新光醫院麻醉科用 AI 讀病歷，揪出術前麻醉風險因子

新光醫院麻醉科導入 AI 判讀病歷，用於辨識術前的麻醉風險因子，並規劃在下一階段嘗試術中狀況的預測。這是 AI 在臨床流程中相當具體的落地案例。

術前評估之所以適合作為切入點，與其工作性質有關。麻醉科醫師在手術前必須綜合檢視病人的完整病歷——過往病史、用藥紀錄、檢驗數值、影像報告與過去的麻醉紀錄——從中判斷可能的風險因子。這項工作的難處不在於單一項目的判讀，而在於資訊的分散：相關線索可能散布在數年間的數十份文件中，而醫師的評估時間相當有限。

AI 在這個環節的價值，正是資訊的彙整與提示。模型能在短時間內掃過完整的病歷紀錄，把散落的相關資訊集中呈現，並標示出符合已知風險模式的項目。這不是取代醫師的判斷，而是確保判斷所依據的資訊是完整的——降低因為遺漏而產生的風險。

技術上，病歷判讀的難處在於文本的非結構化特性。臨床紀錄包含大量的縮寫、專科術語、個人化的書寫習慣，以及中英文混雜的表述；同一個概念在不同醫師的紀錄中可能有多種寫法。要從這樣的文本中穩定擷取結構化資訊，需要針對醫療領域的特定調校，通用模型的表現往往不足。

從導入的角度，選擇「提示而非決策」的定位相當關鍵。醫療 AI 的採用障礙，很大程度來自責任歸屬——若系統的判斷有誤，責任如何界定？而定位為輔助工具、由醫師做最終判斷的設計，讓責任結構維持不變，導入的阻力因此大幅降低。這也是當前多數醫療 AI 應用採取的路徑。

下一階段的術中預測，難度則明顯較高。術前評估基於靜態的歷史資料，而術中預測需要處理即時的生理訊號——血壓、心率、血氧與麻醉深度指標的連續變化；模型必須在短時間內判斷趨勢並提出預警，而誤報過多會造成警報疲勞、漏報則有實質風險。這對模型的準確度與時效性都提出更嚴格的要求。

從產業層面看，這類案例的價值在於驗證可行性。醫療 AI 的討論長期停留在願景與研究層面，而實際在臨床流程中運作的案例仍相對有限；每一個成功導入的實例，都為後續的推廣提供了具體的參考——包含資料準備的工作量、與既有系統的整合方式，以及醫護人員的接受度。

後續觀察重點包括：風險辨識的準確度與臨床效益數據、術中預測的驗證進展，以及在其他醫院的推廣情況。