Hospital AI Lab HOSPITAL AI LAB — 醫療 AI 的實務資訊

更新日期:

用電子病歷預測膀胱癌的AI研究:院方該看哪些重點

英國團隊以基層電子病歷訓練膀胱癌風險模型並發表於期刊。本文整理研究數字與限制,說明醫院行政與護理端評估類似工具時可留意之處。

近來有一則報導說,AI 能從電子病歷中找出膀胱癌的早期警訊。這類新聞很容易讓人聯想到「醫院的病歷資料也能這樣用」。但對醫院行政與護理主管來說,更實際的問題是:這項研究到底用了什麼資料、結果可信到什麼程度、距離實際使用還有多遠。本文依研究團隊公開的資料頁面,整理其中可確認的內容。

這項研究做了什麼

研究由英國普利茅斯大學(University of Plymouth)團隊主導,論文發表於《IEEE Transactions on Biomedical Engineering》(2026 年 1 月 26 日)。研究使用的是基層醫療的電子病歷資料:以 1995 至 2018 年的病例對照資料(共 64,884 人)進行訓練與測試,另以 2019 至 2020 年的 4,569 人做前瞻性驗證。模型從 48,261 個候選特徵中,篩選出 38 個用於預測膀胱癌風險。

換句話說,這是一個用大量既有病歷資料,找出哪些紀錄組合與膀胱癌風險有關的風險模型,並不是一套已在醫院上線的診斷軟體。

結果怎麼讀

在測試資料上,模型在低風險門檻下的「敏感度」為 0.852。敏感度指的是:實際罹患膀胱癌的人當中,被模型挑出來的比例。前瞻性驗證中,這個數字會隨時間變動:距離確診一個月時為 0.872,十二個月時降到 0.667。也就是說,離確診越遠,模型能抓到的人就越少。

另外要提醒,部分媒體報導提到「正確判定 91% 的非癌症個案」,但我們在研究團隊的資料頁面上並未看到這項數字,因此本文不採用。引用研究數字時,建議回到原始論文確認。

對醫院行政與護理端的意義

以下為依研究內容所作的整理,並非官方指引。

  • **資料品質是前提。**這類模型仰賴病歷中的症狀、處方等紀錄是否完整一致。若院內資料欄位不統一,再好的模型也難以直接移植。
  • **研究成績不等於院內成效。**研究資料來自英國基層醫療,與台灣院內的病人組成、紀錄習慣不同,不能直接類推。
  • **使用病歷資料需符合個資規範。**依《個人資料保護法》,病歷與醫療屬特種個資,原則上不得蒐集、處理或利用,例外情形須符合法定要件。院方若有意與外部合作分析病歷,應先由法務與資訊單位確認依據。
  • **評估廠商宣稱時,請對方提供原始論文與驗證條件。**包括資料來源、樣本數、是否做過獨立驗證。

重點整理

這項研究顯示,電子病歷資料可用來建立膀胱癌風險模型,在研究條件下有一定敏感度,但敏感度會隨離確診時間拉長而下降,且我們查閱的資料並未顯示它已在醫院實際使用。對醫院而言,較務實的作法是先檢視自身病歷資料的完整度與個資合規,再評估任何類似工具。

出典


本網站內容僅供一般資訊與研究、教育用途,不能取代針對特定病人的醫療診斷或建議。

這篇文章所屬的系列

查看所有系列

← 專欄