醫療AI導入挑戰多？評論籲建構學習型系統確保負責應用
根據《Bioengineer.org》昨日發布的一篇評論指出，人工智慧（AI）在醫療領域的常規應用，目前仍存在不一致且不均衡的現象。評論揭示，在美國約有 3,560 家受訪醫院中，採用人工智慧預測模型的醫院不到一半，且在服務弱勢社群的醫院中，AI的採用率明顯較低。
值得注意的是，即使在已導入AI預測工具的醫院中，有近半數醫院未評估模型的準確性，超過半數未評估演算法的偏差，且少有醫院能維持系統性的監測流程。這項評論強調，AI工具需要持續不斷地評估與調適，因為其在真實臨床環境下的表現會隨著工作流程、數據管道及病患人口結構的變化而動態改變。
評論認為，實施科學（Implementation Science）雖然提供諸多工具，例如「Consolidated Framework for Implementation Research (CFIR)」這類用於診斷推動新技術時背景因素的框架，以及「Expert Recommendations for Implementing Change (ERIC)」這類提供實施策略建議的框架，但單靠實施科學仍不足以完整銜接。因此，該評論提出「學習型醫療系統框架（Learning Health Systems Framework, LHS）」作為運營上的橋樑。
學習型醫療系統框架（LHS）這是一個持續整合醫療數據、最新研究與臨床實務，形成一套循環、學習並改進醫療服務的模式。它透過可互通的數據平台、專職的改進人員、臨床治理監督，以及連結病患、臨床醫師、數據科學家和醫療管理者的參與機制，將實施與評估活動嵌入永久的運營基礎設施中。在 LHS 架構下，AI的應用將遵循迭代學習循環，包括無聲評估、分階段部署、持續監測模型表現，並根據性能變化安排重新校準或淘汰。
現有的實施案例顯示，高度臨床採用如「TREWS」（一種用於偵測敗血症的機器學習預警系統），在經過與最終使用者迭代改進後，能有效降低敗血症死亡率。此外，長期維持自動化糖尿病視網膜病變篩檢AI專案，則需仰賴工作流程再設計、利害關係人協調以及審慎的場域選擇。
評論也指出，在高需求機構中，AI採用率較低的原因包含資本成本、分析人員集中、償付不確定性以及地方治理能力有限。為此，醫療系統可透過透明的跨場域基準測試、針對性投資能力建構、共享數據基礎設施、共同開發客製化工具，並監測不同病患亞組的表現來緩解不平等現象。將AI監督納入現有臨床治理及品質安全結構中，亦能有效管理運營負擔。
參考來源
- Commentary Outlines Learning Health Systems Framework for Re…（Bioengineer.org）
醫療AI導入醫院面臨哪些挑戰與建議？
根據《Bioengineer.org》昨日發布的評論，醫療AI在醫院的常規應用存在不一致且不均衡的現象，尤其在弱勢社群醫院採用率較低。即使導入AI預測模型，近半數醫院未評估準確性，超過半數未評估演算法偏差，且少有醫院能維持系統性監測流程。為此，評論提出「學習型醫療系統框架（LHS）」作為運營上的橋樑，透過整合醫療數據、研究與臨床實務，形成循環學習與改進的模式，並建議透過透明基準測試、針對性投資、共享數據基礎設施等方式緩解AI採用不平等現象。
學習型醫療系統框架（LHS）如何運作？
LHS透過可互通的數據平台、專職改進人員、臨床治理監督，以及連結病患、臨床醫師、數據科學家和醫療管理者參與，將實施與評估活動嵌入永久運營基礎設施中，形成迭代學習循環，包括無聲評估、分階段部署、持續監測模型表現，並安排重新校準或淘汰。
為何AI在高需求機構中採用率較低？
在高需求機構中，AI採用率較低的原因包含資本成本、分析人員集中、償付不確定性以及地方治理能力有限。這些因素限制了醫院導入和有效運用AI工具的能力。
