AI 能讓精準判斷真正被支付嗎？解析醫療支付制度的核心矛盾

對個別患者而言，最好的醫療往往不是做最多，而是做對的事——在正確時間點做必要的檢查、避免不會帶來益處的治療、減少等待正確診斷所浪費的時間。

「精準」不只是診斷準確度的問題，更是一個流程設計與判斷品質的問題。

臨床上常見的三種「冤枉路」形態如下：

第一種：不必要的確認性檢查
當臨床資訊已足夠支持診斷，但因防禦性醫療或流程設計，仍追加影像、血液或切片檢查。這些額外程序對病人沒有診斷意義，卻帶來等待時間、費用、焦慮與侵入性風險。

第二種：不適合特定患者的治療
同一個診斷，在不同年齡、共病狀況、偏好與生活情境下，最合適的處置可能截然不同。把標準流程套用在所有人，是醫療資源錯置的常見來源。

第三種：延遲正確診斷
因初期的誤診或遺漏，導致患者在不適合的治療軌道上花費時間，才又被轉到正確方向。延遲本身不只造成傷害，也累積了額外的醫療費用。

過度醫療的根源不在醫師個人意願，而在支付制度的設計邏輯。按項目計費（Fee-for-Service）的體制，讓每一項可計價的程序都成為收入來源，而精準判斷帶來的「不做」卻無從計價。

要先找原因，再談方法。

按項目計費的結構性問題

在按項目計費的支付模型下，醫療服務的報酬直接連結到「執行了哪些程序」：

• 影像檢查（X 光、超音波、MRI、CT）帶來獨立的計費機會
• 血液檢驗項目可以個別申報
• 門診、住院、手術各有獨立的計費碼
• 回診本身就創造了另一次收費機會

相對地，以下這些「判斷行為」往往是無形的，在現行制度中難以被單獨計價：

• 評估一項檢查「不必要」而選擇不開立
• 判斷一個患者的症狀「可以觀察，不需立即介入」
• 識別出一個患者「不適合」標準治療路徑，改採保守策略

AI 可以幫助發現更多，也可以幫助少做更多；兩者的差別，取決於設計目標和所嵌入的支付機制。目前大多數醫療 AI 被設計和部署在現有的「多做」體系中，因此更多是放大了現有的邏輯，而非改變它。

目前醫療 AI 的主要應用方向

目前規模最大、投入最多的醫療 AI 應用集中在以下幾個領域：

在價值基礎支付模型（Value-Based Payment）下，AI 才有機會讓「少做正確判斷」成為可以計價的行為。不是因為 AI 技術在那個環境下更準，而是因為激勵結構不同，AI 的設計目標才會對準「減少不必要的程序」。

價值基礎支付模型的設計邏輯

價值基礎醫療（Value-Based Healthcare）是一個涵蓋多種支付機制的概念，核心是：支付報酬應與醫療結果掛鉤，而非僅與執行程序數量掛鉤。

常見的模型類型包括：

按人頭支付（Capitation）：
醫療機構針對特定人群收取固定費用，負責管理其整體健康。在這個模型下，不必要的檢查和程序是成本，而非收入。「幫患者少做不必要的事」直接轉化為機構的財務利益。

綑綁支付（Bundled Payment）：
針對特定治療過程（如膝關節置換、糖尿病管理）支付固定總額。在管理好品質的前提下，省下的費用可以留存，超出部分由機構承擔。

共享節省計畫（Shared Savings Program）：
如美國 CMS（醫療保險與補助服務中心）的 ACO 模型，當醫療機構的整體費用低於預期且品質達標，可分享節省金額。相關制度設計可參考 CMS 官方說明。

AI 在這個框架下的不同角色

在按項目計費的體系中，AI 提高了「做更多」的效率。

在價值基礎支付的框架下，AI 有機會支持以下方向：

高風險患者早期識別：
預測誰在接下來 30 天內有較高再住院或急診風險，讓機構主動介入，避免後期高費用事件。這是讓「預防」真正有財務意義的場景。

低風險患者的「安心不追蹤」：
某些患者的影像或血液結果出現邊緣異常，在按項目計費下，慣例是追加確認性檢查。在價值基礎框架下，若 AI 能提供「這類異常在此患者背景下惡化機率低於 X%」的風險分層，機構才有可能將「不追蹤」轉化為有臨床依據的決策，而非讓醫師承擔個人風險。

個人化治療路徑推薦：
從整體人群標準流程，走向「這個特定患者背景下，哪條路徑的結果期望值更高」。這是 AI 在基因組分析、多模態資料整合上的潛力區域。

評估重點不在功能清單有多長，而在設計目標是否對準了減少不必要的程序——以及它被放在哪個支付框架下使用。

AI 的訓練資料來自舊系統的行為記錄；如果舊系統本身有過度醫療偏誤，AI 可能放大這個偏誤而非修正它。改善這個問題，需要的不只是更好的模型，而是不同的訓練目標、不同的數據採集策略，以及支付制度的配合。

假陽性問題與追蹤壓力

大規模 AI 篩查工具面臨一個結構性挑戰：提高敏感度（不漏掉病症）通常以犧牲特異度（減少誤報）為代價。當 AI 部署在大量人口的篩查場景時，即使假陽性率很低，絕對數量也可能造成大量不必要的確認性程序。

若每一個 AI 標記的「疑似」都在現有制度下引發一項計費程序，篩查 AI 有可能成為過度醫療的規模化放大器。

「標準化」與個人差異的張力

AI 系統通常以人群資料訓練，輸出的是「統計上可能」的建議，而非「對這個特定個體最好」的判斷。

對個別患者而言，年齡、共病、偏好、生活情境可能讓「人群標準」完全不適用。AI 如果強化了標準化路徑，有可能反而加深「把不同的人用同一套方法處理」的問題。

缺乏長期結果數據

醫療 AI 的效能評估，大多集中在短期指標（診斷準確率、敏感度、特異度）。對於「長期患者結果是否改善」「是否減少了無效治療」的追蹤數據，目前仍相對匱乏。

這不是技術問題，而是數據收集和評估設計的問題。現有的臨床試驗架構，並不擅長捕捉「因 AI 而少做了某件事」這種負向結果的長期價值。