NLP 在醫療數據挖掘中扮演重要角色，過去我們依賴 ICD 編碼做研究，但 ICD 編碼往往是為了保險申報而生，存在滯後性與失真；真正的臨床洞見，藏在醫師的 Free Text 中，但這也帶來了隱私權的挑戰，要訓練這樣的模型，必須深度挖掘病人的隱私對話。如何在 GDPR（歐盟）或 HIPAA（美國）以及台灣個資法的框架下進行此類研究，是未來的法律戰場。

製藥產業的價值解鎖：臨床試驗參與者篩選

新藥開發最昂貴、最耗時的環節是什麼？不是研發，是臨床試驗的 Patient Recruitment；據統計，高達 80% 的臨床試驗因招募不足而延誤，每天的延誤都是數百萬美元的專利期損失。傳統的篩選方式是 Study Coordinator 手動翻閱數百份病歷，尋找符合 Inclusion/Exclusion Criteria 的病人，不僅速度慢，而且容易漏看。JAMA 發表了 RECTIFIER（Retrieval Augmented Generation Enabled Clinical Trial Infrastructure for Inclusion Exclusion Review）的 RCT 結果，這是利用 RAG（檢索增強生成） 技術結合 GPT-4 的新興應用。

RECTIFIER 的勝利

這項在 Mass General Brigham 進行的研究，將 4,476 名心臟衰竭病人隨機分配給「人工」或「AI 輔助」篩選，結果不僅是顯著差異，也可說是碾壓 XD

1. Time to Determination

• AI 組在 15 天內完成了 99% 的篩選工作
• 人工組花了 50 天才達到同樣的進度
• 到試驗結束時，人工組還有 887 名病人沒來得及看，而 AI 組只剩下 37 名

1. Eligibility Rate

• AI 組找出了 20.4% 的適配病人（458/2,242）
• 人工組僅找出 12.7%（284/2,234）
• 人工篩選不僅慢，還因疲勞或疏忽，遺漏大量其實符合資格的潛在受試者

1. Enrollment

• AI 組成功收案 35 人
• 人工組僅 19 人
• AI 讓收案效率幾乎翻倍（HR 1.79, P =.04）

為什麼需要 RAG？

為什麼不能直接把整本病歷丟給 ChatGPT 問「這個病人適合參加臨床試驗嗎？」？這裡涉及兩個技術限制。

1. Token Limit：病歷動輒數百頁，超過了 LLM 一次能處理的長度
2. Hallucination：LLM 可能會編造不存在的檢驗數值

RAG 解決了前述兩個問題，RECTIFIER 的運作流程如下：

1. Retrieval：先根據試驗條件（如 LVEF < 40%），到病歷資料庫中搜索相關的段落（如心臟超音波報告）
2. Augmented：將找到的這些段落片段，連同原始問題，一起餵給 GPT-4
3. Generation：GPT-4 根據提供的片段進行判斷，並給出引用來源

這種架構確保了 AI 的回答有憑有據、大幅降低幻覺風險、解決長度限制。

CRO 產業的破壞式創新

這項技術直接衝擊了傳統 CRO（委託研究機構）的商業模式，傳統 CRO 依賴大量人力派遣到醫院進行篩選（Site Management Organization, SMO）。任何能縮短臨床試驗週期 10% 的技術，都能為藥廠創造數億美元的價值，像 Trially, Deep 6 AI 這類將 LLM 應用於試驗篩選的新創公司就蠻值得我們持續關注，傳統 CRO 巨頭（如 IQVIA, Icon, Parexel）若動作太慢，未能整合這類技術，護城河將可能被侵蝕，若它們成功併購或開發此類工具，比較能在這波洪流中進一步鞏固霸權。

Epic、歐盟與台灣的三角習題

技術再好，沒有數據也是枉然；而數據的流動，正成為一場涉及壟斷、隱私與地緣政治的戰爭。

Epic Systems 的 Walled Garden

在美國，Epic Systems 是一隻巨獸，佔據 42.3% 的美國急症醫院 Market Share，且幾乎壟斷頂尖學術醫學中心（如 Mayo Clinic, Johns Hopkins, Cleveland Clinic）；Epic 建立極為封閉的 Ecosystem，雖然內部的 AI 功能（如前述的 In Basket ART）已經算很強大，但它同時也極力阻擋第三方應用程式存取他們的數據，或要收取高昂費用才能拿到 Data。

• 反壟斷訴訟：2024 年新創 Particle Health 正式起訴 Epic，指控他們利用壟斷地位，切斷 Particle Health 對 payer platform（支付者平台）的數據存取，被視為挑戰 Epic 霸權的關鍵一役。
• 在美國市場，除非新創能進入 Epic 的 “App Orchard” 生態系並繳納保護費，否則很難打入大型醫院，是個典型的贏者通吃市場。

歐盟的 TRAIN 倡議：信任與負責的歐洲模式

大西洋彼岸，面對美國科技巨頭的壓力，歐盟選擇了結盟；TRAIN (Trustworthy and Responsible AI Network) 倡議應運而生，TRAIN 由 Microsoft 提供技術支援，結合歐洲頂尖醫院的聯盟，成員包括：

• Erasmus MC（荷蘭）
• HUS Helsinki University Hospital（芬蘭）
• Sahlgrenska University Hospital（瑞典）
• University Medical Center Utrecht（荷蘭）
• San Raffaele（義大利）

TRAIN 的核心目標：

1. Federated Registry：建立一個共享的 AI 模型註冊庫，追蹤演算法在真實世界中的表現（效能、安全性）。
2. 驗證機制：確保 AI 的 Equity 與可解釋性。

這反映了歐洲一貫監管先行的思維，任何想進入歐洲市場的 AI 產品，不僅要好用，還必須符合 TRAIN 設定的高標準治理框架，對於新創來說是高門檻，但也是品質的保證。

台灣的戰略位置：NHIRD、硬體與醫院軍備競賽

回頭看台灣，我們擁有世界稱羨的單一保險人資料庫 NHIRD；過去，這些資料主要用於流行病學研究（發表論文），現在正轉向 AI 訓練的戰略資源，台灣醫療 AI 發展呈現出獨特的硬體帶動軟體與醫院軍備競賽的格局：

1. Google Cloud + NHI 合作（888 計畫）：衛福部已宣布與 Google 合作，利用 AI 進行慢性病風險分級，顯示台灣政府傾向與國際雲端巨頭合作，而非完全自建底層模型，引發了關於 Data Sovereignty 的討論，但也加速了技術落地。
2. 醫院 AI 軍備競賽

• 中國醫藥大學附設醫院：與 Microsoft Taiwan 深度合作，開發 gHi (Generative Healthcare Intelligent) 系統，是全球第一個以華語為主的生成式語音病歷系統，宣稱減少了 75% 的病歷書寫時間，直接解決了台灣醫師中英夾雜病歷的痛點
• 臺大醫院：與 NVIDIA 合作，導入兩台超級電腦（DGX 系統），專注於 Multimodal 模型的開發，推測臺大蠻重視底層模型的自主研發
• 長庚體系：利用他們龐大的數據資料庫，在影像辨識與臨床決策輔助上持續佈局

1. 硬體優勢與邊緣運算：台灣是 AI 伺服器的故鄉，廣達、華碩、研華等硬體廠，正在積極推動地端部署（On-premise AI），由於台灣醫院對於病歷上雲仍有疑慮（法規與資安），將強大算力搬進醫院機房的模式是台灣獨特的商業機會。
2. 政策法規：台灣正在推動 AI 基本法，強調風險分級管理，與歐盟的 AI Act 走向類似；未來的關鍵在於如何在保護個資（防止去識別化失敗）與促進產業發展之間取得平衡。

醫師、教育與未來的省思

隨著 AI 能夠寫病歷、診斷心臟病、預測身心科疾病，醫師的角色是什麼？

認知萎縮（Cognitive Atrophy）的風險

耶魯大學的研究人員提出警告：過度依賴 AI 紀錄病歷（AI Scribe），可能會導致年輕醫師喪失組織臨床思維的能力，稱為 “Cognitive Atrophy” 或 “De-skilling”；寫病歷的過程不僅僅是紀錄，也是醫師大腦重組資訊、建立 Differential Diagnosis 的過程，如果這個過程全部外包給 AI，資深醫師或許能透過審核來維持能力，但對於剛起步的 PGY / 住院醫師，是否會變成只會按確認鍵的 Operator？

醫學教育的轉型

未來的醫學教育重心將很可能發生轉移：

1. Prompt Engineering：如何精確地問 AI 問題，引導它給出正確的診斷建議。
2. AI Literacy：醫師必須學會看懂 AUC, Sensitivity, Specificity，並知道 AI 模型何時在瞎掰講幹話（幻覺偵測）。
3. Humanism：當診斷與治療建議變得 Commodified，醫師唯一的不可替代性，在於與病人建立信任、解釋病情、並在充滿不確定性的情況下 Shared Decision Making，這反而是 AI 最難模仿的部分。

站在巨人的肩膀上，還是被巨人踩在腳下？

從 JAMA 的系列研究中，我們看見醫療 AI 已經跨過了概念驗證（POC）的階段，進入了實質產出的爆發期；這場變革的規模，堪比當年 EHR 的普及，甚至有過之而無不及。

至少對我而言，醫師需要擁抱 AI，但不要依賴 AI；使用預測模型來輔助我們的診斷，使用 Gen AI 來把我們從繁重的文書壓力解放出來，但永遠保持懷疑及 “Human-in-the-loop”，我們的價值不在於死記藥物劑量，而在於綜合判斷與承擔責任，學習如何與 AI 共舞，將是未來十年重要的臨床技能。

1. Long

• 能夠解決勞動力短缺的應用（如 AI Scribe, 自動化護理排程）
• 具備 RAG 技術的臨床試驗解決方案（破壞 CRO 產業）
• 結合台灣硬體優勢的邊緣運算醫療材（如 AI 手持超音波）
• 在美國能打入 Epic 生態系或提供 Epic 還沒辦法企及的專科應用（如精神科、復健科特定模組）軟體

1. Short

• 沒有 EHR 整合能力的 Point Solutions
• 不重視資安與合規性（HIPAA/GDPR/台灣個資法）的產品
• 單純依賴公開 LLM API 而沒有 proprietary data（專有數據）護城河的套殼公司

這場變革不會淘汰醫師，但可能相對會比較快淘汰不會使用 AI 的醫師；同樣的，傳統醫療產業不會迅速 Fade Out，但會重新分配龐大的利潤給懂得駕馭數據的先行者。當 Laennec 在 1816 年將一卷紙筒放在病人胸口，他不知道自己正在開啟醫學與機械的第一次對話；兩百年後，我們站在第二次對話的起點，這次機器不只聆聽，它還會思考、預測、甚至創造。AI 正在改寫醫療的文法：從診斷變成預判、從紀錄變成理解、從治療變成預防，但歷史告訴我們，每一次工具的革命，都伴隨著權力的重新分配 ，掌握新工具的人將站上浪尖，而固守舊典範的人則會被浪潮吞沒。台灣有世界級的硬體製造能力、健保資料庫、以及渴望創新的醫療體系，但我們也面臨 Data Sovereignty 的疑慮、法規的遲滯、以及人才外流的壓力；這場賽局的終局未定，關鍵在於我們能否在開放與保護、效率與倫理之間找到平衡點。醫療 AI 不會取代醫師，但它會重新定義好醫師的標準，未來的醫學之路，或許屬於既能駕馭演算法、又不失人性溫度的臨床工作者，而這條路，從今天就要開始走。

— –

📒 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.