健康新聞

醫療AI難逃小規模試驗魔咒 學者點出落地三大卡關瓶頸

約翰霍普金斯大學學者指出,醫療AI目前難以走出小規模試驗,主因在於換家醫院準確度就下滑的模型漂移問題,以及缺乏醫師主導和明確的投資回報衡量方式。

黃

黃郁婷

· 2 分鐘閱讀

分享:
圖/AI 生成示意圖
圖/AI 生成示意圖

醫療院所導入人工智慧(AI)看似熱絡,多數專案卻難逃被困在小規模測試的命運。約翰霍普金斯大學凱瑞商學院教授裡圖·阿加瓦爾(Ritu Agarwal)接受《Healthcare Dive》專訪時直言,醫療體系至今仍未真正完成從概念驗證邁向常態化營運的轉型。

「醫療是複雜的,人是複雜的,疾病本身也充滿複雜性。」阿加瓦爾指出,AI 雖然有潛力改善品質不佳、成本高昂、資源分配不均等老問題,但要將技術擴展至全院臨床與行政流程,必須先跨越四大深水區:臨床工作流程整合、治理規範、醫師信任度,以及投資報酬率。

其中最棘手的技術挑戰在於臨床轉譯過程中容易出現的模型漂移(Model Drift,即 AI 在特定醫院訓練的演算法,換到不同病患族群時準確度大幅下滑)。例如在史丹佛醫學院等頂尖醫學中心訓練的模型,一旦部署到鄉村或地區型醫療院所,判斷表現可能明顯走樣。

針對臨床導入阻力,阿加瓦爾強調,AI 應用的開發必須由第一線臨床醫護人員主導,而非讓科技工程師單方面拍板,才能確保工具切合真實診療流程,且不損害醫師的專業自主權。

對於評估 AI 效益的醫療院所主管,阿加瓦爾建議應先建立成效基準線,挑選特定疾病進行驗證,再有系統地追蹤效率與治療成果。她也預期醫療科技市場將迎來整合潮,握有龐大資料與既有系統優勢的 Google、微軟等大型平台業者,將比單點解決方案開發商更具勝出機會。

參考來源

標籤: # 智慧醫療 # 醫療AI # 凱瑞商學院 # 臨床工作流程 # 模型漂移
分享:
回首頁

延伸閱讀

熱門文章