【衛生福利部《2026臨床 AI 取證驗證中心國際研討會》系列文章3】
Joyce M. Oen-Hsiao, MD, FACC
耶魯大學醫學院(Yale School of Medicine)心血管醫學副教授(演講者)
次世代數位醫療平台專案辦公室整理
從診間出發:AI 在醫療應用的全景與潛在風險
第二位登場的講者是來自耶魯大學的心臟科醫師 Joyce M. Oen-Hsiao。她開宗明義地表示,自己是以第一線臨床醫師而非技術人員的角度,來分享人工智慧(AI)如何在日常醫療工作中被實際運用。她首先概覽了 AI 在醫療領域的多種用途,涵蓋從排程、保險核可等行政工作流程自動化,到透過聊天機器人與遠距平台推進病人參與及溝通,乃至於運用預測分析優化臨床決策與治療成效。對於心臟科而言,最受期待的目標之一便是降低心衰竭病人的頻繁回診與住院率。
然而,她也毫不避諱地指出醫療 AI 伴隨的諸多風險與陷阱,包括:
1.歷史資料的偏見(Bias):例如皮膚癌檢測模型多數以淺膚色族群的資料進行訓練,導致對深膚色病人的診斷準確度降低。
2.錯誤擴散(Errors):病歷紀錄若有誤(例如病人與同名父親的病歷被誤併,病歷上寫著他換過主動脈瓣,其實是父親),AI 可能會將錯誤資訊進一步放大。
3.資安與黑箱問題:隨著 AI 整合至各平台,資料外洩與 HIPAA 等嚴格隱私標準至關重要;同時,深度學習模型的「黑箱」特性使得決策透明度不足,一旦出錯時,責任歸屬在開發商、醫療機構或醫師之間往往難以釐清。
4.過度依賴與互動減少:過度信任 AI 可能導致醫師自身專業能力退化、削弱醫病關係,甚至排擠原本寶貴的真人面對面溝通時間。她強調,AI 的本質永遠應該是「輔助(Augment)」而非「取代(Replace)」人類的臨床判斷。
耶魯紐哈芬健康體系的四大 AI 實務應用
在耶魯紐哈芬健康體系中,醫師主要在 Epic 病歷系統內搭配 Abridge 等工具來執行日常任務:
情境一、隨時可及的知識查詢(Easily Accessible Knowledge)
醫師可以直接向系統提問,AI 會在約十秒內自 NEJM、JAMA、PubMed 及各大專科學會指引(如 AHA、ADA 等)中彙整答案並提供後續追蹤問題的建議。例如,當醫師詢問某位曾因氫氯噻嗪(HCTZ)引發排尿與勃起困擾的病人是否適合改用氯噻酮(Chlorthalidone)時,AI 能精準提醒兩者藥理相似,可能重現相同的副作用,並建議考慮非噻嗪類的其他替代選項。

情境二、效率工具與病前摘要(Efficiency)
透過 Epic 的 Chart Insights 與 Abridge 的看診前摘要功能,系統能在不到一分鐘內自動梳理自上次看診以來(如過去數年或數月)的數十筆病歷紀錄,游標移上去還能直接檢視原始出處,讓醫師在見病人前就能迅速掌握病情變化(例如腎臟科已在先前調整過用藥)。

情境三、病人訊息回覆(Assistance in Patient Messages)
面對每天大量的病人訊息,AI 能擬定語氣親切的回覆草稿。然而,Oen-Hsiao 坦言 AI 草稿仍可能出現盲點:例如曾有雙腳發紺的病人回報新症狀,AI 草稿卻建議四個月後回診再談;也有壓力超音波顯示前壁缺血的病人,AI 草稿卻回覆「不需擔心、只需戴心律監測器」。這凸顯了所有 AI 草稿絕對必須經過醫師親自審閱與修改才能送出,系統僅能提供初步建議。

情境四、環境式 AI 病歷書寫(AI Note-Writing)
她現場播放一段約三分鐘的看診錄音,再對照 AI 寫出的病歷,透過錄音自動生成的病歷草稿雖然大致流暢,但也常出現主訴排序錯置(例如把稍後才談到的心悸誤為主訴)或遺漏關鍵用藥史(例如漏掉家醫科停藥紀錄)等細節瑕疵,仍需人工進行後續大幅度的修正與確認。

院內還有更貼近臨床流程的應用。例如團隊建立了一套能自動讀取 Epic 心臟超音波報告的文字模型;當偵測到中重度或重度主動脈瓣狹窄時,會自動發送訊息提醒開單醫師並建議轉介瓣膜門診。這個模型推行後有效提升了專科門診轉介率以及手術(TAVR/SAVR)執行量,實質改善病人的生活品質。另外,在一年級醫學生(M1)的病歷寫作教學中,研究讓學生比對自身撰寫的病歷與 AI 產生的環境式病歷草稿。盲評老師認為 AI 對整體病歷品質影響有限,但學生普遍回饋 AI 版本更為簡潔(78.7%)、適合作為初稿(66.0%),但也同時指出容易遺漏重要細節(55.3%)。
心血管前沿研究:AI 超音波與 AI 心電圖
Oen-Hsiao 最後簡介了兩項重要的跨領域研究成果:
其一是只用單一胸骨旁長軸超音波影片,以深度學習判讀主動脈瓣狹窄的「數位嚴重度指數」DASI,透過此人工智慧模型僅需利用單一胸骨旁長軸切面(PLAX)的 2D 心臟超音波影片(不需依賴傳統都卜勒血流數據),即可透過深度學習生物標記自動評估主動脈瓣狹窄風險。該指標已跨美國、英國共 3 個世代、58,073 名病人(涵蓋心超與心臟 MRI 兩種模態)進行驗證,高分者的追蹤風險顯示其需要接受瓣膜置換(AVR)的調整後風險最高可增加達 16 倍。
其二是整合 AI-ECG 預測化療心肌病變,針對接受蒽環類化療的乳癌或淋巴瘤病人,AI-ECG 能夠在心臟超音波的整體縱向應變(Strain)出現明顯變化之前,提早數月發出心肌病變的潛在警訊,有助於更早介入並減少重複檢查。
在結尾的Q&A 環節討論也相當熱烈。談到部署後的監測,她說目前草稿一律要醫師過目才會送出,醫師按下「好」或「不好」的回饋,也能協助訓練模型。至於 AI 會不會成為個人健康助理,她舉了兩個例子:一位持續性心房撲動的病人因手錶判讀為正常竇性心律,以為自己痊癒;另一位手錶顯示夜間心率三十,實際監測卻從未低於六十。穿戴裝置的資料仍須謹慎,她認為離「不用看醫師」的願景還相當遙遠。面對自動化偏誤的提問,她指出 AI 對每則訊息一視同仁,無法像她那樣憑對病人的了解判斷輕重緩急,而且常順著病人的要求答應加做檢查,反而增加工作量。此外,也有醫師問到 DASI 這類 AI 若判定低風險,是否仍需加做檢查、帶來額外花費,她坦言目前尚未收費,院內將啟動驗證試驗,但在完全信任之前,確實可能增加醫療支出。而在隱私方面,所有訊息都在 Epic 內進行,符合 HIPAA,不會使用 WhatsApp 或 Line,院內導入任何工具也必須先經資訊團隊審核。至於醫師的接受度,她表示資深醫師多半仍習慣口述,但試用的同事都表示結案速度明顯變快,用久了也愈來愈自在。另有學生問到長輩容易被假醫療資訊誤導,她的做法是請病人拿出醫學證據,並鼓勵他們先聯絡醫師。
