92% 醫院已導入 AI 文書助手：醫療 AI 從行政效率走向臨床決策與藥物開發

本文整理自 Bessemer Venture Partners（BVP）於 2026 年 1 月發布的〈State of Health AI 2026〉產業報告。本文聚焦臨床應用、消費者健康與藥物開發面向，資本市場分析請見上篇。

電子病歷花了 15 年，AI 文書助手只花 2 年

要理解醫療 AI 的採用速度有多驚人，最好的對照組是電子健康紀錄（EHR，Electronic Health Record）。EHR 就是把傳統紙本病歷數位化的系統，醫師用它來記錄病人的就診資訊、處方、檢查結果等。在臺灣，我們熟悉的 HIS（醫院資訊系統）就包含了 EHR 的功能。

美國在 2008 年通過 HITECH 法案，砸下數百億美元的政府補助來推動 EHR 採用。即便如此，從立法到大多數醫療機構完成導入，整個過程花了將近 15 年。牽涉到的問題包括系統整合、資料遷移、人員訓練、工作流程重設計，每一步都困難重重。Epic 和 Cerner（現已被 Oracle 收購）這兩家 EHR 巨頭，靠著這個漫長的導入過程建立了幾乎不可撼動的市場地位。

AI scribe（AI 文書助手）則是完全不同的故事。AI scribe 是什麼？簡單來說，它是一個能「聽」醫師與病人對話、自動生成結構化醫療紀錄的 AI 系統。醫師看診時不用再一邊問診一邊敲鍵盤輸入病歷，AI 會在背景即時將對話內容轉化為符合格式的臨床筆記，包括主訴、現病史、理學檢查發現、評估與計畫等。

根據 BVP 引用的 2025 年 3 月調查數據，已經有 92% 的美國醫療體系正在部署、導入或試用 AI 文書助手。從概念驗證到接近全面普及，只花了大約 2 到 3 年。

為什麼速度差這麼多？BVP 的解釋是：EHR 需要取代整個工作流程，涉及複雜的系統整合；AI scribe 則是疊加在現有工作流程之上，不需要拆掉重來。醫師只要在看診時打開一個 App，AI 就開始運作了。導入門檻低，但帶來的效率提升卻是立即可感的。

更驚人的是使用頻率。報告指出，67% 的臨床醫師每天都在使用 AI 工具，超過 90% 至少每週使用一次。這不是科技媒體的炒作數字，而是實際的臨床使用數據。AI 已經從「可以試試看的新工具」變成了「沒有就不習慣的日常標配」。

一兆美元的浪費：AI 要解決的是行政效率黑洞

AI 文書助手之所以被醫療體系如此快速地接受，背後有一個巨大的結構性痛點：美國醫療體系每年浪費超過 1 兆美元，其中超過一半與行政管理有關。

所謂「行政管理」不是指醫院的一般行政，而是整個醫療支付體系中的繁瑣流程。舉幾個例子：一個手術需要事前向保險公司申請預先授權（prior authorization），醫師或行政人員得填寫大量表格，附上病歷資料，證明這個手術是醫療上必要的。保險公司收到申請後要審核，可能來回好幾輪。手術完成後，醫院要把所有服務項目編碼，提交理賠申請。保險公司可能拒付，醫院再申訴。這一來一回，就是大量的人力和時間成本。

這還只是單一個案。把它乘以美國每年數億次的醫療服務量，就能理解為什麼行政浪費能達到數千億美元的規模。BVP 認為，AI 正在從三個層面攻克這個問題：自動化文件生成（AI scribe）、自動化編碼和理賠（如 Waystar 的 AI 系統）、以及自動化預先授權流程。

這也解釋了為什麼 BVP 在 2026 年預測中特別提到，保險公司（payer）將被迫加速採用行政端 AI。當醫療服務提供者那一端已經大量使用 AI 提高效率時，保險公司如果還停留在手動審核的階段，不僅效率落差越來越大，還可能因為跟不上醫療端的 AI 化流程而產生新的摩擦。

臨床 AI：從自動化走向「人機協作」的診斷輔助

AI 文書助手解決的是行政效率問題，但 BVP 報告中更令人興奮的部分，是 AI 在臨床診斷上的突破。

最具代表性的案例是 AI 輔助乳房攝影（mammography）篩檢。根據報告引用的 RadNet 研究，使用 AI 輔助的乳房攝影篩檢，癌症檢測率比傳統方法提高了 43%，陽性預測值（positive predictive value，也就是 AI 判斷為異常的案例中，真正是癌症的比例）提升了 15%。這代表 AI 不只是「多抓到一些」，而是同時減少了誤判，讓每一次警報都更有意義。

更有趣的是消費者端的反應。在 RadNet 的研究中，有 36% 的女性願意自費 40 美元來接受 AI 增強版的乳房攝影篩檢。這個數字看起來不大，但它代表了一個重要的訊號：消費者開始願意為「更好的 AI 診斷」掏腰包。在美國醫療體系中，支付制度的改變往往是最慢的一環，但如果消費者直接用自費繞過保險系統，採用速度就會快得多。

在更廣泛的診斷領域，AI 也在改變準確率的天花板。報告引用的數據顯示，醫師在沒有 AI 輔助時的基準診斷準確率大約在 84% 到 89% 之間。加入 AI 輔助後，準確率可以提升到約 93%。這 4 到 9 個百分點的提升聽起來不多，但在醫療場景中，每一個百分點都可能代表大量的漏診病例。

BVP 特別強調，目前最成功的臨床 AI 不是「完全自動化」的模式，而是「人機協作」（clinician-in-the-loop）的模式。也就是說，AI 負責初步篩選和標記，最終的判斷仍然由醫師做出。這種設計不僅降低了法規審批的難度，也讓臨床醫師更容易接受。沒有醫師想被機器取代，但多數醫師樂於有一個不會累、不會分心的 AI 助手幫忙看第二遍。

4,000 萬人每天問 ChatGPT 健康問題

臨床端的變化已經夠快了，但消費者端的動態可能更值得關注。

BVP 的報告引用了一個驚人的數字：ChatGPT 每天有 4,000 萬名使用者，其中五分之一每週至少問一次健康相關的問題。這代表每週有約 800 萬人在用 AI 做「第一線醫療諮詢」，而且這個行為不是由任何醫療機構推動的，純粹是消費者自發的。

這個趨勢為什麼重要？因為它繞過了醫療 AI 採用中最大的瓶頸：支付制度。在美國，一項新的醫療技術要被保險給付，需要經過漫長的程序。首先，它需要 FDA 核准。然後，需要有 CPT 代碼（Current Procedural Terminology，醫療程序代碼），這是一套由美國醫學會維護的標準化編碼系統，每個醫療行為都有對應的代碼，保險公司根據代碼來決定支付多少。

目前已經有一些 AI 相關的 CPT 代碼被正式納入給付。例如，AI 自主式糖尿病視網膜病變篩檢已經取得 Category I 代碼（正式代碼），AI 冠狀動脈斑塊分析也在 2026 年新增了 Category I 代碼。另外還有多個 Category III 代碼（臨時性/新興技術代碼）正在測試中，涵蓋心電圖、心臟超音波、超音波等 AI 輔助判讀。

但這個流程很慢。BVP 認為，消費者的自費意願可能會成為加速器。當越來越多人願意自己付錢做 AI 增強的篩檢和診斷時，市場力量會推動保險公司跟進。CMS（Centers for Medicare & Medicaid Services，美國聯邦醫療保險和醫療補助服務中心）也有權透過其創新中心（CMMI）測試新的支付模式，不需要國會批准。BVP 預測 2026 年會看到更多 CMS 主導的支付試驗計畫。

但回到消費者端，更根本的轉變是：人們對「AI 可以提供健康建議」這件事的接受度，正在以超乎預期的速度提高。Function Health 不到兩年就達到 1 億美元以上的年度經常性營收，靠的完全是消費者自費。這家 BVP 投資的公司提供 AI 驅動的全面健康檢測，讓消費者繞過傳統的就醫路徑，直接獲得個人化的健康分析。

藥物開發的殘酷現實：90% 的 Phase II 臨床試驗都失敗

行政效率和臨床診斷的 AI 應用已經進入實戰階段，但 BVP 報告中真正讓人眼睛一亮的，是藥物開發這塊。

要理解 AI 在藥物開發中的角色，先得了解藥物開發有多困難、多昂貴、多緩慢。

一款新藥從實驗室到上市，通常要經歷四個階段的臨床試驗。Phase I（第一期）的目的是測試安全性，參與者通常是 20 到 100 位健康志願者，重點是確認藥物不會對人體造成嚴重傷害，同時找出適當的劑量範圍。Phase II（第二期）是初步的療效驗證，參與者增加到數百位患有目標疾病的病人，目的是確認藥物是否真的有效，同時繼續監測副作用。Phase III（第三期）是大規模驗證，通常涉及數千位病人，在多個醫療機構同時進行，目的是提供足夠的統計證據說服 FDA（美國食品藥物管理局）核准上市。Phase IV（第四期）則是藥物上市後的長期追蹤監測。

BVP 報告中引用的數據觸目驚心：90% 的 Phase II 臨床試驗最終以失敗告終。也就是說，即使一款藥物通過了安全性測試（Phase I），進入療效驗證階段後，十個裡面只有一個能證明自己真的有效。整個藥物開發流程從頭到尾平均需要 10 到 15 年，花費 10 億到 20 億美元，最後還有極高的機率血本無歸。

問題還不只是時間和金錢。目前篩選藥物候選者的方式本身就有根本性的缺陷。在進入人體臨床試驗之前，新藥必須先通過動物實驗。但報告指出，超過 90% 在動物實驗中看起來安全的藥物，最終無法通過 FDA 的人體試驗審批。動物實驗作為預測人體反應的工具，準確率低得令人質疑其存在意義。使用非人靈長類動物（如猴子）進行實驗，每隻的成本還高達 5 萬美元。花大錢、費大力，卻得到不可靠的結果。

FDA 的歷史性轉向：讓動物實驗成為例外

2025 年 4 月，美國 FDA 發布了一份可能改變藥物開發遊戲規則的戰略路線圖：要在 3 到 5 年內，讓動物實驗從藥物開發的「常態」變成「例外」。

這不只是一句口號。FDA 明確提出了替代方案的方向，包括計算模型（computational models）、器官晶片（organ-on-chip，在微型晶片上模擬人體器官的功能和反應）、以及 in silico 毒性預測（用電腦模擬來預測藥物的毒性反應，而非在活體動物上測試）。

這些技術的共同點是：它們都需要大量的數據和 AI 運算能力。當你要用電腦模擬一款藥物在人體中的反應時，你需要的是對人體生物學的深度建模，而這正是大型語言模型和 AI 技術擅長的領域。

FDA 的這個轉向有科學上的理由（動物模型的預測力確實不夠好），也有倫理上的壓力（動物實驗的道德爭議越來越大），但 BVP 報告特別點出了一個容易被忽略的地緣政治因素。

中國 CRO 掌控西方 70% 的臨床前研究

CRO，全名 Contract Research Organization（委託研究機構），是藥物開發產業中的關鍵角色。藥廠不會自己做所有的研究和試驗，而是把大量工作外包給 CRO。CRO 負責設計實驗方案、招募受試者、執行試驗、收集和分析數據，是連接基礎研究和臨床應用的橋梁。全球 CRO 市場規模超過 700 億美元。

BVP 在報告中提到一個令人不安的事實：中國的 CRO 公司承接了西方藥廠超過 70% 的臨床前研究工作。所謂臨床前研究，就是在進入人體臨床試驗之前的所有實驗室和動物實驗工作。

這個比例之所以這麼高，原因很直接：中國的 CRO 便宜、快速，而且有充足的實驗動物供應。藥明康德、康龍化成等中國 CRO 巨頭，在過去十幾年中承接了大量西方藥廠的外包業務。

但在中美競爭加劇的背景下，這種依賴正在被視為國安風險。如果關鍵的藥物開發數據和流程高度集中在地緣政治對手的企業手中，一旦發生衝突或制裁，整條藥物開發供應鏈都可能中斷。美國國會已經在推動《生物安全法案》（BIOSECURE Act），限制聯邦機構與特定中國生技公司合作。

BVP 將這個情境類比為科技業的「去中國化」趨勢，並認為「數位 CRO」（Digital CRO）是解方。

數位 CRO：同時解決三個問題的新物種

BVP 所說的數位 CRO，指的是用 AI 和數位技術取代傳統 CRO 中大量依賴人工和動物實驗的環節。這類公司的價值主張是同時解決藥廠面臨的三難困境：速度、成本和地緣風險。

在速度方面，傳統的臨床前研究可能需要數年，因為動物實驗的時程不可壓縮，從飼養到實驗到觀察期都需要固定的時間。AI 驅動的 in silico 模擬可以將這個過程從數年壓縮到數週甚至數天，讓藥廠更快地篩選出有潛力的藥物候選者，淘汰掉不可能成功的，減少在 Phase II 才發現「無效」的巨大沉沒成本。

在成本和利潤方面，傳統 CRO 是典型的「勞力密集」產業，利潤率有天花板。數位 CRO 用 AI 取代大量的人工和動物實驗，成本結構可以更接近軟體公司，毛利率有機會大幅提升。

在回流關鍵能力方面，數位 CRO 讓西方藥廠不再需要依賴中國的實驗室和動物設施。當臨床前研究可以在電腦上完成大部分工作時，研究活動自然會回流到藥廠所在的國家。這不只是商業決策，也是地緣政治策略。

BVP 指出，傳統 CRO 市場超過 700 億美元，如果數位 CRO 能拿下其中即使只是一小部分，也是一個巨大的機會。而且 FDA 的政策轉向（鼓勵減少動物實驗、擁抱計算模型）正在為這個新物種掃清法規障礙。

價值導向醫療的 AI 復興

報告中另一個值得關注的預測，是價值導向醫療（VBC，Value-Based Care）在 AI 加持下的復興。

VBC 在臺灣的對應概念接近「論質計酬」。傳統的醫療支付模式是論量計酬（Fee-for-Service），醫院做越多檢查、開越多刀，收入越高，不管病人最終有沒有變健康。VBC 則是把支付與病人的健康結果綁定：如果你把病人照顧好、減少再住院、控制好慢性病，你拿到的錢就多。

這個概念很美好，但實際執行了十幾年，成功案例有限。核心瓶頸是人力成本。要做好 VBC，你需要照護協調員主動追蹤病人的狀況、提醒他們按時吃藥、安排後續回診、協助他們改變生活習慣。在傳統模式下，一位照護協調員大約只能管 50 到 75 位病人，人力成本讓 VBC 的經濟模型很難算得過來。

BVP 認為 AI 正在從根本上改變這個等式。AI 可以自動追蹤病人數據、主動發送提醒、識別高風險病人並優先安排人工介入，讓一位護理師能管理 200 到 300 位病人。人力成本降低了三到四倍，VBC 的商業模式才真正變得可行。

報告預測 2026 年會出現一批「AI 原生」的 VBC 新創公司，從一開始就以 AI 為核心來設計照護流程，而不是在傳統人力模式上「貼一層 AI」。BVP 投資組合中的 Zingage 就是這類公司的代表，從照護導航（care navigation）切入，逐步擴展為行政管理的骨幹系統。

從工作流程工具到關鍵任務基礎設施

BVP 這份報告的核心訊息，可以用一句話概括：醫療 AI 正在從工作流程工具轉變為關鍵任務基礎設施。

工作流程工具是「有了更好，沒有也能活」。關鍵任務基礎設施是「沒有就無法正常運作」。當 92% 的醫療體系已經在部署 AI 文書助手，當 67% 的醫師每天都在用 AI，當消費者開始自費選擇 AI 增強的篩檢，當 FDA 明確鼓勵用計算模型取代動物實驗，這個轉變已經不是未來式，而是現在進行式。

從臺灣的角度來看，這份報告值得關注的不只是投資機會。臺灣擁有全球數一數二的全民健保資料庫，醫療資訊化程度也相當高，理論上具備發展醫療 AI 的有利條件。但報告中描述的那種「AI 原生」的創業速度和資本規模，目前在臺灣的醫療科技生態中還很少見。當美國的醫療 AI 公司不到五年就能達到一億美元營收時，臺灣的醫療 AI 新創面臨的市場規模和法規環境差異，是必須正視的現實。

這份報告的價值，不在於告訴你該買哪支股票，而是在於讓你看清楚一個正在快速成形的產業結構。醫療 AI 已經過了「能不能用」的階段，進入了「怎麼用得更好」和「誰能用得最好」的競爭。