核心概念
Wang 等人以 PRISMA 2020 流程進行系統性回顧與統合分析，比較「人類專業者加上大型語言模型」（H＋AI）與僅由人類完成（H）的臨床工作流程。研究檢索四個資料庫至 2025 年 6 月 28 日，納入 10 篇同儕審查研究；另有 3 篇預印本只用於敏感度分析。問題不在於 LLM 能否答對一題醫學問答，而在於它加入真實工作流程後，是否真的改善臨床推理、文件撰寫與資料判讀。
摘要翻譯與結果
原文指出，LLM 支援的人機協作有潛力提升臨床推理、紀錄與判讀任務。診斷／判讀正確率的兩項研究呈正向趨勢：H＋AI 的風險比為 1.59；但 95% 信賴區間為 0.08–32.74，範圍極寬、未達統計顯著，預測區間亦跨越無效值。換言之，現有證據尚不足以聲稱 AI 已穩定提高診斷準確率。
相較之下，兩項研究的「診斷／處置綜合分數」出現統計上顯著的改善。這提示 LLM 的價值可能較常出現在把病史、選項、紀錄與處置理由整合成可供醫師判斷的工作中，而非獨立給出單一診斷。然而納入研究數很少、異質性高，且預印本並未作為主要證據；結果應視為有前景的訊號，不是可直接推廣的臨床效益定論。
方法論亮點
這篇研究的關鍵是將「人機協作」視為可比較的工作流，而非把模型分數等同醫療成效。PRISMA 登錄與預先區分同儕審查研究、預印本敏感度分析，有助於避免把尚未成熟的結果放大。它也暴露目前評估的缺口：只有少量研究可合併，且不同任務、介入方式與評分尺規，使單一平均數難以代表所有臨床場景。
對實務的意義
醫療機構最可行的近程定位，仍是讓 AI 擔任「整理、提示與第二意見」層：協助彙整資訊、草擬紀錄、指出可能遺漏的考量，再由臨床人員驗證與承擔最終決策。這與 AI 共診醫師——Google DeepMind 臨床 AI 研究 的結論一致：即使模型在部分任務表現突出，高風險紅旗辨識與責任界線仍需人類把關。
本研究亦補足 MedGPT-oss：20B 開源生醫多模態語言模型 所代表的技術觀點：部署得起、能讀多模態資料，不等於改善了臨床結果。後續研究應採用前瞻性、多中心設計，明確交代 AI 介入時點、醫師是否採納建議、錯誤類型與病人安全結果；否則「人加 AI」的效益只會停留在看起來合理的平均分數。
延伸觀點
這份統合分析最有價值的提醒是：臨床 AI 的單位不是模型，而是人、流程、資料品質、介面與治理共同組成的系統。與其問 AI 能否取代醫師，更實際的問題是：它在哪一步提供可驗證的增益、又在哪一步必須被攔下。對高風險場景而言，能證明不傷害與可稽核，和能提升平均表現同樣重要。
反向連結
以下頁面引用了本頁：