針對查詢「AI」依關聯性排序顯示文章。依日期排序 顯示所有文章
針對查詢「AI」依關聯性排序顯示文章。依日期排序 顯示所有文章

星期一, 11月 16, 2026

AI 聊天機器人真的能改善健康嗎?JAMA 隨機臨床試驗揭露「使用率高,不等於療效好」

AI 聊天機器人真的能改善健康嗎?JAMA 隨機臨床試驗揭露「使用率高,不等於療效好」

2026 年 11 月 16 日|人工智慧、臨床試驗與醫學大數據

近年生成式人工智慧快速進入醫療領域。從 ChatGPT 到各種專門設計的醫療聊天機器



人,越來越多患者利用 AI 詢問疾病、治療、藥物副作用與健康管理問題。

然而,對醫學研究者而言,真正重要的問題不是 AI 有多少使用者,而是:使用 AI 之後,患者的健康是否真的變好了?

2026 年 11 月 4 日,Norell 等人在 JAMA Network Open 發表一項隨機臨床試驗,提供了非常值得思考的研究結果。

一、研究背景

懷孕與產後期間,許多女性面臨焦慮、憂鬱、睡眠不足及育兒壓力。

傳統醫療體系可能無法隨時提供健康諮詢,而生成式 AI 聊天機器人具有全天候互動、容易取得及相對低成本等潛在優勢。

但這些優點是否能轉化為實際的健康改善,必須透過嚴謹的臨床研究驗證。

二、研究設計

這是一項兩組平行、隨機對照臨床試驗。

研究於 2023 年 10 月至 2024 年 12 月招募 400 位美國孕婦或產後育兒者,並於 2025 年 12 月完成 12 個月追蹤。

參與者來自美國 49 州及華盛頓特區,符合資格者為年滿 14 歲、使用英語、處於懷孕期間或正在照顧未滿六個月嬰兒,且自我認定屬於研究指定的少數族裔群體。

受試者以 1:1 隨機分派至:

  • AI 組: 可以使用生成式 AI 母嬰健康聊天機器人。
  • 主動對照組: 每月收到兒童讀物。

主要終點為第 12 個月的焦慮與憂鬱症狀,分別使用 GAD-7 及 PHQ-9 量表評估。

次要終點包括急診就醫、懷孕相關併發症、產後照護、避孕措施及睡眠時間。

三、主要研究結果

研究共有 400 人隨機分派,其中 380 人完成第 12 個月問卷,或至少提供一項第 12 個月結果資料。

主要結果如下:

主要終點

AI 組相對對照組調整後平均差

95% 信賴區間

焦慮(GAD-7)

+0.10

−0.77 至 0.96

憂鬱(PHQ-9)

−0.23

−1.05 至 0.59

兩個主要終點的信賴區間均包含零,未證實 AI 介入具有統計顯著的改善效果。

此外,研究亦未發現急診就醫、產後檢查、有效避孕措施使用及睡眠時間等多數次要結果有明顯改善。

值得注意的是,在部分次要分析中,AI 組自述懷孕相關併發症較多,但這個結果未在縱向分析中重現,因此不能據此認定 AI 增加懷孕併發症風險。

四、最值得注意的現象:使用率高,不代表健康改善

在 AI 組中,納入使用情況分析的受試者有 98.4% 至少提出過一個問題,詢問次數中位數為 119 次。

這代表研究中的 AI 工具確實獲得相當程度的使用。

但即使使用者持續與 AI 互動,研究仍未證實整體焦慮或憂鬱獲得顯著改善。

探索性分析甚至發現,使用 AI 較頻繁的參與者,焦慮分數較高。

不過,這屬於觀察性關聯,不能認定 AI 造成焦慮。另一種可能是原本焦慮程度較高的人,更需要反覆向 AI 尋求資訊或協助。

這正是醫學研究中必須區分相關性與因果關係的重要例子。

五、從臨床試驗方法學看研究限制

第一,這項研究評估的是特定母嬰健康聊天機器人,而不是所有生成式 AI 系統。

第二,研究採用主動對照組,而非完全不接受額外介入的患者。每月收到兒童讀物,以及部分研究人員的聯絡,本身也可能帶來支持作用。

第三,主要結果依賴患者自我回報量表,受基線症狀、社會支持與其他生活因素影響。

第四,研究只納入特定美國族群與英語使用者,因此結果不能直接外推到所有國家、疾病或醫療環境。

第五,部分 AI 安全警示會由研究人員審查,必要時提供後續聯繫與轉介,因此這也不是完全無人監督的 AI 介入。

所以這篇研究所支持的結論是:在這項特定介入與研究族群中,尚未證實 AI 聊天機器人能改善一年後的焦慮與憂鬱,而不是所有醫療 AI 都沒有效果。

六、對風濕免疫科與 AI agents 的啟示

風濕免疫疾病具有慢性病特性,患者經常需要長期服藥、監測症狀及處理藥物副作用。

未來 AI agents 可能應用於類風濕性關節炎、僵直性脊椎炎、乾癬性關節炎及紅斑性狼瘡等疾病的患者衛教與長期追蹤。

但是,如果只是讓患者每天與 AI 聊天,並不能保證疾病控制更好。

真正值得研究的,是 AI 能否改善臨床結果,例如:

  • 降低疾病復發及住院風險。
  • 提高適當的藥物持續使用率。
  • 改善患者生活品質與日常功能。
  • 減少醫師文書負擔,同時維持醫療安全。
  • 協助及早辨識需要醫師介入的危險訊號。

未來可以設計多中心隨機臨床試驗,比較標準照護與結合 AI agents 的照護流程。

同時利用電子病歷、疾病登錄資料及真實世界資料,長期追蹤患者的醫療使用、疾病活動度及重要安全性結局。

對這類研究而言,AI 是否有臨床醫護團隊監督、患者實際使用程度,以及不同疾病活動度患者的治療反應,都值得事先規劃。

七、我的觀點:醫療 AI 應該從展示能力走向證明效益

目前許多醫療 AI 研究強調模型的準確率、AUC、回答正確率與使用者滿意度。

這些指標有其必要性,但並不足以證明 AI 具備實際臨床價值。

未來真正重要的研究,應該評估導入 AI 之後,是否改善臨床決策及患者結果。

我們也應該重視 AI 可能帶來的意外後果,例如錯誤建議、過度依賴、資訊不一致,以及對醫療資源使用的影響。

這些問題需要嚴謹的隨機試驗、真實世界研究及持續的安全監測才能回答。

八、結論

這項刊登於 JAMA Network Open 的研究,並不是證明醫療 AI 沒有未來,而是提醒我們,技術的普及不能取代科學證據。

生成式 AI 可以改善資訊取得方式,但改善資訊取得,與真正改善患者健康,是兩個不同的研究問題。

醫療 AI 的成功,不應只看有多少人使用,而應看有多少患者真正因此受益。

參考文獻

Norell EM, Yue X, Mane H, et al. Generative Artificial Intelligence and Maternal Health Outcomes in Pregnant and Postpartum Individuals: A Randomized Clinical Trial. JAMA Network Open. 2026;9(11):e2641062.

DOI:https://doi.org/10.1001/jamanetworkopen.2026.41062

原始全文:https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2856248

ClinicalTrials.gov:NCT06053515

文章標籤: 人工智慧、生成式 AI、AI Agents、臨床試驗、醫學大數據、真實世界研究、風濕免疫科、智慧醫療、JAMA Network Open


星期三, 11月 27, 2019

轉貼:臺灣AI Labs - 靠AI把臺灣醫療力帶到全世界

轉貼:臺灣AI Labs - 靠AI把臺灣醫療力帶到全世界

臺灣醫療水準世界第一,但醫生每個人都忙得要死,如何技術輸出❓

💻 要靠AI,AI可以學習人的知識,能將臺灣的醫療,帶到全世界。

✏️ 臺灣人工智慧實驗室創辦人杜奕瑾說,今年他們出產的AI應用,剛帶著無人機空拍臺南之美,登上國家音樂廳舞臺演奏鋼琴,能夠自動謄稿的雅婷逐字稿App更是紅透企業秘書圈和學校研究圈,但他還有一個更大更遠的企圖,現在才剛起飛。

2017年,一手催生出微軟AI語音助手技術Cortana的杜奕瑾,毅然決然離開工作多年的微軟,返臺創立了臺灣人工智慧實驗室(AI Labs),這是一個民間捐助的研究型法人機構,成立之初,就鎖定智慧醫療、智慧城市、人機互動這三大領域的AI研發。



🔎 左圖與右圖分別為肺臟肺結節與肝臟腫瘤的影像辨識介面,能根據使用者需求內建半自動標記工具,讓醫生能手動修正原始標記錯誤之處,再由系統自動比對修正前後的差異,來推算辨識準確率。


開發醫療影像辨識技術,讓醫生診斷更快速

📝 AI Labs在醫療AI領域聚焦兩個面向:

(一)  透過醫療影像辨識,來協助醫生更快速診斷疾病

(二)  運用基因定序分析來進行遺傳病的研究

例如,找出特定疾病與異常基因位點的關聯,來進行個人化用藥或標靶治療。
整合這兩項研究來發展精準醫療,就能依照每個人的不同遺傳、生活習慣,來考慮各自需要的疾病預測、疾病診斷,甚至連治療、預後都可以個人化安排。


跨足基因定序分析領域,加速臨床上罕見疾病的診斷

發展精準醫療,除了AI和大數據,基因定序分析是另一個關鍵,來找出病根跟基因之間的關係。

以癌症為例,要達到精準醫療,單是快速篩檢出腫瘤病灶點還不夠,現行已經可以透過癌症基因檢測,找出病患的腫瘤細胞帶有哪些癌症基因突變,進而針對這類病患擬定個人化的治療策略,AI Labs先前花了不少時間建置系統,直到最近,才開始揭露在基因定序分析的研究成果。


將兩大智慧醫療平臺產品化,力推服務到全世界

隨著上述醫療AI的技術發展成熟,AI Labs最近也推出兩大醫療AI應用平臺,分別是整合了所有AI醫療影像辨識成果的TAIMedimg,以及基因定序分析平臺TAIGenomics,未來技術成熟後,將透過臺灣醫學影像公司、台智基因體公司、台智擎公司,進行產品化。比如說,等到Variant2literature服務發展得更成熟後,就會變成台智擎公司的解決方案之一。


星期三, 11月 11, 2026

AI 心電圖真的能改善醫療嗎?從 Circulation 最新 LATENT 隨機臨床試驗看醫療 AI 的臨床價值

AI 心電圖真的能改善醫療嗎?從 Circulation 最新 LATENT 隨機臨床試驗看醫療 AI 的臨床價值

發表日期:2026 年 11 月 11 日





人工智慧已廣泛應用於醫學影像、電子病歷與疾病風險預測。但在臨床醫學中,一個重要問題始終存在:模型預測得準確,是否就代表使用這個模型能夠改善患者的健康結果?

2026 年 11 月 7 日,台灣研究團隊在國際心臟醫學期刊 Circulation 發表 LATENT 隨機臨床試驗,為這個問題提供了一個值得深入討論的案例。

一、研究背景

心房顫動(atrial fibrillation, AF)可能增加缺血性中風風險。然而,部分患者的房顫呈間歇性發作,常規心電圖可能無法及時發現。

人工智慧心電圖(AI-ECG)可從竇性心律期間的心電訊號,辨識與未來心房異常相關的特徵。過去已有許多回溯性研究評估這類模型的預測能力,但真正將 AI 引進臨床流程,是否能提高具有臨床意義的疾病偵測率,仍須前瞻性驗證。

二、LATENT 臨床試驗設計

LATENT 是一項在台灣單一醫學中心執行的開放標籤、隨機對照試驗。

研究納入 14,665 位年齡 40–85 歲、過去沒有心房顫動或心房撲動病史的成人。

受試者被隨機分派至 AI-ECG 引導監測組(7,337 人)或一般照護組(7,328 人)。

AI 組利用過去一年內的竇性心律心電圖進行風險分層。被判定為高風險的患者,接受最多七天的 Holter 心電監測邀請。研究也安排年齡與性別配對的對照者接受相同監測,以降低偵測偏差。

主要終點為 90 天內新偵測的房顫、心房撲動,或預先定義的前驅心房異常,包括頻繁心房早期收縮、短陣心房早期收縮及非持續性房顫或心房撲動。

三、研究結果

研究結果

AI 組

一般照護組

受試者數

7,337

7,328

主要複合終點

0.74%

0.48%

房顫/心房撲動偵測率

0.3%

0.2%

180 天開始抗心律不整治療

2.3%

2.4%

主要複合終點的勝算比為 1.54(95% CI 1.01–2.37;P=0.046),達到傳統統計顯著標準。

但研究也顯示,房顫或心房撲動本身的偵測率差異並未達到統計顯著,180 天的抗心律不整藥物使用率也沒有顯著差異。

更值得注意的是,當研究者模擬將 AI 組的一個事件重新分類為非事件時,主要分析的 P 值便從 0.046 改變為 0.057,顯示結果的統計穩健性有限。

四、如何解讀這項試驗?

統計顯著不等於臨床效益

主要複合終點在 AI 組與對照組之間的絕對差異為 0.26 個百分點,約相當於每 1,000 人多偵測到 2.6 個複合事件。

這個結果雖然具備統計意義,但部分事件屬於前驅心房異常,而不是已確診的房顫。

因此,不能直接將複合事件增加解讀為中風風險獲得改善,更不能宣稱 AI 已經證明可以降低死亡率。

AI 的價值必須經過整個臨床流程驗證

本研究中,AI 組共有 84 位患者被辨識為高風險,其中只有 48 位(57.1%)實際完成進一步監測。

這提醒我們,AI 對患者的幫助不只取決於演算法本身,更取決於醫師如何處理警示、患者是否願意接受檢查,以及檢查結果是否帶來適當的治療。

即使模型具有良好的預測能力,臨床導入率、資源消耗、假陽性及患者負擔仍會影響實際價值。

五、對風濕免疫科及醫學大數據研究的啟示

這項研究雖然屬於心臟醫學,但其研究方法對風濕免疫疾病同樣重要。

目前已有許多 AI 研究嘗試預測類風濕性關節炎、僵直性脊椎炎、乾癬性關節炎及紅斑性狼瘡患者的疾病活動度、治療反應與不良事件。

然而,良好的 AUC 或預測準確率,只能回答「模型能否預測」,並不能回答「使用模型是否有助於患者」。

例如,一套 AI 模型可能成功辨識出較高風險的 RA 患者,但如果依照 AI 建議調整治療,是否真的能降低疾病復發、住院、關節破壞,或改善生活品質?這需要進一步的臨床研究。

未來可以考慮結合 TriNetX、全國性醫療資料庫及多中心電子病歷,採用 target trial emulation 比較使用與未使用 AI 輔助決策的照護策略。

但這種研究必須清楚定義 AI 實際使用的時間與方式、患者進入研究的起點、臨床決策的改變,以及可測量的病人結局,同時處理混雜偏差與時間相關偏差。

六、結論

LATENT 試驗的意義,不在於證明 AI 已經能夠預防中風,而在於研究者以隨機臨床試驗直接檢驗 AI 介入臨床照護流程後的效果。

這是醫療人工智慧發展中非常重要的一步。

未來醫學 AI 的研究重點,應逐漸從「模型有多準確」轉向「模型是否真正改善臨床決策、治療結果及患者生活」。

真正成功的醫療 AI,不是單純預測更多異常,而是能夠幫助我們提供更好的醫療。

參考文獻

Lee C-C, et al. Leveraging AI-ECG Technology for Early Notification and Tracking of AF Development (LATENT): A Randomized Controlled Trial. Circulation. Published online November 7, 2026.

DOI: https://doi.org/10.1161/CIRCULATIONAHA.126.083540

PubMed: https://pubmed.ncbi.nlm.nih.gov/42998297/

ClinicalTrials.gov: https://clinicaltrials.gov/study/NCT06847932

文章標籤: 人工智慧、醫學大數據、臨床試驗、智慧醫療、真實世界證據、精準醫療、風濕免疫科


FcRn 抑制劑治療自體免疫肌炎的新突破:ALKIVIA 第三期臨床試驗帶來哪些啟示?

FcRn 抑制劑治療自體免疫肌炎的新突破:ALKIVIA 第三期臨床試驗帶來哪些啟示? ACR Convergence 2026|Late-Breaking Abstract LB24 自體免疫肌炎(idiopathic inflammatory myopathy, IIM)...