醫療照護中的人工智慧：微軟 Dragon Copilot 的承諾與挑戰

醫療保健領域的人工智慧有望超越行政工作的自動化，成為臨床和卓越營運不可或缺的一部分。一般的人工智慧解決方案固然有其價值，但最具轉變性的成果應該來自針對醫療照護產業獨特的挑戰、工作流程與機會而特別設計的應用程式。

Microsoft Dragon Copilot：介於承諾與現實之間

微軟近期宣布推出Dragon Copilot，這是一款預計於2025年5月上市的臨床工作流程AI助理，凸顯了該公司透過人工智慧變革醫療保健領域的決心。此解決方案結合了Dragon Medical One的語音辨識能力與DAX Copilot的環境AI技術，整合於一個旨在解決臨床倦怠與工作流程低效問題的平台中。

背景：對部門挑戰的回應

Dragon Copilot 適逢醫療保健產業的關鍵時刻。2023 年至 2024 年間，臨床人員的倦怠感從 53% 輕微下降至 48%，但持續的人員短缺仍是主要的挑戰。Microsoft 的解決方案旨在

• 簡化臨床文件記錄
• 提供情境化的資訊存取
• 自動化重複性臨床工作

初步結果：官方資料與實際經驗之間

根據微軟的資料顯示，光是在上個月，DAX Copilot 已協助 600 家醫療保健機構處理超過 300 萬個病患個案。醫療保健提供者表示，每次會面可節省 5 分鐘，70% 的提供者體驗到倦怠症狀減少，93% 的病患注意到體驗改善。

然而，測試人員的實際使用經驗揭示了更為複雜的現實：

產生臨床筆記的限制

許多測試過Dragon Copilot的醫生反映，即使啟用了所有客製化選項，生成的病歷記錄對大多數病例來說仍然過於冗長。正如一位測試人員所言：「會得到超長的記錄，很難從中『去蕪存菁』」。

醫療對話傾向於按時間順序跳轉，Dragon Copilot 很難以連貫的方式組織這些資訊，通常會強迫醫生檢視和編輯筆記，這在某種程度上有違該工具的初衷。

優點與缺點

Beta 測試者指出一些特定的優缺點：

優點：

• 對藥物名稱的辨識能力出色，即使病患發音錯誤也能準確識別
• 作為記錄對話並在撰寫病歷時參考的工具十分實用
• 對於簡單病例和短時間就診效果良好

缺點：

• 存在「幻覺」現象（憑空捏造的資訊），雖然通常較為輕微（如性別、年份等錯誤）
• 難以區分資訊的相對重要性（將所有資訊視為同等重要）
• 在整理體格檢查資料方面存在問題
• 審核記錄所需的時間削弱了原本承諾的效率優勢

一位參與測試的醫生總結了自己的使用經驗：「對於簡單的診斷，它在記錄評估與治療計畫方面表現尚可，這可能是因為所有簡單診斷案例都包含在訓練資料集中。但對於較複雜的病例，則必須由醫生逐字口述。」

健康 AI 的功能與潛力

臨床決策支援

醫療保健專用的人工智慧模型，例如 Dragon Copilot 的基礎模型，是在數百萬份匿名醫療記錄和醫學文獻上訓練出來的，目的是：

• 識別病患資料中可能顯示新發病症的模式
• 根據症狀與病史建議適當的診斷路徑
• 標示藥物之間潛在的交互作用與禁忌症
• 針對特定病症呈現相關臨床研究資料

一位臨床使用者醫生指出的一項重要潛力，是這類系統能夠「將病患的病歷資料納入系統的情境脈絡中，並向醫生呈現關鍵資訊，這些資訊在當今大多數電子病歷系統那雜亂無章的資料堆中原本很可能被忽略」。

優化病患通路

醫療保健專用的 AI 有可能透過以下方式改變病患的體驗：

• 預測性排程以縮短等待時間
• 生成個人化照護計畫
• 主動識別高風險病患所需的介入措施
• 虛擬分診，將病患引導至最合適的照護環境

合規性與隱私權考量

AI 工具（例如 Dragon Copilot）的整合提出了重要的合規性問題：

• 醫生必須在病歷記錄中加入說明，標明使用了該工具
• 病患必須事先被告知對話正在被錄音
• 出現了關於保險公司可能取得相關資料的疑慮

實際挑戰和對未來的影響

委託推理」及其風險

業界專業人士特別指出一個敏感問題：醫生的推理判斷可能「轉移」給AI工具。正如一位同時精通資訊科技的住院醫師所言：「危險之處可能在於這種情況會在不知不覺中發生，這些工具自行決定什麼是重要的、什麼不是」。

這提出了人類臨床判斷在日益以 AI 為媒介的生態系統中所扮演角色的基本問題。

成本效益與替代方案

多份證詞中強調的一個關鍵因素是，與其他替代方案相比，Dragon Copilot 的成本過高：

一位參與測試的使用者表示，一年之後，他的診所只有三分之一的醫師仍在使用。

有幾位 beta 測試者提到 Nudge AI、Lucas AI 及其他工具等替代品，這些工具提供類似的功能，但成本卻低得多，而且在某些情況下，在特定情境下效能還更好。

實施健康 AI：主要考慮因素

在評估醫療保健領域的人工智慧解決方案時，考慮以下因素至關重要：

1. 自動化與臨床判斷之間的平衡
   解決方案應該支援而非取代醫師的臨床推理。
2. 針對特定專科和工作流程的客製化
   正如一位醫療人工智慧公司創辦人所觀察到的：「每位專科醫師對於病歷中應納入或排除哪些重要內容都有自己的偏好；而這種偏好會因疾病而異——神經科醫師在癲癇病歷中想要的內容，與失智症病歷中所需的內容大不相同」。
3. 易於修正與人工監督
   人工介入必須保持簡單有效，以確保病歷的準確性。
4. 完整性與簡潔性之間的平衡
   生成的病歷既不應過於冗長，也不應過於簡略。
5. 對病患的透明度
   病患必須被告知這些工具的使用情況及其在照護流程中所扮演的角色。

結論：邁向均衡整合

Microsoft 的 Dragon Copilot 等創新代表著人工智慧整合醫療照護的重要一步，但 beta 測試者的經驗顯示，我們仍處於早期階段，有許多挑戰需要克服。

人工智能在醫療保健領域的未來需要在行政效率與臨床判斷、自動化與醫患關係之間取得微妙的平衡。Dragon Copilot 等工具有可能減輕臨床醫師的行政負擔，但其成功與否取決於能否有機地融入實際的臨床工作流程，尊重醫療實務的複雜性與細微差異。

真正的垂直與虛假的垂直：醫療保健 AI 成功的關鍵

在醫療保健 AI 和一般人工智慧領域中，必須經常考慮「真正的垂直領域」和「虛假的垂直領域」之間的差異。真正的垂直領域」是從底層開始設計的解決方案，深入瞭解特定的臨床流程、專科工作流程以及不同醫療環境的特殊需求。這些系統不僅在表面層級，也在其架構和資料模型中納入了領域知識。

相反地，「虛假的縱向系統」基本上是橫向的解決方案 (例如一般的轉錄系統或通用的 LLM)，並在其上塗上一層薄薄的醫療照護個人化。這些系統往往會在最複雜、最細微的臨床實踐領域失敗，其無法區分資訊的相對重要性或充分組織複雜的醫療資料就是明證。

正如 beta 測試者的回饋顯示，將通用語言模型應用於醫療文件，即使是在醫療資料上進行訓練，也不足以創造出真正的垂直解決方案。最有效的解決方案可能是那些在設計的每個階段都有醫療專家直接參與、能解決特定醫療專業問題，並能整合至現有工作流程的解決方案。

正如一位參與測試的醫師所觀察到的：「醫學的『藝術』在於引導病患提供最重要/最相關的資訊」。這種辨別能力至少目前仍是純粹的人類領域，這意味著最理想的未來很可能是人工智慧與人類臨床經驗之間的協同合作，透過真正垂直化的解決方案，尊重並增強醫療專業能力，而非試圖取而代之或過度標準化。