哈佛醫學院教授 David W. Bates 在亞太醫療品質年會提醒：醫院需要慎選應用、確認工具在自己的場域確實有效，並持續追蹤上線後的表現。
醫療 AI 的應用快速增加，從自動生成病歷、判讀影像，到預測病人風險，醫院有愈來愈多選擇。但哪些應用最值得投入？導入之後，又如何確認照護真的變得更好？
在 2025 年 12 月舉行的第二屆亞太醫療品質年會，哈佛醫學院醫學教授、麻省總醫院布萊根醫療體系（Mass General Brigham）臨床與品質分析醫療主任 David W. Bates（大衛・貝茲），透過線上專題演講，分享他對醫療 AI 的期待與實務考量。他同時擔任該體系人工智慧與生物資訊學習系統中心（Center for AI and Bioinformatics Learning Systems）共同主持人，並是《Newsweek》與 Statista 全球最佳醫院及智慧醫院評選的全球專家委員會委員。
貝茲對 AI 改善醫療抱持樂觀態度，但他強調，醫療機構需要慎選應用，確認工具在自己的場域確實有效，並持續追蹤上線後的表現。理解哪些傷害仍未被有效預防，是選擇 AI 應用的起點。
貝茲首先分享團隊發表於《新英格蘭醫學期刊》的研究：在分析的 2,809 次住院中，23.6% 至少發生一次不良事件，接近每四次住院就有一次。另一項門診研究則發現，7% 的病人曾經歷至少一次不良事件，其中以藥物相關傷害最常見。
貝茲指出，院內感染、靜脈血栓與跌倒等問題，已有能帶來相當效益的預防方法，因此他評估 AI 進一步改善的潛力屬於中等。相較之下，辨識個別病人的藥物傷害風險、及早察覺未被發現的病況惡化，以及協助減少診斷錯誤，是他認為更具潛力的方向。
以用藥安全為例，AI 有機會整合病歷、檢驗結果等資料，預測特定病人使用某種藥物的風險，也可能協助辨識藥物交互作用。對於壓瘡，貝茲則舉床面濕度為例，說明照護環境中的訊號也可能幫助提早預測風險。
這些是他提出的應用機會，仍需透過實際導入與評估確認成效。對醫院而言，選擇的關鍵在於：哪一個照護問題仍有明顯缺口，而 AI 有機會提供額外幫助？
除了預防傷害，貝茲也關注另一個常見困境：醫院累積大量資料，品質團隊卻未必能順利取得並使用。
他以美國廣泛使用的 Epic 電子病歷系統為例，說明即使系統具備報表與資料存取工具，使用權限等限制仍可能讓日常品質衡量變得困難。他觀察到，許多機構因此另外建立資料庫，支援品質管理。
貝茲認為，醫院應逐步掌握經風險調整的住院天數、依診斷與照護提供者分析的資源使用，以及各項處置的併發症率，並朝結果導向的衡量前進。他也預期，民眾會愈來愈要求取得醫療品質與安全資訊。
要讓這些衡量持續運作，電子化臨床品質指標（eCQMs）是重要基礎。透過共同標準，將指標規格轉成機器可讀的形式，有助於減少耗時的人工整理與申報，提升資料的一致性，並降低錯誤。
不過，貝茲提醒，導入時仍須確認工作流程與資訊系統是否需要調整、不同系統能否互通，以及指標是否需要其他照護場域的資料。品質衡量能否落實，取決於這些實際條件。
談到已出現正面成果的應用，貝茲特別提到 AI 記錄員。這類工具能在診療過程中聆聽對話，協助產生病歷紀錄。
他分享的研究顯示，使用 AI 記錄員與較低的職業倦怠率及較高的專業成就感相關；另一家機構的研究也觀察到醫療人員福祉改善，且臨床人員認為自己的紀錄能力有所提升。這是他眼中醫療 AI 早期令人振奮的進展之一。
然而，開發時表現良好的模型，換到其他醫院，效果可能明顯下降。
模型必須在實際部署的醫院接受驗證，才能知道它對當地病人的表現。
David W. Bates · 哈佛醫學院教授
他以 Epic 敗血症預測模型為例：外部評估發現，模型的辨識能力指標 AUC 為 0.63，低於開發者原先報告的 0.76 至 0.83。依他在演講中引用的評估結果，約每五位病人就有一位被觸發警示，但被警示者中，只有 12% 發生敗血症。他指出，這個模型在三家醫院開發，之後被用於許多不同機構。
貝茲也以自動駕駛公司 Waymo 為例，分享其事故減少的資料，以及開放原始資料供外部專家檢視的做法。他藉此說明 AI 改善安全的可能性；這是跨領域的參照，並非醫療 AI 已達到相同成效的證據。
談到參與《Newsweek》與 Statista 的評選工作，他介紹，智慧醫院的評估關注醫院如何運用科技重新思考照護方式，涵蓋電子化功能、遠距醫療、數位影像、人工智慧與機器人等面向。
對準備投入 AI 的醫療機構，貝茲建議可優先考慮環境式臨床紀錄，以及影像判讀，尤其是 X 光影像。至於其他應用，則應依照機構的照護需求與改善機會選擇。
推動這些改變，需要同步投資人才、運算能力與監管架構。貝茲提醒，AI 工具的表現可能隨時間下降，醫院除了在導入前進行在地驗證，上線後也必須持續監測，確認工具是否仍能有效支持臨床照護。
