《新聞週刊（Newsweek）》「全球最佳醫院」評比委員會主席貝茲（David Bates）受邀於「第二屆亞太醫療品質年會」進行線上專題演講。與現場醫界夥伴深入探討AI導入智慧醫療的最新應用現況與發展趨勢。
貝茲教授不僅參與全球最佳醫院評選，他也是哈佛大學醫學院教授，同時擔任麻省總醫院布萊根醫療體系（Mass General Brigham）「學習型醫療體系人工智慧與生物資訊中心」共同主持人，對國際醫療評鑑與智慧醫院發展具高度影響力。
談到最新的人工智慧，貝茲一開場請大家提出思考：「在研究科技能為醫療做什麼之前，必須先正視醫院環境與醫療行為本身所伴隨的危險。」他直言：「很多人以為醫療是安全的，但如果把醫療和其他複雜的人類活動相比，醫療其實相當危險。」
他以核能、歐洲鐵路與商業航空等高風險產業為例，其死亡率至多為每十萬人中一人；但住院病人的死亡率卻近乎每千人就有一人，其風險程度與高空彈跳或登山活動不相上下，「這遠遠超過一般人的認知」。正因醫療本身已屬高風險活動，貝茲認為，任何關於AI的應用都應先從「安全」的角度出發，醫療風險本已偏高，若再引入設計不良的科技，可能使情況更加惡化。
除了死亡率，醫療傷害也經常以「不良事件（adverse event）」的形式出現，例如醫療疏失、併發症或流程失誤。這類事件未必立即致命，卻會實際影響病人的預後。貝茲與研究團隊分析美國2,809例住院病例，發現其中23.6%至少曾發生一次不良事件；換言之，幾乎每四位住院病人，就有一人遭受某種形式的醫療傷害。此一發表於《新英格蘭醫學期刊》的研究也顯示，門診照護的情況同樣不理想：約7%的門診病人，也就是每15人中就有1人，曾經歷至少一次不良事件。「這種數字讓人不太舒服，但如果不先看見問題，就不可能改善。」
AI預警最大發揮 : 處理新型態的醫療傷害
貝茲指出，美國醫院中常見的傷害來源，包括院內感染、不良藥物事件、深層靜脈血栓與肺栓塞、手術傷害、壓瘡，以及跌倒等事故。近年來，美國醫療體系積極導入人工智慧，期望能以更系統化的方式降低醫療風險。「不良藥物事件是AI潛力相對高的領域」，特別是在事前辨識高風險病人方面；壓瘡偵測同樣是AI的強項，透過感測器監測床墊濕度等細微變化，有機會補足臨床照護的盲點。
不過，貝茲認為，AI最大的價值或許在於處理「新型態的醫療傷害」，例如未被即時發現的病情惡化，或因誤診而延誤治療。這類狀況可能造成嚴重後果，卻難以透過傳統方式有效預防，「這才是機器學習（AI）真正能發揮作用的所在。」
儘管AI的介入有助於降低醫療傷害，貝茲也提醒，這並不能完全保證醫療安全，有時甚至會引入新的風險。他以美國曾廣泛部署的Epic敗血症預測模型為例，該模型原本設計用於及早發現致命的血液感染，但後續大型評估顯示，系統對高達五分之一的病人發出警示，實際併發敗血症的病人卻只有12%。大量錯誤警示導致醫護人員產生警示疲勞，也削弱了對預警系統的信任。
貝茲強調，AI模型必須進行在地驗證，並持續監測其表現。「醫療機構必須慎選導入的AI工具，也要有機制確認它們真的在發揮作用。」
儘管存在失準風險，AI仍逐漸發展出明確強項。例如AI抄寫員已成為臨床醫師的得力助手。貝茲指出，「環境式臨床紀錄系統（Ambient Documentation System）」可在醫師看診過程中，自動聆聽並生成病歷紀錄，使用此類系統的醫師，其倦怠感降低達20%。「疲憊的醫師更容易出錯，而過度的文書負擔，也會壓縮與病人互動的時間。」
AI在影像判讀上的應用同樣具備優勢，特別是在辨識靜脈血栓栓塞高風險病人方面。醫師可透過分析診斷影像或檢查報告，協助找出高風險族群，進而提出以病人為中心的個別化治療建議，包括是否使用抗凝血藥物。AI的優勢也體現在協助醫療機構建立電子化臨床品質指標（Electronic Clinical Quality Measures，或稱eCQMs）。透過電子健康紀錄（Electronic Health Records，EHR）與病患健康數據，以機器可讀、標準化方式即時呈現醫療表現，並透過風險調整後的住院天數、併發症率等指標，醫院得以更透明地呈現品質成果，回應社會對醫療資訊公開的期待。
不過，貝茲也提出務實的挑戰。醫院在導入eCQM時，是否需要調整既有工作流程或資訊系統？新建置的eCQM又能否與其他EHR系統整合並互通？都仍有待醫療體系在實際運作之中進行測試與整合。
貝茲以自駕車Waymo為例，說明在理想狀態下，AI確實能為人類活動帶來實質助益。根據車廠公布的原始資料，在相同地點運行時，Waymo的嚴重事故率比人類駕駛低91%，受傷事故更降低95%。
儘管醫療場域的複雜程度遠高於交通系統，但只要設計嚴謹、評估透明，且持續監測，AI有機會大幅降低人為風險。「如果所有美國駕駛的表現都能跟Waymo一樣，每年可避免數以萬計的傷亡。」
整體而言，貝茲對AI抱持謹慎樂觀的態度。他強調，醫療機構在導入AI的同時，必須以風險考量為前提，且同步投資於人才培育、運算基礎建設與法規治理架構，才能讓AI在醫療中發揮最大的實質貢獻。
