為什麼醫療 AI 始於可信賴的臨床證據

AI 產生了一份相當出色的臨床摘要。

它整理了病人的病史，彙整病歷中的相關資訊，並以清楚易讀的方式呈現，為臨床人員節省不少寶貴時間。

然後，有人發現：

有一個很重要的問題，從來沒有人問過。

答案並不是藏在病歷的某個角落，也不是存在另一套系統裡，只等著 AI 把它找出來。

這項資訊從一開始就沒有被取得。

AI 或許有能力分析、推理所有能取得的資訊，但它無法對從未取得的臨床證據進行推理。

這也讓我們必須重新思考一個問題：

我們所說的「更好的醫療 AI」，究竟應該從哪裡開始？

臨床證據，在進入病歷之前就已經開始形成

許多重要的臨床資訊，其實始於一場對話。

臨床人員詢問病人今天為什麼來就醫。病人描述自己正在經歷的症狀與感受。

一個回答帶出下一個問題；病人無意間提到的一件事，可能改變接下來的詢問方向；一開始看似不重要的細節，也可能在後來變得非常關鍵。

這就是再平常不過的臨床實務。

但當我們談論醫療 AI 時，卻很容易忽略一件事：

當 AI 看到一份臨床紀錄時，在那之前其實已經發生了很多事情。

有人決定要問什麼，病人用自己的方式描述正在發生的事情；有些內容被進一步詢問，有些則沒有。臨床人員根據聽到的內容進行理解與判斷，而其中一部分最後才成為病歷的一部分。

AI 是在這整個過程之後才進場的。

因此，AI 能做到什麼，至少有一部分取決於在它介入之前，我們究竟取得了什麼。

醫療機構當然不缺資料。

診斷、用藥、檢驗結果、醫學影像、臨床紀錄、醫囑、觀察結果，以及多年累積的病史。現在更有越來越多資訊來自遠距監測、連網醫療設備、病人端應用程式等其他來源。

AI 為醫療帶來了新的能力，讓我們能更有效地整理、理解與運用這些資訊。

但資訊很多，很容易讓人產生一個錯覺：

我們是不是已經掌握了完整的臨床狀況？

答案未必如此。

一位病人可能累積了多年的詳細病史，今天的狀況卻仍然有一個重要問題沒有答案。

一份寫得非常詳盡的臨床紀錄，可以正確記載當時的就醫情況，但仍然可能有一件重要的事情沒有被進一步了解。

上一次就醫時完全正確的資訊，也可能已經無法反映病人今天的狀況。

有時候，問題不是 AI 找不到資訊。

而是那項資訊從來沒有被取得。

醫療從來沒有問過的問題，AI 自然也無法從其他地方把答案找出來。

以病人表示「頭暈」為例。

這當然是一項有用的資訊，但仍然留下許多需要了解的地方。

是今天早上才開始，還是已經持續三個星期？

站起來的時候才會發生嗎？

最近有沒有調整藥物？

頭暈的同時，還有沒有其他症狀？

臨床人員會根據當下的情況，進一步詢問他們認為重要的問題。

但如果某個關鍵細節從來沒有被問到，答案不一定存在另一個資料庫裡等著我們去找。

當 AI 越來越擅長搜尋、整理與綜合既有資訊時，這一點反而更容易被忽略。

再好的答案，也取決於背後的臨床證據

生成式 AI 非常擅長整理複雜的資訊，並以更容易理解的方式呈現。

在臨床人員每天都必須面對大量資訊的醫療環境中，這樣的能力確實非常有價值。

但問題在於：

資訊呈現得好，不代表背後的臨床證據就足夠好。

零散或不完整的臨床資訊，不一定會產生一份看起來零散或不完整的摘要。

某項重要資訊的缺失，也不會因為其他內容被整理得非常完整，就自動顯得特別明顯。

即使缺少了某些重要的臨床證據，一個能力很好的 AI 模型，仍然可能根據手上已有的資訊，產生一個看起來完全合理的解讀。

AI 越擅長把已知的事情說清楚，我們反而越容易忽略那些它從來不知道的事情。

臨床資訊還有另一個重要特性：

它存在於時間之中。

上個月的用藥資訊完全正確，但昨天可能已經變更。

上一次就醫時症狀還很輕微，今天可能已經不同。

住院期間觀察到的狀況，在病人回到家之後，也可能具有不同的意義。

過去的病歷當然仍然重要。

但病人不是一份靜止不變的歷史資料。

病人的狀況會在兩次就醫之間持續改變，有時甚至改變得非常快。

AI 可以掌握一位病人非常詳盡的歷史紀錄，卻仍然可能不知道：

今天早上，發生了什麼改變？

當 AI 開始參與越來越多的臨床工作，這個問題也會變得更加重要。

今天，AI 已經開始協助整理資訊、製作臨床文件、辨識模式、找出相關資訊，並支援不同的臨床工作流程。

隨著這些能力持續發展，我們很自然會把注意力放在模型是不是變得更強、推理能力是不是變得更好。

但無論模型有多好：

更好的模型，無法讓從未取得的臨床證據憑空出現。

當臨床人員面對不確定的情況時，可以再問一個問題。

可以針對一個意料之外的回答繼續追問，可以察覺某些資訊似乎對不起來，也可以判斷目前掌握的資訊還不足以做出下一步決定。

但如果進入 AI 系統的臨床證據從一開始就沒有包含這些資訊，再強的推理能力也無法改變它們不存在的事實。

因此，醫療 AI 的品質，不只取決於模型如何運用它所取得的臨床證據。

同樣重要的是：

需要的臨床證據有沒有被取得？取得的證據是否仍然相關、可信，而且足以反映病人現在的狀況？

從更好的臨床理解開始

更好的醫療 AI，並不代表在臨床人員見到病人之前，就必須把所有可能的問題都問完、取得所有可能的答案。

臨床照護本來就不是這樣運作的。

每一位病人、每一個情況都不一樣，而這也正是為什麼臨床判斷始終不可或缺。

但我們可以想像另一種可能：

如果每一次診療開始時，臨床人員都能對病人目前的狀況有更好的理解呢？

已經知道的相關資訊，不需要一再詢問與整理。

如果仍然有重要的事情不知道，也能比較容易看見，而不是被大量既有資訊掩蓋。

我們也能更清楚知道一項資訊從哪裡來、什麼時候取得，以及它對病人目前的狀況還有多少參考價值。

如此一來，臨床人員就能把更多寶貴的時間，用來了解病人今天真正重要的事情，而不是反覆重建那些原本就應該已經知道的資訊。

對病人而言，也代表在做出照護相關決定之前，他此刻真正正在經歷的事情，有更好的機會成為臨床理解的一部分。

這比單純把病歷中既有的內容整理成一份更好的摘要，是更有意義的 AI 應用。

未來的醫療 AI，毫無疑問還會出現更好的模型、更強的推理能力，以及更多讓臨床人員與病人運用科技的新方式。

其中許多進步都會帶來真正的價值。

但當一份臨床紀錄交到 AI 手上時，故事的一部分其實早就寫好了。

我們從病人身上了解了什麼？

又有哪些事情，我們沒有了解？

這些資訊取得之後，有什麼已經改變？

我們現在掌握的資訊，還能不能反映病人此刻真正的狀況？

醫療從來就不存在完美的資訊，而 AI 也不需要等到所有資訊都完美，才能創造價值。

但是：

智慧與證據，是兩件不同的事情。

AI 可以變得非常擅長分析與推理我們提供給它的臨床證據。

但再好的智慧，仍然必須建立在可信賴的臨床證據之上。