美國《新聞週刊全球最佳醫院（Newsweek the World's Best Hospitals）》評鑑主席、哈佛醫學院教授貝茲（David Bates）受邀在本屆「亞太醫療品質年會」分享AI趨勢下的醫療安全。「世界最佳醫院」評鑑始於2019年，每年選出世界250個最佳醫療院所，台北榮民總醫院於2024、2025連續登上世界前250大，名列台灣第一，台大醫院、林口長庚紀念醫院、台中榮民總醫院、高雄長庚紀念醫院則兩年蟬聯全台前五名。

貝茲開宗明義說，「多數人會認為醫療的目的在於降低（健康）風險，然而，愈來愈多研究顯示，醫療院所本身就是一個高風險的環境。」根據《新英格蘭醫學期刊（NEJM）》旗下 SafeCare 研究，隨機抽樣的住院案例顯示，近四分之一病人至少經歷過一次不良事件（adverse event），可見醫療安全出狀況不是偶發的個案。
人工智慧出現後，人們開始對其寄予厚望，從院內感染、藥物不良反應到靜脈栓塞，均希望藉由AI 提前預測風險、協助臨床決策，進而降低傷害發生率。但AI並非萬靈丹，如何導入、如何監督，將左右醫療安全是否真的提升。

AI能載舟，亦能覆舟

根據SafeCare 的研究，傳統醫療安全管理多仰賴人工通報與事件發生後的調查，不良事件總在發生後才被辨識、分析與改善，導致反應速度有限，也難以全面掌握風險輪廓。不過以美國為例，不良事件仍可顯示年齡、性別、族群間的差異，意味著事件仍有可預測的跡象。這時AI適時的介入，可將醫療安全從「回溯式管理」推向「預測式治理」。

AI模型的「預測式治理」應用在院內感染管控上，有可能即時分析病歷、檢驗與照護流程資料，在感染事件發生前預知風險；在用藥安全上，模型可根據藥物相似性與歷史資料，預測特定病患的藥物不良反應及潛在的藥物交互作用影響；在靜脈栓塞領域，AI已經可辨識高風險病人，進而提供個別化治療建議。

然而，AI 也可能創造新的安全問題。貝茲引用《美國醫學會雜誌（JAMA）》的研究指出，大型AI醫療模型Epic在敗血症的預測上失準，發出大量警示，真正預測到的敗血症卻僅有少數，不僅增加臨床負擔，也可能削弱醫護人員對警示系統的信任。

電子化臨床品質指標（Electronic Clinical Quality Measure, eCQM）是AI在醫療上相對較好的應用，有別於傳統紙本或人工彙整的品質指標，eCQM 以標準化、可由系統自動擷取的方式，用以衡量照護品質，讓醫療機構能即時掌握安全表現，降低人為誤差。

就醫療安全而言，貝茲認為關鍵並非是否導入AI，而是能否持續衡量、修正並淘汰無效的模型，再者，醫療安全也不是品管部門的責任，而是整個醫療治理架構的核心指標。