醫療 AI 的臨床證據這一週全部指向同一件事——模型準不準已經不是瓶頸：Rambam 的急診 LLM 有 99／100 份輸出被評為臨床合適，醫師使用率卻在四週內從 68% 掉到 30%；AI 預測出院日在入院當天贏過個管師、在出院前 24 小時輸掉兩倍；而史丹佛用 37,000 個 AI 代理設計出的 CD276 抗體藥物複合體，被 Merck 獨立做出同一個設計並拿到 FDA 突破性療法認定

以色列 Rambam Health Care Campus（合作單位包括 Technion 與 Mayo Clinic）把一套名為 SHAKED 的 LLM 臨床決策支援系統，放進兩個平行運作的急診區之一，另一區維持標準流程，為期四週、共分析 1,138 位病人（584 位分到介入區），並按 DECIDE-AI stage 1 的規格報告。結果：專家覆核抽樣的 100 份輸出中 99 份被評為臨床合適、未偵測到不良事件；但臨床採用率從 68% 降到 30%，主因是工作量造成的脫離（每多一小時班內時數，使用勝算比 OR = 0.72）；醫師唯一明顯偏好的用途是放射科會診（OR = 2.98）。住院天數兩區都是 4.9 小時（P = 0.99），會診週期縮短 9.4 分鐘但未達顯著（P = 0.077）。Nature Medicine, 2026-08-19／PubMed 42618632

這是醫療 AI 少見的「幾乎所有東西都做對了、結果還是不能上線」案例，而且不能上線的理由不在模型。過去兩年醫療 AI 的論證方式是拿 benchmark 分數推論臨床價值；這份試驗把中間那一段攤開來：即使輸出品質接近滿分，只要臨床工作量一上來，使用率就會塌，而使用率一塌，任何下游指標（住院天數、會診效率）都會被稀釋到測不出來。作者的措辭很直白——瓶頸是持續的臨床參與，而不是演算法準確度。這對採購方的意義是：demo 的準確率再高，也不能替代「第三週還有多少人在用」這個數字。

單一中心、四週、DECIDE-AI stage 1 本身就是明確標示為早期階段的設計，不是隨機分派的療效試驗；住院天數與會診週期都是次級指標，樣本量不足以偵測小幅效果，「P = 0.99」不等於「確定無效」。99／100 的合適率來自抽樣專家覆核，不是全量稽核。

Nature Medicine, 2026-08-19

史丹佛生醫資料科學副教授 James Zou 的團隊把一間製藥公司的組織結構搬進多代理系統：靶點發現、分子設計、臨床試驗各成一個部門，由一個「AI 首席科學官」代理統籌，臨床試驗部門本身就有 約 37,000 個代理，底層搭一個叫 Paperclip 的 AI 原生資料平台（團隊稱可把時間與成本壓低「超過一個數量級」）。產出之一是針對 CD276 的肺癌抗體藥物複合體（ADC）；數個月後 Merck 獨立開發並驗證了同一個治療設計，該設計隨後取得 FDA 突破性療法認定。團隊另外報告，以單細胞特徵挑出的靶點「上市機率約高出 50%」。Stanford Medicine, 2026-09-17／VentureBeat／Nature 新聞特寫

AI 藥物發現最難的不是產生假說，是證明假說不是幻覺。這件事之所以值得單獨拿出來講，全部的份量都押在「Merck 獨立收斂到同一個設計」這一句上——那是一個由人類團隊、用完全不同的流程、在不知道對照組存在的情況下產生的外部驗證，而且後續被監管機關以突破性療法認定背書。相對地，37,000 這個數字本身不是證據，它是算力與編排規模的描述。把這兩件事分開看，才不會把一次收斂讀成一套方法學的普遍效力。

系統的絕大多數預測沒有實驗驗證；Merck 的收斂是回溯性的、n = 1，不能當成命中率。「上市機率高出 50%」是在歷史靶點上的回溯關聯，不是前瞻結果。主要文獻以 bioRxiv 預印本形式流通，Science 的版本本報未能直接取得全文，數字以史丹佛官方新聞與二手報導為準。

Singularity Hub, 2026-09-18

Alfredo Madrid-García 與 Miguel Rujas 對一個（匿名處理的）實際上線的病人端醫療聊天機器人做兩階段測試：先用 Claude Opus 4.6 做初步探測，再用 Chrome 開發者工具人工檢視網路流量與儲存內容。取得的東西包括系統提示、模型與 embedding 設定、檢索參數、後端端點、API schema、知識庫內容，以及最近 1,000 筆病人與聊天機器人的完整對話紀錄——全程不需要任何認證，與該服務對外的隱私聲明相矛盾。根本原因是敏感設定經由前後端通訊外露，而非限制在伺服器端。這份案例研究本週由 NEJM AI 的評論文章〈When the Chatbot Leaks〉帶進臨床社群，原始報告見 arXiv:2605.00796（2026-05-01），並經 Duke AI Health 2026-09-25 週報轉載。

這不是一個需要資安專家才做得出來的攻擊，作者刻意強調「不需要專業技能」——能被稽核者用瀏覽器做到的事，也能被任何人做到。對正在把 RAG 問答放上官網、LINE 官方帳號或病人 app 的醫療機構，這份報告等於一張當天就能自己跑一遍的檢查清單：系統提示與檢索設定是否在前端可見、對話紀錄的端點是否要認證。而且它戳破了醫療 AI 討論裡一個常見的順序錯誤——我們在爭論模型的診斷準確度，但很多部署連「病人對話不會被外人讀到」這一層都還沒做到。

單一、匿名化的部署，廠商未具名，因此外界無法查證是否已修補，也無法據此推估同類產品的普遍失效率。NEJM AI 該篇為評論體例而非原始研究，本報未能直接取得該頁全文，技術細節以 arXiv 原始報告為準。

arXiv:2605.00796, 2026-05-01

Nature Medicine 刊出 I3LUNG 計畫的臨床可用性研究，涵蓋六個國際中心、2,396 位接受免疫治療的晚期非小細胞肺癌（NSCLC）病人；20 位醫師在 200 次評估中使用一個以臨床與血液指標為基礎的可解釋決策支援工具，疾病控制預測準確率從 57% 提升到 65%。但研究同時報告兩個負面結果：模型在外部驗證時表現轉弱，而加入影像或病理資料的多模態版本並未穩定複製增益。Nature Medicine, 2026-09-13

八個百分點的絕對提升，發生在「醫師要不要繼續打免疫治療」這種真的會改變處置的問題上，這是少見有臨床意義的人機協作數字。但這篇更值得看的是它敢把兩個負面結果寫進同一篇：多模態不一定更好、外部驗證會掉。過去兩年醫療 AI 的主流敘事是「模態越多越強」，I3LUNG 用同一群病人告訴你，在這個任務上便宜的臨床與血液變數已經吃掉大部分訊號，而昂貴的影像與病理模態並沒有穩定地再加上去。這對正在規劃多模態基礎模型投資的醫院是很實際的成本訊息。

醫師端是 20 人、200 次評估的可用性研究，不是臨床結果試驗——沒有人證明 8 個百分點的預測改善會轉成病人存活或生活品質的改變。57% 的基線本身接近擲硬幣，起點低使增益容易看起來大。本報未能直接取得該篇全文，數字引自 9 月證據彙編與 同一份彙編的轉述。

Nature Medicine, 2026-09-13

一份單中心品質改善研究比較 AI 工具與個案管理師（case manager）對出院日的預測，涵蓋 22,349 次住院、17,173 位病人。平均絕對誤差：入院當時 AI 4.20 天對個管師 4.27 天（AI 小勝）；出院前 48 小時 1.59 對 1.29（AI 落後）；出院前 24 小時 1.93 對 0.98（AI 誤差接近兩倍）。JAMA Network Open, 2026-09-03

出院日預測是床位調度、住院管理、出院準備服務的骨幹，而這份研究的形狀很有啟發性：AI 贏在資訊最少、預測也最沒有行動價值的時點；人類贏在資訊足夠、預測真的要拿來排床的時點。原因不難猜——個管師掌握的是模型看不到的東西（家屬什麼時候能來、長照床位有沒有空、主治醫師的習慣）。這也解釋了為什麼很多「AI 提升營運效率」的專案在導入後找不到效益：它改善的那一段誤差，本來就不是決策瓶頸。要用這類工具，應該把它定位成入院當天的粗估與資源預警，不是出院前的排程依據。

單中心、品質改善研究設計，不能外推到不同的病種組合與照護流程；個管師的預測本身可能受到自我實現效應影響（他們預測完也參與安排出院）。本報未能直接取得該篇全文，數字引自 9 月證據彙編的轉述。

JAMA Network Open, 2026-09-03

Johns Hopkins 放射科主導的 Radiology 研究，以前瞻世代 MESA（Multi-Ethnic Study of Atherosclerosis）做次級分析：用深度學習在非增強胸部 CT 上「順手」量出脊椎骨密度（vBMD），再對上後續的認知測驗與腦部 MRI。樣本為 715 位（CT 加認知測驗）與 405 位（腦部 MRI），中位年齡 69 歲。結果：基線 vBMD 每低 0.1 g/cm³，年度認知退化快 0.025 個標準差；胼胝體的白質高信號（WMH）年增 12.8%；內囊前肢的分數異向性年降 0.0048 個標準差；糖尿病族群的整體 WMH 累積約快 5%。Diagnostic Imaging, 2026-09-23（作者訪談見 同站 9/25 專訪）

「順手診斷」（opportunistic screening）是醫療 AI 裡商業模式最乾淨的一類：掃描已經做了、輻射已經吃了、費用已經付了，AI 的邊際成本只是跑一次模型，卻多產出一個風險分層變數。這份研究把這個邏輯延伸到跨器官——胸部的骨頭訊號指向腦部的老化軌跡——如果站得住，它意味著每一張已經存在的胸部 CT 都是一份尚未讀取的腦健康風險資料。這也是少見不需要說服醫師改變行為就能產生價值的 AI 應用，剛好和今天前面幾則「醫師不用就沒效」的結果形成對照。

這是關聯，不是因果，而且是在一個並非為此設計的世代研究上做次級分析；絕對效果量很小（0.025 個標準差／年），臨床可用的門檻仍待前瞻驗證。腦部 MRI 子樣本只有 405 人，糖尿病亞群更小，5% 這個差異的信賴區間未在本報引用的二手報導中呈現。本報未能直接取得 Radiology 原文，數字引自 Diagnostic Imaging 的報導。

Diagnostic Imaging, Advances in AI — September 2026

Microsoft Research Health & Life Sciences（Yu Gu、Jingjing Fu、Xiaodong Liu 等 32 位作者）在 Nature Medicine 上對 GPT-5、Gemini、Claude 3.5 Sonnet、GPT-4o、DeepSeek-VL2、Qwen3-VL、LLaVA-Med、MedGemma 做系統性對抗壓力測試，資料集涵蓋 VQA-RAD、OmniMedVQA、MIMIC-CXR-VQA、PathVQA、SLAKE 與 MMMU。核心發現：模型在關鍵視覺資訊被移除後仍能猜對答案、提示詞的微小改動就造成表現下滑、並會產生看起來有說服力但推理有誤的解釋鏈；研究同時指出熱門健康 benchmark 之間「到底在量什麼」差異極大。Nature Medicine, 2026-06-26

「拿掉影像還答對」是一個特別難反駁的證據：它直接證明分數的一部分來自題目本身的統計線索，而不是讀影像的能力。這件事在監管上正好落在關鍵時點——FDA 還沒有成形的 AI benchmarking 指引，而市場上已經有大量以 benchmark 分數為主要臨床論據的產品說明書。研究結論很難聽但很有用：benchmark 成功與臨床部署所需的證據之間，落差大到不能互相替代。要驗一個醫療多模態模型，該做的是消融測試（把該看的資訊拿掉，看它還敢不敢答），不是再刷一輪排行榜。

這是 benchmark 層級的研究，不涉及真實臨床工作流程，因此不能直接推論某個已上市器材的臨床安全性；Microsoft 同時是其中部分受測模型的商業合作方，利益關係應納入閱讀。受測的 Claude 版本為 3.5 Sonnet，已非該系列最新，跨代比較需謹慎。

Nature Medicine, 2026-06-26

UNC Health、Duke Health 與北卡州合作單位成立全州級網路，協助鄉村與關鍵取得（critical access）醫療機構評估並導入 AI 工具，由 The Duke Endowment 資助三年 440 萬美元（UNC, 2026-09-22）。同一週，Hackensack Meridian Health 取得全美第一張 Joint Commission 的 AI 認證，審查範圍包含 AI 盤點清冊、風險評估、上線後監測與病人資料保護（TechTarget，經 HIStalk 2026-09-23 整理）。

今天前面六則研究共同指出一件事：醫療 AI 的價值高度依賴在地部署條件（工作量、流程、人員習慣），因此不可能靠廠商的多中心試驗一次交付。這就產生一個結構性問題——有醫學中心規模的機構可以自己跑 DECIDE-AI 式的前瞻評估，鄉村醫院不行，而它們面對的正是最容易被 AI 話術說服的處境。北卡這個網路和 Joint Commission 的認證，是對同一個缺口的兩種補法：一種補「誰幫你驗」，一種補「驗過的標準是什麼」。值得注意的是，這兩件事都不是 FDA 做的——治理層在監管明文之外先長出來了。

Joint Commission 的 AI 認證審查的是流程與治理，不是產品療效，取得認證不代表該機構使用的任何 AI 工具有臨床效益證據。440 萬美元分三年、覆蓋全州鄉村機構，規模相對於需求很小，目前也沒有公布任何成效指標。

HIStalk, Healthcare AI News 9/23/26