智慧醫療新浪潮：從診斷決策、精準用藥到醫療網絡的AI革新 🏥

摘要與前言：

近年來，人工智慧(AI)、生成式 AI、多模態大模型以及數位孿生(Digital Twin)等技術快速成熟，使醫療 AI 的應用從個別項目輔助工具，演進為深度融入醫師日常臨床工作流程(Workflow)的智慧醫療生態系。本組所轄美國西岸與西南部地區(如南加州、亞利桑那州、新墨西哥州、科羅拉多州等)憑藉世界級醫學中心、頂尖研究機構與半導體資通訊(Bio-ICT)產業，已成為全球智慧醫院與精準醫療落地的指標性試驗場。這場「科技生物(TechBio)」與醫療工程的跨界融合，致力於解決醫事人員行政過勞、優化資源調度、提升診斷與新藥研發效率，並加速實現以患者為核心的精準醫療藍圖。

在臨床治療端，Cedars-Sinai引進具備主動檢索與個人化推理能力的 OpenEvidence Agentic AI，與病歷系統整合；City of Hope則結合片段組學(Fragmentomics)與AI演算法，實現11種癌症的超早期液態活檢與復發監測。在體系轉型方面，Intermountain Health 建立跨 9 州的雲端 AI 決策平台與 Dragon Copilot，有效降低醫護過勞；新墨西哥大學(UNM)透過Project ECHO將AI 敗血症預警推廣至偏鄉與原住民部落；加州大學聖地牙哥分校(UCSD)則普及Ambient AI Scribe，釋放醫療行政人力。在藥物研發領域，ProxyBio與Iambic等新創企業結合患者類器官(PDOs)、數位孿生與AI 模型，大量縮短新藥篩選週期；而UCSD團隊更於2026年在發表全球首例由通用型人形機器人(Surgie)完成的活體腹腔鏡微創手術，宣告醫療 AI 已從資訊輔助跨入實體自動化的新里程碑。

一、AI於臨床治療之應用

1. Cedar Sinai：OpenEvidence(Agentic AI)協助臨床醫學診斷與決策支援

↑ 圖說：近年在美國醫療界迅速崛起的OpenEvidence臨床決策支援與醫療 AI 搜尋引擎(來源：OpenEvidence) 👨‍🔬

1. 平台整合與定位：位於南加州洛杉磯的西達賽奈醫療中心(Cedars-Sinai)於2026年5月與OpenEvidence建立合作，將其整合至院內的電子病歷(Electronic Health Record, EHR)系統中，成為全球首批於大型醫療體系全面部署AI臨床決策支援工具的案例。OpenEvidence 是一套專為醫療人員設計的AI臨床知識平台(Clinical AI Platform)，讓醫師、護理師、藥師及其他臨床人員可在診療過程中，即時查詢最新醫學文獻，並結合病人的完整病史，提供個人化診斷與治療建議。因此，Cedars-Sinai認為AI的角色並非取代醫護人員，而是提升醫療品質與工作效率，包含提升臨床決策品質、提供精準的個人化醫療資訊、降低查閱文獻的負擔，以及結合其他檢查結果、醫療紀錄等建立完整的AI醫療生態系。

2. 代理式人工智慧(Agentic AI)技術：該平台代表了AI發展的新階段「Agentic AI」，具備主動規劃、搜尋、整合與推理的能力，OpenEvidence最大的突破，在於能理解病人的完整醫療背景，而不是僅回答抽象的醫學問題。當醫師提出臨床問題時，AI會主動讀取病患的完整病歷背景(如年齡、性別、過敏史、共病症、用藥與手術紀錄等)，即時搜尋全球最新醫學文獻與指引(已與 NEJM、JAMA、NCCN、Cochrane 等醫學資料庫簽署內容協議)，動態交叉比對並提供附帶引用來源的個人化診斷與治療建議，使臨床人員無需切換至其他網站，即可於診療流程中取得 AI即時支援。

3. 資料安全與嚴格治理：為保護敏感的醫療資料，病患資訊僅用於當次臨床照護，OpenEvidence 不會進行保存。所有 AI 系統上線前，均須通過由醫師、資料科學家、資安專家及行政主管組成的跨領域委員會審查，確保符合隱私與人為監督(Human Oversight)要求，AI 僅作為決策支援，最終決定權仍在於醫師，且OpenEvidence 的回答建立於最新醫學文獻與臨床指引之上，醫師可追溯相關研究來源，而非接受沒有依據的 AI 回答。

↑ 圖說：經統計，美國醫師們光在2026年4月份，就有約65%的醫生在近2,700萬次臨床診療中使用了類聊天機器人服務 (來源：NBC News) 

1. City of Hope：液態活檢(Liquid Biopsy)於癌症之應用  🥽🔬🧪

1. 非侵入性技術與研究特色：希望之城醫療中心(City of Hope)在液態活檢領域，致力於將非侵入性的體液檢測技術與精準醫療、次世代定序(Next-Generation Sequencing, NGS)及AI進行深度整合，建立癌症早期診斷、治療監測及個人化治療的完整臨床應用流程，這也是目前美國國家癌症中心(NCI-designated Comprehensive Cancer Center)積極推動的重要方向之一。透過抽取血液(或尿液、腦脊髓液等)，捕捉癌細胞釋放的循環腫瘤 DNA(Circulating Tumor DNA, ctDNA)或循環游離 DNA(Cell-free DNA, cfDNA)等生物標記(Biomarkers)，免去傳統組織切片的痛苦與風險。

↑ 圖說：液態活檢在癌症各治療階段的應用策略(來源：Healio)

2. 結合AI的Fragmentomics(片段組學)超早期篩檢：近年來，City of Hope 將 AI 視為提升液態活檢臨床價值的重要工具。液態活檢產生的次世代定序資料量極大，若僅依人工分析，不僅耗時，也可能遺漏低頻突變。City of Hope與TGen共同開發出結合AI 機器學習的新型片段組學技術(如 A-Plus 演算法)，分析cfDNA在血液中被切斷時的「碎裂模式」以識別癌細胞特有的碎裂模式，區分腫瘤相關訊號與背景雜訊，提高低濃度 ctDNA 的偵測能力，能以更少的抽血量同時檢測乳腺癌、結直腸癌、肺癌、攝護腺癌、血液腫瘤等11種癌症，大幅提高癌症在未轉移前的超早期篩檢機會。

↑ 圖說：液態活檢切片生物標記「腫瘤誘導血小板TEPs」的形成過程與檢測 (來源：Liquid biopsy in cancer: current status, challenges and future prospects, 《Nature》)

↑ 圖說：液態活檢在不同系統腫瘤中的應用及一些生物標記實例。(來源同上)

3. 精準治療與微量殘留病灶(MRD)監測：液態活檢可識別如EGFR、KRAS、BRAF等重要基因變異，協助醫師精準選擇標靶或免疫療法 ；並能在術後或治療期間，透過檢測ctDNA的微量殘留訊號進行復發監測，通常比傳統影像學(如 X光、CT)提早數個月預警復發風險。此外，City of Hope還積極與基層社區合作，針對高風險居民推廣低成本的液態活檢肺癌篩檢(如 FirstLook Lung)，提升社區的早期診斷率。

↑  圖說：DELFI FirstLook肺癌早期篩檢示意圖(來源：DELFI Diagnostics)

4. AI癌症醫療發展：近年來，City of Hope 持續推動人工智慧、癌症基因體學與精準醫療的整合，除了液態活檢外，也積極發展AI輔助病理影像分析(Digital Pathology)、多體學(Multi-omics)資料整合分析、AI 驅動藥物研發及腫瘤分子分型(Molecular Profiling)等領域，促成完整的精準腫瘤醫療系統，以提升癌症照護的精準度與效率。

二、AI導入醫療體系之應用 🖥️

1. Colorado: Intermountain Health跨州智慧醫療網絡(醫療系統)

1. 跨州整合網絡：Intermountain Health為美西最大的非營利整合醫療體系之一，總部設於猶他州，根據其2025年最新年度報告顯示，其服務版圖在 2022 年與科羅拉多州的 SCL Health 合併後，橫跨堪薩斯、科羅拉多、新墨西哥、亞利桑那、猶他、愛達荷、蒙大拿、懷俄明與內華達等州，旗下擁有超過 30 家醫院及 400 多所診所及龐大的遠距醫療服務網絡，每年服務數百萬名病患，是美國跨州整合醫療照護的重要代表。

↑ 圖說：Intermountain Health服務範圍 (來源：Intermountain Health 2025 Annual report)

2. 雲端「智慧大腦」與 AI 決策平台：Intermountain Health最大的特色，在於建立高度整合的數位醫療基礎建設，將營運涵蓋之各州內醫院、診所、急診中心、專科醫療及居家照護服務整合於共同的電子病歷(Electronic Health Record, EHR)及健康資訊交換平台，使病患無論於哪一州接受治療，其病歷、檢驗結果、影像資料及處方紀錄均可即時共享，大幅提升跨院轉診效率及醫療照護的連續性。同時與微軟深度合作，將跨州EHR數據整合至Microsoft Azure雲端平台，利用 Azure OpenAI 實現了「主動式智慧醫療」，並於2023年推出自行研發的即時互通式 (Real-time Interoperable)AI平台。AI模型會主動掃描患者的跨州電子病歷，自動找出具有多種共病症、未來住院風險極高的「高危險群患者」，也能直接嵌入電子病歷系統中進行風險評估與重症預警，當生理徵象或檢驗數據異常時即時向團隊發出警示，使醫師得以及早介入。

3. Connect Care虛擬診所與CIN合作：Intermountain Health亦大力發展遠距醫療(Telehealth)服務，利用共同的數位醫療平台提供視訊門診、遠距慢性病管理及偏鄉醫療照護，該跨州網絡並結合藥物與居家採集包快遞直送，打破地域限制；在科羅拉多本地，更與 UCHealth聯手建立臨床整合網絡(Clinically Integrated Network, CIN)，透過雲端數據共享與智慧系統，消除重覆檢查、降低不必要的醫療支出；並推廣 Select Health 保險品牌，將醫院利益與保險綁定，改變過去醫院做越多檢查賺越多的營利型態，而是落實以預防和健康為導向的價值醫療(Value-Based Care)。

4. Dragon Copilot 緩解醫護過勞：針對電子病歷轉換與行政文書壓力，Intermountain在Epic系統(2025 年 9 月上線)中嵌入Microsoft Dragon Copilot(前身為DAX Copilot)；透過生成式 AI，系統可以自動生成病患溝通摘要、整理複雜的臨床文件，讓醫護人員能省下數千個小時的文書時間，將精力重新聚焦於病患照護。截至2025年底，已有超過2,500名活躍臨床使用者，數據分析顯示平均減少了27%的病歷書寫時間，顯著改善醫事人員的職業倦怠並延長其職涯壽命。

↑ 圖說：醫護人員將Microsoft Dragon Copilot內生成的資料(右半部)轉錄到醫院HER系統中(左半部)  (來源：Microsoft Dragon Copilot)

1. New Mexico: UNM Health Science、Project ECHO

1. 學術醫學中心與 AI發展：新墨西哥大學健康科學中心(UNM Health Sciences Center)為該州唯一的學術醫學中心，近年積極推動數位轉型、遠距醫療與AI智慧醫療體系之研究，並成立了Data Science and AI Initiative以擴大生醫大數據的研究能量，其中最著名的智慧醫療成果即為Project ECHO – 大型遠距醫療架構。此外，UNM 也在其智慧醫院體系中部署深度學習影像演算法(如 Caption AI)以自動識別病灶並大幅縮短 MRI、PET/CT 掃描時間；並引進大型語言模型自動生成病歷摘要，緩解前線醫護的行政過勞問題。

2. 「Hub-and-Spoke」知識共享模式：Project ECHO於2003年由肝病專家創立，創立的核心理念為「傳遞知識，而非傳送病人(Move Knowledge, Not People)」。由UNM Health Sciences Center擔任「知識中樞(Hub)」，整合感染科、腫瘤科、精神醫學、重症護理等跨領域專家，定期與偏鄉基層醫護人員(Spokes)共同討論病例，提升第一線醫療人員處理複雜疾病的能力，建立可持續的地方醫療量能。

3. 遠距e-ICU與AI敗血症預警系統的結合：為弭平地理帶來的醫療資源不均，新墨西哥州將Project ECHO的遠距協作模式與AI技術高度結合。透過在偏鄉及印第安原住民保留區診所部署AI敗血症早期預警系統(Sepsis Early Warning System)，由醫學中心透過中央控制台進行遠距e-ICU不間斷監控，在生理指標細微異常時即時向遠端醫護發出紅燈預警，達成「人不用動，智慧醫療先到」的民主化醫療。

4. 漣漪效應與全球影響力：ECHO的運作模式強調「All Teach, All Learn」(教學相長的概念)，透過知識的分享達到良好的擴散效果，當一位基層醫護在平台上獲得專業指導後，便能應用於社區中成百上千的患者上，或將知識與經驗傳承予其他醫護人員，根據Project ECHO官網最新數據，其全球版圖已擴展至215個國家與地區，超過970萬參與人次，建立了1662個中樞(Hubs)及42個大型的超級中樞(Superhubs)，並且透過專利軟體平臺iECHO，支援全球導師與學員間的互動與協作。

↑ 圖說：醫護人員可透過iECHO平台學習相關課程或知識 (來源：iECHO)

↑ 圖說：Project ECHO在新墨西哥州及全美推展成果 (來源:Project ECHO)

1. SoCal: UCSD病例導入AI協助，減少醫事人員行政負擔

1. 傳統文書負擔與Ambient AI Scribe的導入：由於電子病歷系統導致醫師每日需花費大量時間完成SOAP Notes(包含主觀資料、客觀數據、評估判斷與治療計畫等內容)與診療摘要等紀錄工作，常常需要犧牲值班後的下班時間來完成龐雜的文書工作，美國大型醫療體系最積極推動AI的應用方向之一，便是利用生成式AI協助醫師完成臨床文件(Clinical Documentation)及電子病歷(EHR)紀錄，以降低行政負擔並改善醫療人員職業倦怠。

• (UC San Diego Health)由旗下Jacobs Center for Health Innovation (JCHI)統籌，於2023年啟動「GenAI IdeaWave」計畫，廣泛蒐集臨床醫師、護理人員及行政單位對生成式AI應用之需求，隨後全面推動Ambient AI Scribe(環境式 AI 醫療書記)試驗計畫，評估生成式AI對醫療工作效率、醫病互動品質及電子病歷作業之影響。

2. Ambient AI Scribe技術架構：在病患同意下，UCSD系統採用微軟轄下Nuance Dragon Ambient eXperience(DAX) Copilot(現已由微軟整合為Dragon Copilot，使用DAX進行環境錄音與摘要生成，並在需要修訂或補充時，切換為Dragon語音聽寫)，將設備放置於診間即可即時擷取醫病對話，並利用大型語言模型進行臨床語意分析，自動產生符合醫療格式的病歷草稿與診療摘要等文件，再由醫師審閱確認後匯入Epic電子病歷中。

↑  圖說：DAX可以聆聽紀錄醫病對話、轉錄成摘要，並進一步生成診療紀錄 (來源：Nuance DAX Copilot)

3. 多元應用與高效產出：除了醫師的診療紀錄與病歷初稿外，此類型AI也能自動整理病患的診療摘要(After Visit Summary, AVS)，讓病患可以透過App或網站獲取診斷結果、藥物處方、後續治療計畫及注意事項等內容，協助其持續遵守或即時查看醫囑，提升醫病溝通品質。

4. 成效與信任建立：臨床數據與交叉試驗結果證實，該工具能顯著減少醫事人員在EHR系統上的打字時間，將更多注意力集中於病患本身，提高醫病互動品質。為確保醫療責任與病人信任，所有生成的病歷仍定位為草稿(Draft Notes)，必須經由醫師審查與修正，且UCSD亦標準化在病歷中加上AI輔助標記，提高資訊透明度。

三、AI驅動藥物研發與製作 🖥️

1. UA: AI藥物發展平台，以AI預測癌症患者對於藥物的反應與投藥風險
2. (University of Arizona, UA)衍生的生技新創公司 ProxyBio(於2025年創立，並在2026年獲得350萬美元投資)開發出 CLARITYAI Platform。不同於傳統依賴細胞株或動物模型，該技術利用患者手術或切片取得的腫瘤組織培養出三維的「病人來源類器官(Patient-derived Organoids, PDOs)[1]」，保留原始腫瘤的基因特徵與生物學特性(活體切片 Living Biopsies)，結合AI、高通量影像分析及單細胞分析，進行預測，也是近年AI驅動癌症藥物研發的重要革新。
3. PDO放置於高通量自動化平台上，可同時接受數十至上百種藥物組合測試，自動化顯微影像系統會持續紀錄細胞生長與微觀形態變化，捕捉癌症內部的亞群體細胞，再由CLARITY AI模型分析數百萬筆高維度影像與單細胞多體學數據，在數週內(原需6個月，ProxyBio已壓縮至6週並持續朝1週目標努力)預測不同治療方案對個別患者的反應、抗藥性及潛在毒性，以提高個人化癌症治療成功率，並降低新藥研發成本及失敗風險。其三大應用核心包含：

1. ProxyDISCOVERY：提供藥廠進行高效能候選藥物篩選(Drug Screening)。

2. ProxyTOX：針對候選藥物在臨床試驗前進行安全與毒性分析，協助研究人員降低試驗失敗率。

3. ProxyPATIENT：根據癌症患者腫瘤建立AI模型，進行個人化精準醫療分析預測，協助醫師制定最佳治療策略。

↑ 圖說：CLARITY AI運作程序示意圖 (來源：ProxyBio)

1. 其他轄內以AI驅動之藥物研發、CDMO或結合數位孿生(Digital Twins)之實際應用 💻🧬
2. (電子病歷、基因體學、影像等)，為患者在虛擬世界中建立動態的生理模型。在臨床試驗階段，科學家可利用 AI模擬出數百位條件相同的「虛擬對照組」來代替真人，這能大幅縮短受試者招募時間、降低研發成本(縮短新藥開發時程至3至5年)，並完美解決末期重症患者在隨機雙盲試驗中被迫服用安慰劑的倫理難題。

1. 安進藥廠(Amgen)：千億級藥廠Amgen在南加州千橡市(Thousand Oaks)擴建了高度自動化與數位化的研發中心，將 AI 生成式平台全面植入其大分子抗體研發與製程開發中。

2. Iambic：總部位於聖地牙哥，目前是最具代表性的AI驅動新藥研發公司之一，不僅獲得NVIDIA等單位超過1.5億美元的第二輪重金投資，多款AI設計的癌症新藥也進入第一階段的臨床試驗。其最大特色是透過結合物理及生物實驗室與AI模型(如能精準預測小分子藥物與蛋白質結合時，動態結構變化的NeuralPLexer模型)研發生態，進行每週閉環數據迭代(Weekly Data Loop)，將AI 生成設計出的新分子，在自動化實驗室中進行奈米級的高通量合成與生物學測試，回傳的真實數據立刻用來重新訓練 AI 模型，並在極短時間內，將數款AI設計的小分子癌症藥物推向臨床階段，包括IAM1363(針對突變乳癌及非小細胞肺癌)、IAM-K1(針對乳癌與卵巢癌等實體瘤)等，並和多個藥廠積極合作，縮短專案藥物從實驗室到生產的過程(如Bayer、Jazz Pharmaceuticals、武田)。

↑ 圖說：Iambic Therapeutics 旗下最新的新藥研發 AI 模型 NeuralPLexer3 (NP3) 在處理低同源性(Low-homology)與複雜生物分子結構時的預測依然能保持精準度 (來源：Iambic)

四、AI智慧醫療機器人：UCSD Teleoperated Humanoid Robots 🦾

2026年7月，加州大學聖地牙哥分校(UCSD)工程團隊與外科醫師合作，在《Nature》發表了全球首個利用「通用型人形機器人(Humanoid Robots)」於活體(大型非人靈長類哺乳動物)腹腔鏡微創手術的驗證研究，成功利用兩種遙操作模式完成大型動物膽囊切除術(Laparoscopic Cholecystectomy)，被視為醫療機器人由「專用型平台」邁向「通用型人形機器人」的重要里程碑。

不同於過去多位單一醫療用途或病症打造的專用型機器手臂，如骨科導航機器人、放射治療機器人及著名的達文西手術系統，此類高精準度設備，建置成本高且難以轉換至不同醫療情境運用，UCSD以外科醫師的工作思維切入，期待以接近人類操作能力的「通用型人形機器人(General-purpose Humanoid Robot)」，直接進入現有手術環境，操作腹腔鏡器械及進行醫療流程，甚至未來可支援病房巡視、醫療物資搬運、急診處置及遠距醫療等多元任務。

1. 核心技術架構與LapSurgie框架：研究團隊ARCLab於2025年提出LapSurgie技術框架。不同於專用且體積龐大的達文西手術系統(需專用手術室、昂貴耗材)，這台命名為 「Surgie」 的人形機器人身高5呎(約152.4公分)、體重60磅(約27.2公斤)，能直接部署於現有手術室、使用市售的標準腹腔鏡器械，不需昂貴的特殊手術耗材，大幅降低了建置與營運成本。
2. 遙控與Human-in-the-loop AI模式：該系統並非AI自主開刀，而是由外科醫師坐在遠端的控制台(Teleoperation Console)，透過雙手控制器與立體視覺系統，利用逆向運動學(Inverse Mapping)進行遙控操作。機器人在手術室內即時複製醫師的動作，此時AI扮演智慧控制與輔助的角色(Human-in-the-loop)，負責即時姿態控制、防碰撞、動作平滑化與手眼協調。

↑ 圖說：LapSurgie Humanoid Robots由醫師遠端操控示意圖 (來源：LapSurgie: Humanoid Robots Performing Surgery via Teleoperated Handheld Laparoscopy)

↑ 圖說：LapSurgie Humanoid Robots操作腹腔鏡器械控制示意圖(來源：同上)

1. 活體手術具體案例：

1. 人機協作(Human-Robot Team)：由一名 UCSD 外科醫師(在控制台遙控)與一台 Surgie 人形機器人共同配合，成功完成大型動物(豬隻)的膽囊切除手術。

2. 雙機器人協作(Robot-Robot Team)：由兩台Surgie人形機器人共同合作，順利完成整套膽囊切除微創手術流程。

↑ 圖說：由醫師遠端控制人形機器人，及雙機器人協作完成手術 (來源：UCSD)

1. 技術限制與未來展望：該技術目前仍處於「前臨床研究階段」，面臨諸多待解決的深水區挑戰，如手術過程中需要數次重新校準(recalibration)導致手術時間較長、控制信號的操作延遲(latency)等 。但其緊湊、低成本且高移動性的特性，讓研究團隊看好其未來能被部署到離島、偏鄉、災害救援、戰地醫療或甚至太空等資源極度有限的極限環境中，並在未來發展出能自動準備器械與清理手術室的自主手術助理。

↑ 圖說：UCSD ARCLab仍持續精進人形機器人的精細操作與控制功能，期待未來可投入不同醫療任務 (來源：UCSD)