×
In

肺癌防治工作在人工智慧(AI)技術的導入下迎來新的討論。根據 2026 年 10 月《腫瘤學護理新聞》(Oncology Nursing News)的報導,哈肯薩克梅里idian發現與創新中心(Hackensack Meridian Center for Discovery and Innovation)癌症預防精準控制研究所所長麗莎・卡特-巴瓦(Lisa Carter-Bawa)指出,AI 或許能協助辨識電子健康紀錄(EHR)中吸菸史記錄不全的肺癌篩檢對象,但護理師必須在流程中擔任核心角色,且開發人員必須檢視其訓練資料來源以避免偏見。

早期檢測的重要性與電子病歷的挑戰

卡特-巴瓦強調,治療肺癌最有效的方式其實是早期檢測。根據美國肺臟協會(American Lung Association)的資料,第一期肺癌診斷出的 5 年存活率為 65%,而晚期(第三期或第四期)則降至 10%。她建議護理師將每次新藥核准視為連結篩檢教育的機會,提升大眾對肺部篩檢的意識,如同乳房攝影般普及。

然而,辨識符合篩檢資格的人選面臨一大挑戰,因為吸菸狀態與「包-年」(pack-years)在電子健康紀錄中往往記錄不夠準確。一項針對轉診篩檢患者的研究顯示,病歷中的包-年歷史與共同決策對話中所獲取的歷史,高達 96.2% 的病例(230 例中有 239 例)出現不一致的情況。卡特-巴瓦表示,可以利用 AI 在電子健康紀錄中辨識符合篩檢資格的人員,並支援部分外展作業。

人工智慧的角色與潛在的公平性風險

儘管 AI 具備辨識潛在患者的潛力,卡特-巴瓦認為護理師必須維持「人在迴圈中」(human in the loop)的地位。她表示,自己並非全面由 AI 取代的擁護者,因為人與人之間的連結極為重要,護理師才能與個人進行具同理心的溝通。此觀點也呼應了先前關於演算法偏見與過度依賴技術等導入障礙的討論。

在公平性風險方面,大型語言模型根據現有證據進行訓練,而這些證據反映了代表性上的落差。若 AI 是以多數群體進行訓練,將導致部分群體未被代表,進而可能在某些領域擴大不平等。過去已有文獻記錄此類偏見,例如一項依賴健康成本作為健康需求替代指標的廣泛使用演算法,將非裔患者評定為與較健康的白人患者風險相同。卡特-巴瓦敦促開發人員在進一步發展前,必須檢視其訓練資料並糾正不平等現象。

從產業面來看,醫療 AI 的導入從來不是「取代人力」的零和賽局,而是「賦能」的過程。當電子病歷的吸菸史記錄準確度存在高達九成以上的不一致時,AI 的價值在於扮演強大的資料篩選器,將隱形的高風險族群撈出來。但科技無法取代的是護理人員第一線的溫度與同理心。對醫療機構而言,在擁抱演算法的同時,建立嚴謹的訓練資料審查機制,確保演算法不會放大既有的醫療不平等,才是這場數位轉型中最該優先處理的課題。

後續觀察

目前各界對於如何在腫瘤學護理中安全、公平地導入 AI 技術持續進行討論。隨著相關醫療演算法的應用增加,醫療機構與開發商如何確保訓練資料的代表性,以及護理人員在其中扮演的角色界線,將是未來臨床實踐與學術研究持續關注的焦點。

本文改寫整理自公開新聞來源,原始報導由Oncology Nursing News發布。

常見問題 FAQ

問題1:為什麼肺癌早期檢測如此重要?

答案1:根據美國肺臟協會的資料,第一期肺癌診斷出的 5 年存活率為 65%,相較於晚期疾病的 10%,早期檢測能提供患者更多樣且有效的治療選擇。

問題2:人工智慧如何協助肺癌篩檢?

答案2:AI 可以協助辨識電子健康紀錄(EHR)中吸菸史記錄不全或模糊的患者,找出符合肺癌篩檢資格的潛在對象,並支援相關的外展作業。

問題3:為什麼護理師必須在 AI 導入過程中保持參與?

答案3:專家認為人與人之間的連結極為重要,護理師能夠與患者進行具同理心的溝通,且能避免因過度依賴技術或演算法偏見所帶來的風險。

※ 此篇文章由 AI 改寫或生成,內容僅供參考,可能存在錯誤或不準確之處。

Related Posts

In

耳鳴預測大突破?大數據結合機器學習尋找原發性耳鳴解方

一項利用真實世界大數據與機器學習技術的研究指...

Read out all