關於醫療 AI，你需要知道的 5 件事

醫療 AI 已經進入影像判讀、風險預測、病歷整理、健康問答與行政流程。對一般讀者來說，真正需要理解的，是某個模型如何產生答案、答案從哪些資料來、適用在哪裡、由誰確認，以及出錯後誰能發現並處理。判斷工具是否適用，應先看用途、資料與責任邊界。

一、醫療 AI 提供的是結果，不等於完整判斷

醫療 AI 的輸出只能在明確用途與適用條件下被理解，不能單獨取代臨床判斷或個人就醫決策。結果需要放回症狀、病史、檢查品質與照護目標中核對。

AI 系統通常處理一個被切割出來的任務，例如從影像找出疑似異常、根據既有資料估算風險，或把長篇紀錄整理成摘要。它擅長在大量資料中找規律，卻未必知道資料為什麼缺漏，也不一定理解病人沒有寫在欄位裡的生活情況。

醫療 AI 不是單一類型的工具，能力與限制取決於任務、輸入資料和驗證環境。影像模型主要辨識影像中的特徵；風險預測模型估算一群人在特定條件下的機率；生成式 AI 則依據提示與資料產生文字。三者的輸出形式不同，使用者要檢查的風險也不一樣。

影像模型可能受到拍攝角度、解析度、設備品牌或病灶表現差異影響。即使畫面上出現疑似異常，也要確認影像品質和模型的預定用途，不能把標記直接當成確診結果。對台灣讀者而言，看到健檢或醫療服務宣稱能協助判讀時，可先詢問它處理的是哪一種檢查、由誰進行最後確認。

風險預測模型輸出的是條件式估算，不能直接等同個人的未來結果。族群結構、就醫習慣和資料收集方式改變後，原本的機率也可能失去代表性。生成式 AI 產生的摘要則可能漏掉否定詞、時間順序或用藥變更，讀者應回看原始報告，醫療人員也要保留人工核對步驟。

因此，「模型有輸出」與「問題已經被回答」是兩件事。影像品質不佳、資料時間落差太大、族群與訓練資料不同，或輸入欄位的定義前後不一致，都可能讓看似精確的結果失去適用性。醫療人員仍要判斷是否需要補充資料、改用其他檢查或暫緩採用建議。

這個原則也適用於一般人使用健康問答工具。工具可以協助整理問題、說明醫療名詞、提示就醫時可攜帶的資訊，卻不能只因回答語氣流暢，就把它當成個人化診斷。出現急性胸痛、呼吸困難、意識改變或其他急迫症狀時，應立即就醫；若有危及生命的急症，依所在地緊急醫療服務處理，不要等待工具繼續對話。

依世界衛生組織（WHO）2021 年指引整理：健康 AI 的使用應保留人的自主與責任，並讓各方知道 AI 在照護流程中扮演的角色。

這項原則的實際含義，是在介面、流程與說明文件中清楚標示工具的任務：它是提供提醒、排序、摘要，還是提出需要專業確認的建議。使用者也要知道輸出會影響哪個決策，以及遇到不合理結果時如何回到原有流程。

二、資料品質決定 AI 能不能被信任

醫療 AI 出現偏差或錯誤，常見根因在輸入資料的代表性、完整性、時間性與定義是否符合實際用途。模型再複雜，也無法補回錯誤、缺漏或不適用的資料。

一份醫療資料至少有四個問題要先釐清。第一是它代表誰，訓練資料是否包含實際服務的年齡、性別、疾病型態與照護場域。第二是它記錄了什麼，欄位是否真的反映臨床想知道的事情。第三是資料何時產生，檢查結果、用藥狀態與症狀都可能隨時間改變。第四是誰負責維護，資料修正後是否留下可追溯的紀錄。

醫療現場常見的風險，是同一個欄位在不同系統有不同含義。例如「已完成檢查」可能代表已開單、已採檢，或報告已經由專業人員確認。若系統把三者當成同一個狀態，AI 產生的提醒就可能提前或延遲，後續人員也難以追查問題從哪一層開始形成。

FHIR（Fast Healthcare Interoperability Resources，醫療資訊交換標準）可協助系統以較一致的方式交換病人、觀察值、診斷報告與用藥等資料。它處理的是資料交換與結構，不會自動保證欄位內容正確，也不會替機構決定誰能讀取資料。導入標準之後，仍要建立在地資料定義、驗證規則與例外處理。

對台灣讀者而言，看到產品標示支援 FHIR，不代表它已經能讀懂所有醫院或健檢資料。仍要確認支援哪些 Resource、欄位如何對應、日期與單位是否一致，以及資料能否在實際使用的院所或服務中順利交換。一般使用者可要求業者說明資料來源、更新時間與錯誤更正管道。

資料問題也常在流程交接時形成。病人先在甲院所做檢查，再到乙院所接受照護，兩邊可能使用不同的編碼、參考區間或縮寫。若匯入時只保留數值，沒有保留檢查時間、單位和來源，後續模型就難以判斷變化是否真的代表風險增加。這是資料治理需要處理的根因。

因此，評估資料品質不能只問「資料多不多」。更有用的問題包括：缺漏集中在哪些族群？資料多久更新一次？人工修正是否可追溯？模型遇到資料不足時會如何提示？這些答案能幫助機構和一般使用者分辨一項輸出是有條件的輔助資訊，還是被包裝成過度確定的結論。

資料治理因此要和模型開發一起設計。資料所有權、更新頻率、存取權限、去識別化方式與稽核軌跡都要有負責角色。若資料出現大量缺漏，系統要能顯示限制或暫停輸出，不能用一個看似完整的分數掩蓋不確定性。

三、AI 要放進流程，才知道結果有沒有用

應先看 AI 被放在照護流程的哪個節點，以及結果是否能在正確時間交給正確角色採取行動。單看模型測試分數，無法回答它是否改善現場決策或增加新的工作負擔。

一個可用的流程描述，至少要寫清楚五件事：什麼情況會觸發工具、誰負責操作、輸入資料從哪裡來、輸出以什麼形式呈現，以及看到結果後要做什麼。這五項若有一項模糊，AI 就容易變成額外通知、無人閱讀的儀表板，或需要人工重新輸入的孤立系統。

以下為示意情境：系統可能在檢驗數值變化後產生高風險個案提示。若提示只出現在資訊室的報表，照護團隊不一定看得到；若所有人都收到同一層級的通知，真正緊急的個案反而會被大量訊息淹沒。流程設計要同時處理通知優先順序、回應期限、升級對象與未處理紀錄。

要判斷這個示意流程是否有用，導入前應先留下基準線，例如原本的處理時間、人工覆核結果、誤報與漏報情形，以及從提示到回應的時間。試行後用相同定義比較，並分開記錄 AI 建議與人工最後決定，才知道變化來自工具、流程調整或人力配置。若只有「大家覺得比較快」的回饋，證據仍然不足。

評估也要看沒有被提示的個案。漏報可能延誤後續處理，誤報則可能增加檢查、電話聯繫和第一線疲勞。機構可先選定有限場域與明確期間，檢查不同年齡、疾病狀態或設備來源的表現，再決定是否擴大使用。一般使用者則可詢問提示由誰確認、多久回覆，以及未收到提示時是否仍保有原本的就醫管道。

另一個常被忽略的問題是工作負擔。AI 可能讓某一段流程更快，卻把核對、補登、解釋與申訴的工作推給另一個角色。若沒有在試行期間量測處理時間、重複輸入、誤報、漏報與使用者放棄率，就無法判斷整體流程是否真的改善。

對病人而言，流程也包含告知與溝通。病人需要知道工具是否參與照護、輸出會影響哪一項決策，以及有疑問時可以向誰詢問。透明度不必把所有程式細節都交給每個人，但要提供與風險、用途、限制和後續選擇有關的資訊。

觀察面向	只看模型輸出	放回完整流程評估
評估問題	結果看起來準不準	結果是否在適當時機支援決策
主要資料	測試資料與模型分數	真實場域的輸入、例外與缺漏
使用角色	假設有人會處理	明確指定閱讀、確認與升級責任
風險追蹤	發現錯誤後再處理	事前定義監測、回報與停用條件
病人溝通	只說有 AI 協助	說明用途、限制、影響與詢問管道

四、責任要分配給人，也要留下可追查的紀錄

責任不能籠統地歸給「AI」，也不能只在事故發生後尋找單一個人。機構、開發者、導入團隊、實際使用者與管理者，都要依資料、系統、流程和決策的不同環節承擔可辨識的責任。

導入前要先寫出責任邊界。開發者要說明預定用途、輸入條件、已知限制與測試結果；導入團隊要確認現場資料和作業環境是否符合；管理者要決定誰能使用、何時需要人工覆核，以及什麼狀況必須停止使用；第一線人員則要能拒絕不合理輸出並留下理由。

責任邊界要能對應到具體事件。若系統讀取了過期資料，資料維護者和導入團隊要能追查更新流程；若通知已產生卻沒有交給值班人員，問題可能出在權限、介面或升級規則；若人員忽略明顯不合理的建議，則需要回看訓練、工作量與覆核設計。把所有事件都歸為「使用者沒有注意」會遮蔽真正的系統原因。

對醫療院所與健康服務業者來說，責任表最好和合約、作業程序、教育訓練及事件通報表互相對應。對一般病人來說，則可掌握三個詢問方向：誰產生結果、誰做最後確認、出錯時誰負責說明與更正。這些問題有助於分辨工具的角色，也讓人知道應向哪個窗口反映疑慮。

這些要求與醫療人員的專業判斷並不衝突。清楚的責任設計，反而能讓人員知道何時可以參考 AI、何時應回到原有流程，也能避免因為「系統建議如此」就把判斷責任推向一個無法回應的工具。

紀錄是責任設計的一部分。至少應保留使用的模型或版本、輸入資料時間、輸出內容、人工修改、採取的行動與異常回報。當模型更新、資料來源改變或服務族群擴大時，這些紀錄才能用來比較前後差異，判斷風險是否正在累積。

依美國食品藥物管理局（FDA）、加拿大衛生部與英國醫藥品及醫療產品管理局（MHRA）2024 年文件整理：透明度要放在人與 AI 共同工作的實際流程中，讓使用者取得用途、效能、風險與限制等必要資訊。

這項原則也可轉成現場文件：在結果頁標示預定用途與資料時間，在通知中說明優先順序與下一步，在訓練材料中示範何時需要人工覆核。對病人則要用能理解的語言說明 AI 參與哪個環節、可能影響什麼決策，以及如何取得人工說明。透明度的重點是讓人能做出適當行動，不是展示所有程式細節。

五、導入前後都要做風險治理

導入後仍要持續監測資料、效能、偏差、資安事件與實際使用情形，並預先定義修正、降級或停用條件。醫療 AI 是一項持續運作的服務，不是驗收完成後就不再變動的檔案。

AI 的表現可能因病人族群、設備、流程、季節或資料來源改變而變化。原本在試驗環境中表現良好的模型，進入不同院區、不同檢查設備或不同轉介流程後，可能出現誤報增加、特定族群效能下降或結果延遲。監測設計要涵蓋整體表現，也要分層查看高風險族群與特殊情境。

NIST 的 AI RMF 1.0 將風險管理視為組織持續進行的工作，適用於設計、開發、部署與使用 AI 的不同階段。這套框架是自願性、跨產業且依用途調整的參考架構，不能直接代替醫療法規或機構的臨床安全制度，但可協助團隊把風險辨識、衡量、管理和治理安排成一個可重複的循環。

資安和個資保護也要從一開始納入。醫療資料的存取範圍應依工作需要設定，測試環境與正式環境要有清楚區隔，外部服務的資料留存與再利用條件要先確認。若採用雲端或生成式 AI，還要處理提示內容是否含有可識別資訊、供應商是否會保留輸入，以及資料離開原機構後如何撤回或刪除。

實務上可把風險拆成資料進入、服務處理、結果輸出和保存刪除四個階段。每一階段都要知道誰能存取、系統留下什麼紀錄、發生異常時如何切斷或恢復服務。對一般使用者而言，若服務只說「資料會受到保護」，卻沒有說明保存期間、第三方處理者和申訴窗口，就仍不足以判斷是否適合輸入個案資料。

這些是一般風險治理提醒，不能取代機構的個資法、醫療法規、資安要求與契約審查。實際適用法規、資料跨境、委外責任和病人同意方式，仍須由機構依台灣法規及契約進行法遵確認；服務提供者也應把責任分工、資料用途與事件通報寫入可查的文件。

治理的目的，在於讓團隊知道什麼情況可以繼續、什麼情況要補充證據，同時維持必要的決策效率。小範圍試行、明確的成功條件、人工覆核、異常通報與定期回顧，通常比一次把多個工具放進所有流程更容易辨識問題來源。

評估醫療 AI 的 6 個檢查問題

1. 這個工具要解決的具體問題是什麼？若沒有 AI，現行流程的痛點與風險在哪裡？
2. 它的預定用途、適用族群、輸入條件與已知限制是否有文件可查？
3. 資料由誰提供、維護和授權？欄位定義、更新時間與缺漏情況是否能被檢查？
4. 結果會交給誰看？誰要確認、誰能否決、誰負責後續行動？
5. 如何知道效能下降、偏差增加或資安事件發生？通報與停用條件是什麼？
6. 病人和使用者如何知道 AI 參與了哪個環節，並提出疑問或要求人工說明？

對台灣的醫療院所、健康服務業者與一般使用者而言，這份清單的價值在於把討論從「要不要用 AI」移到「在什麼條件下使用」。有些任務適合讓 AI 協助整理或排序，有些任務則需要更高程度的專業覆核。判斷標準取決於錯誤可能造成的傷害、資料是否可靠，以及現場是否有能力持續管理。

常見問題

Q1: 一般人可以使用 AI 解讀健檢報告嗎？

可以把 AI 當成整理名詞與準備提問的輔助工具，但不能只依照自動解讀決定停藥、改變治療或延後就醫。健檢數值必須連同年齡、病史、用藥、症狀與檢查方法一起理解，仍應向合適的醫療專業人員確認。

Q2: 若醫療器材或服務有特定核准範圍，就代表每個人都適用嗎？

不代表。若某醫療器材或服務具有特定核准或適用範圍，通常仍會對應產品用途、族群、環境與風險條件。使用前要查閱產品在台灣的許可或適用資訊，並確認輸入品質、使用場域與機構流程是否相符；不能把 FDA 或其他地區文件推論成台灣核准，也不能把某一場域的結果直接推廣到所有人。

Q3: FHIR 能不能直接解決醫療資料不互通？

FHIR 能提供交換資料的共同結構與介面，有助於不同系統溝通；資料定義、編碼對應、權限、同意、資料品質與維運責任仍要由導入機構處理。標準是整合的基礎，不能單獨取代治理工作。

Q4: 使用生成式 AI 時，最先要注意什麼？

先確認輸入內容是否含有病人可識別資料，以及服務提供者的留存、訓練和再利用條件。接著定義可使用的任務、人工覆核方式與禁止輸入的內容。若無法確認資料如何被處理，就不應把真實個案資料直接貼入服務；涉及醫療機構、委外或跨境傳輸時，也應由機構完成台灣法規與契約的法遵確認。

Q5: 病人如何知道醫療過程中有沒有使用 AI？

可以詢問工具用在哪個環節、輸出會不會影響照護決策、由誰確認，以及若不同意或想了解更多時有哪些替代方式。醫療機構也應以使用者能理解的方式說明用途、限制與詢問管道。

• AI 的輸出是流程中的一項資訊，不能脫離適用條件、病人脈絡與專業確認。
• 導入前先定義問題、資料、角色、後續行動與停用條件，再比較模型或產品。
• 導入後持續監測效能、偏差、資安與實際工作負擔，才能知道系統是否仍適合原本的用途。