AI 已經走進醫院，證據跟上了嗎？

JAMA Summit 人工智慧報告導讀．分為上下兩期

匯東華統計顧問　·　陳秀敏博士　·　2026／10／30

第 8 期匯東華電子報第 8 期｜2026.10.30 看本期網頁版 →

導讀文獻：Angus DC, Khera R, Lieu T, et al. AI, Health, and Health Care Today and Tomorrow: The JAMA Summit Report on Artificial Intelligence. JAMA. 2025;334(18):1650–1664. doi:10.1001/jama.2025.18490

本文為匯東華依原文重點重新組織、詮釋之導讀，非原文翻譯；圖解依原文內容整理、改繪，皆已標示出處。詳細內容請參閱原文。

工具普及得很快，健康效益卻少有人量化

醫療 AI 的討論常停在「準不準」。這份由 JAMA 召集的跨界報告將問題往後推進一步：工具上線後，病人的健康結果到底有沒有變好？誰來證明？要用什麼方法證明？

本文分兩期刊出：上篇（第 8 期）談醫療 AI 的現況與評估難題，下篇（第 9 期）談監管、策略與醫療人力。

背景｜一場把開發者、醫院與監管者拉到同一張桌子的會議

JAMA 於 2024 年 10 月舉辦 AI 高峰會（JAMA Summit），報告作者來自學術醫學中心、大型醫療體系、科技公司（如 Google、Microsoft、Apple、Epic）、醫院評鑑機構與法學院等單位，美國食品藥物管理局（FDA）亦有出席。會後由五十餘位作者共同撰寫這份特別報告，於 2025 年 10 月線上刊出。

報告聚焦的不是「AI 能做什麼」，而是醫療 AI 應該如何開發、評估、監管、推廣與監測，以及對醫療人力的影響。討論範圍限定在近年的機器學習、深度學習、生成式 AI 與代理式 AI，傳統統計與規則式決策支援不在其列。

圖 8-1　報告界定的 AI 演進
（點擊圖片可開啟原圖放大檢視）

分類｜四類醫療 AI 工具，處境大不相同

報告依「誰在用、用來做什麼」將工具分為四類。值得注意的是，四類工具的證據多寡、監管強度與採用速度並不同步：最受監管、評估最多的臨床工具，反而在影像與電子病歷以外普及得慢；評估最少的營運管理與混合型工具，卻正被醫院快速採購。

圖 8-2　四類工具的證據、監管與採用速度
（點擊圖片可開啟原圖放大檢視）

以混合型工具中的 AI 診間記錄員為例：早期結果不一，但醫病雙方看來普遍接受，整合進電子病歷時尤其如此；作者甚至推測，美國每一次醫病對話，可能很快都會有即時互動的 AI 代理在旁參與。然而現有評估多停留在滿意度與工作流程，對照護品質與病人結果的影響研究仍較為欠缺。

數字｜普及的規模

圖 8-3　報告引述的幾個關鍵數字（美國與全球）
（點擊圖片可開啟原圖放大檢視）

臨床工具在影像與電子病歷之外推廣緩慢，主因很可能是醫院認為價值不足以支付總成本：授權費之外，還需負擔訓練、數位基礎建設、維護與監測等可觀的費用；多數使用沒有給付。再加上演算法偏誤、自動化偏誤（過度相信機器建議而忽略矛盾訊息）、可推廣性不足與信任問題，都可能進一步削弱醫療體系的導入熱情。

核心｜評估 AI 的健康效益，難在哪裡？

報告指出：各方普遍同意 AI 工具可能對健康產生重大影響，但哪些工具需要評估、如何評估、由誰負責，仍有相當大的爭論。以下整理方法學上的四個難題，也是本期最值得研究者細讀的部分。

難題一｜介入到底是什麼？情境又是什麼？

AI 工具的「介入」不只是軟體本身，還包含人機介面與使用者訓練。介面設計不良或訓練不足，同一套演算法的效果可能大打折扣。情境則包含任務與場域：同一個敗血症警示，在急診或一般病房、社區醫院或醫學中心，效果都可能不同。生成式與代理式 AI 能處理的任務太廣，連「這次評估的是哪項任務」都不易界定。更特別的是，評估使用者學習曲線的既有策略，通常假設工具本身固定不變；但某些 AI 自己也會持續學習，表現可能變好也可能退化，進而改變使用者信心。

難題二｜它是怎麼起作用的？三層同心圓

理解作用機轉有助於推論效果能否移植到別處。報告把機轉理解分成三層：

圖 8-4　理解 AI 作用機轉的三個層次
（點擊圖片可開啟原圖放大檢視）

關鍵在於：回溯資料的準確度，不等於實際影響照護決策的效果。因此，外層是前瞻性評估，重點是：工具作為實際介入，在真實場域中表現如何。

難題三｜結果指標收得到，但太貴

在醫院內使用的工具，可透過電子病歷與常規研究方法收集健康結果，使用者經驗也能用混合方法取得。問題不在「收不收得到」，而在成本與時間可能超過開發工具本身。後果有二：一是研究者乾脆不評估；二是縮小評估範圍，可能漏掉關鍵結果，或只選學術醫學中心等容易執行的場域，犧牲可推廣性。直接面向消費者的工具更難，例如評估智慧手錶偵測心房顫動的研究，收案超過 40 萬人，還得搭建全國遠距醫療、獨立判讀與轉介體系。

難題四｜因果推論：RCT 做不完，觀察性研究門檻高

隨機對照試驗（RCT）為因果推論的標準設計，但真正經 RCT 評估的 AI 工具很少；若每個工具都要在每種使用情境做 RCT，以 AI 推陳出新的速度並不實際。報告整理幾條可行路線，如表 8-1 所示：

表 8-1　評估 AI 健康效益的研究設計選項

設計	適用情境	主要限制
傳統 RCT	醫療因果推論的標準設計	昂貴、耗時，聚焦 1 至 2 個介入、單一臨床場域
群集隨機／階梯楔形設計	健康服務與實施科學常用，可內嵌質性研究	原文未述及
平台試驗、內嵌於電子病歷的試驗	可能讓 RCT 更快、更便宜	原文未述及
隨機 A/B 測試	營運管理工具的快速比較，許多非醫療產業已採用	醫療體系少用，可能因對「實驗」有疑慮
準實驗設計（中斷時間序列、工具變數等）	以觀察性資料比較有無使用工具的世代	需額外收集場域變異資料，統計專業門檻高

原文指出，不論採用哪種 RCT 設計，若要涵蓋所有使用情境，每個工具仍可能需要多個試驗。
整理自：Angus et al., JAMA 2025,「Inferring Causality」與「Potential Solutions」段落。

責任｜評估該由誰來做？

開發者：需經 FDA 審查的工具，由開發者負責初步評估，但不一定涵蓋真實世界健康效果；免審查的工具，開發者很可能只做符合自家宣稱的評估，例如訂閱留存或營收提升，不一定涵蓋健康後果。
醫療機構：可能有動機自評，但許多機構缺乏經費或方法專業。
政府：可提供研究補助，但遠不足以全面涵蓋。
病人與社區：不負評估責任，觀點卻很關鍵，目前少被納入。

報告也提到，營運管理工具很少被檢驗是否真的有益病人健康，這並非 AI 才有的問題。醫院採用的各種管理做法，向來也很少有人檢驗它們對病人健康的影響；雖有改變的呼聲，情況卻一直未變。

匯東華觀點｜以下為匯東華的詮釋，非原文主張

醫療 AI 工具的介入效果比傳統介入難評估，生成式 AI 尤其如此：同樣的輸入可能得到不同的輸出，也更容易隨使用情境改變。以下為對臨床研究者的三點提醒：

承認介入會變，並把變化記錄下來。生成式 AI 工具不像藥物，同一個版本每次的輸出也不完全相同；研究期間，模型可能改版或停用，接入的資料、系統設定和使用者的用法也可能隨時間改變。與其假設介入固定不變，不如把介入定義為「在某個場域使用某個 AI 工具的工作流程」，並持續記錄模型版本與更換日期、系統設定、使用量與使用方式。分析時可依期間或版本分段，檢查效果是否穩定；報告時寫明，結果反映的是這段期間、這種用法下的效果。
只報告 AUC（曲線下面積）、敏感度與特異度，回答的是「模型準不準」；若要宣稱「病人有沒有因此更好」，需要能支持因果推論的設計。
醫院既有的電子病歷資料，搭配中斷時間序列或階梯楔形設計，往往是成本與嚴謹度之間可行的折衷。設計越早規劃，越能在導入時同步收集所需資料。

本篇談的是健康效益為什麼難以評估；下篇（第 9 期）接著看制度面要怎麼補上這個缺口。

下期預告：監管為何跟不上？報告提出的四大策略是什麼？AI 會如何改變醫療人力與醫療糾紛的責任歸屬？