AI 在醫療的落地，很少是「更強的模型自動變成更好的照護」這麼直接。真正卡關的常是信任與流程：一項工具為什麼先從行政流程、而非最前端的科學發現落地？當病人先問 AI、再問醫師，知識取得、信任與責任如何重新分配？精準的判斷若制度不給付，又要如何真正進入工作流？這個主題把這些問題的觀察與案例整理成一條主線。
AI 語音病歷是什麼？醫師少打字的背後，誰該負責任
AI 語音病歷讓醫師少打字，過勞比例也真的降了。但它多半不被當成醫療器材管，寫錯了要找誰負責，目前沒有清楚答案。
科技・專題
醫療 AI 的信任與落地
AI 走進醫療，最難的往往不是技術，而是信任與流程：為什麼先從行政落地、病人先問 AI 後信任怎麼分配、精準判斷能不能被支付，一次看懂。
全部文章
智慧手錶測心房顫動準不準？收到通知不代表確診
智慧手錶的不整脈演算法是初篩工具，不是診斷。收到通知的人裡，經臨床心電圖證實的比例遠低於一般人想像，誤報還會讓人自覺健康變差。台灣食藥署核准了什麼、排除了誰，一次看懂。
AI 幻覺是什麼？為什麼聊天機器人會一本正經說錯話
AI 幻覺不是模型故障，是訓練與評分機制鼓勵猜測、而不是承認不確定所造成的結果。實測發現問 AI 健康問題，半數答案有問題；台灣衛福部已要求醫院主動揭露這個風險。
GPT-5 Pro 解開卡三年的 T 細胞之謎，還預測了一場沒看過的實驗：該讀懂的不是 AI 會做科學了
GPT-5 Pro 幫免疫學家解開卡三年的 T 細胞謎題，還預測了沒公開過的實驗結果。但把這件事讀成『AI 會做科學了』，就解錯題了。
AI 從『答題』走進實驗室：GPT-5.4 跑一萬筆反應改良了卡多年的偶聯反應，但它解的是哪一類問題？
AI 真的自己做出化學發現了嗎？讀準一點：GPT-5.4 提假設、自動化實驗室跑一萬筆反應、人工逐筆驗證，三者缺一都不成。被解掉的是『沒人跑得起一萬次』的通量問題，不是智力問題。台灣要接住這波，缺的不是模型，是實驗室與資料。
OpenAI 端出 LifeSciBench：AI 做生命科學研究只過三成，而且裁判是自家
AI 連自家出的生命科學考卷都只過三成，這件事該怎麼讀？分數是一回事，出題兼改考卷兼頒獎的是同一個人，又是另一回事。
「AI 健康答案贏過醫師」怎麼讀：OpenAI 自評勝出，但每週 2.3 億人已在問才是重點
OpenAI 說新模型的健康答案贏過醫師，但分數全在它自家內部跑、未公開外審。真正的重點不是它贏了幾項，是每週 2.3 億人已在用 ChatGPT 問健康。AI 取代的不是醫師，而是 Google 搜尋。
為什麼 AI 在醫藥領域最先落地的，常常不是最前端的科學發現，而是中後段流程？
AI 在製藥的落地，往往從臨床試驗管理、受試者篩選與法規送件開始，而非藥物發現前端。本文拆解背後的流程結構、資料條件與治理邏輯，說明這個順序為何不是偶然，以及如何判斷一個 AI 應用是否真正落地。
老藥新用完整指南：二甲雙胍的黃斑保護潛力、轉化困境與 AI 應對
多項研究發現二甲雙胍可能降低黃斑部病變風險，但從觀察訊號到臨床建議之間，存在一段系統性落差。本文拆解訊號形成機制、老藥新用的結構困境，以及 TwTxGNN 如何透過五級證據分類縮短這段距離。
影像 AI 從單一任務走向附帶發現：乳房攝影讀出心血管風險
刊登於 European Heart Journal 的研究分析逾 12 萬張乳房攝影，顯示 AI 可從乳房動脈鈣化訊號推估女性心血管風險。這不只是一項新技術，而是醫療 AI 設計邏輯的轉變——從做好一件事，到順手讀出已存在的訊號。
關於台灣醫療 AI 落地，你需要知道的 5 件事
衛福部發布 GenAI 指引、醫療新創完成 A 輪融資、AI 通過醫師執照考試，三件事在同一時期發生。從供應鏈透明化到 Physical AI 照護，拆解台灣醫療 AI 走向落地的 5 個關鍵轉折。
如何用 AI 輔助戒煙：先弄清楚這 4 件事
AI 戒煙工具真的有效嗎？從尼古丁成癮機制、AI 聊天機器人的實際功能到現有研究限制，逐層拆解 AI 何時能幫上忙、哪裡還有距離。
問題不在 AI 能不能取代醫生，而在我們是不是搞錯了醫療的本質
AI 取代醫生的討論設定了錯誤的問題框架。真正的關鍵是讓 AI 承擔低價值的重複性工作，把醫生時間還給需要人判斷、溝通與承擔責任的場合。
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
對單一患者最好的醫療，往往是少做不必要的檢查、避免無效治療。但現有支付制度按程序計費，讓精準判斷的價值難以被看見。AI 是否能改變這個結構性問題？
當病人先問 AI，醫療現場改變的不只是知識取得，而是信任與責任的分配
病人在就診前用 AI 查過症狀、拿到初步建議，這改變的不只是資訊取得方式，而是醫病關係的信任結構與責任分配。從 Reuters 調查到 DTC 模式崛起，分析數位健康平台面對的服務定位根本問題。
從紅杉資本演講看醫療未來：AI 越強，醫師越要重新定義自己
10 兆美元的醫療革命：從軟體工具到 AI 數位員工 AI 不只是工具升級，它正在改變醫療工作分工。真正值得被重新定義的，不是醫師會不會被取代，而是哪些任務可交給 AI，哪些價值仍要由人守住。
為什麼醫療 AI 最近都先從行政流程下手？
大廠同時押注醫療行政 AI，背後不只是商業考量。從問題根因到資料整合條件，拆解行政端切入的系統邏輯，以及機構評估導入時應先想清楚的事。
AI 醫療資訊信任判斷：問題不在找資料，在判斷什麼值得信任
Reuters 報導研究發現，當錯誤醫療資訊來自看似權威來源，AI 更容易被誤導。本文拆解 AI 信任判斷機制的根本問題、成因與改善方向。
我愛上一個不可能的可能，LLM是救贖？還是另一種沉淪？
LLM 進入醫療場景的想像令人著迷，但真正的問題不在於模型夠不夠強，而在於有沒有解對題。本文從問題定義、根因分析到落地設計，系統拆解 LLM 在醫療場景的可能與限制。
到底什麼是龍蝦？LLM 幫你解決了什麼？
「龍蝦」（Claw）是一類讓人與 LLM 對話的客戶端工具，不是比喻，是真實的工具名稱。本文拆解 Claw 工具的命名由來、比較主流開源選項，並分析在數位健康場景中，這類工具真正能幫你解決哪些問題。
當完整醫療到不了偏鄉，AI 醫師代表的是科技平權，還是二等醫療的合理化？
AI醫療進入偏鄉常被視為科技平權的象徵，但偏鄉缺的從來不是一台機器，而是整體醫療可近性的系統性缺口。本文從問題根因分析AI在偏鄉醫療中的真實角色，並提供判斷框架。
比誤診更難的是：AI 先說出了病人想相信的答案
生成式 AI 不只是把資料丟給使用者，而是把答案組裝成符合心理期待的敘事。這讓診間要面對的，已不只是錯誤資訊，而是一個被迎合過的判斷。本文從問題定義、根因分析到流程應對，系統性拆解這個比誤診更棘手的挑戰。
當老藥新用走進 EHR：AI 預測什麼時候才算真正進入工作流
老藥新用工具給的是預測分數，研究人員需要的是可判斷的證據脈絡。本文拆解從 AI 候選生成到 EHR 整合的四步驗證流程，說明什麼條件才算真正進入臨床工作流。