為什麼醫院的 AI 專案上不了臨床端?七個真實死因與院內導入的解法

上個月我坐在一間區域醫院的資訊室,看著主任把一份很漂亮的結案報告推到我面前。一套 AI 影像輔助判讀,兩年前導入,通過院內驗收,上了新聞。我問他,現在放射科有幾個醫師每天在用?他沉默了三秒,說:「大概兩個吧,而且是被我盯著用的。」

這不是特例。我們接觸過的醫療 AI 專案裡,真正跨進臨床端、被醫護每天使用的,不到三成。醫院 AI 導入失敗原因很少是「模型不夠準」——準確率在論文裡漂亮得很。真正的死因,幾乎都發生在模型之外:工作流、資料治理、信任、還有沒人回答「誰買單」。

我把這些年在現場埋過的雷,整理成七個真實死因。給資訊室主任的一份清單,你可以直接對照自己院內那個卡住的專案。

七個真實死因與解法:醫院 AI 導入失敗原因對照表

這張表可以轉發給你的專案小組。但幾個死因值得展開講,因為它們最容易被誤判成「小問題」。

死因一與四:斷掉的工作流,和沒被邀請的人

醫師一天要看幾十個病人,他的注意力是整間醫院最貴的資源。如果你的 AI 要他多開一個瀏覽器分頁、重新登入一次、再手動把結果抄回病歷,那不管準確率多高,他第三天就不會再開了。這不是懶,是理性。

死因一(工作流斷點)幾乎總是和死因四(採購與使用者脫節)綁在一起。資訊室基於一份規格書採購,臨床端沒參與需求定義,結果做出來的東西技術上全對,卻不符合看診當下那三十秒的節奏。解法不玄:讓每天要用它的那個科別,在需求階段就坐進會議室。他們會告訴你結果該出現在哪個欄位、該用什麼顏色、該不該打斷現有流程。這些細節,決定了 4% 和 40% 使用率的差距。

死因二與三:治理和信任,不能留到最後

很多團隊把資料治理當成「上線前的行政手續」。錯。去識別化沒做好、IRB 沒送、個資同意鏈斷掉,任何一項都能在最後一哩把整個專案凍結半年。我們的做法是第一週就把法遵、資安、倫理委員會的人拉進來,把這些當成前置條件而不是驗收關卡。

信任更是慢工。醫師不信任一個只有「回溯性準確率 96%」的模型——那是用別人的病人算出來的。真正能撬動信任的,是一次小規模、前瞻性的院內試點:用你們自己的病人、自己的儀器、自己的判讀習慣跑一輪,讓數據說話。醫療的採用曲線,是靠同儕背書長出來的,不是靠 Demo。

死因五、六、七:沒有人扛,就沒有人用

死因五是最被低估的:沒有科別冠軍。一套臨床 AI 若沒有一位主治醫師願意在晨會上說「這個我用過,有用」,它就只是資訊室的一個 KPI,不是臨床的工具。你要主動找到這個人,給他資源和話語權。

死因六是上線後的慢性病。模型會漂移,誤報會累積,而醫護對誤報的容忍度極低——警報疲勞一旦形成,他們會集體、安靜地把功能關掉,你甚至不會收到抱怨。所以監控 drift 和誤報率必須從上線第一天就開著。

死因七最現實:誰買單?很多專案把「系統上線」當終點,沒人去追每週活躍使用率,更沒釐清這項服務在健保給付架構裡的位置、成本由哪個科的預算吸收。沒有這條帳,再好的工具都撐不過第二年預算會議。

七個死因,沒有一個是「AI 不夠聰明」。它們全是導入的工程與現場問題。

在 Tenten,我們做醫療 AI 不是交付一個模型就走——我們的工程師會進場,把系統接進 EMR、陪臨床端跑完前瞻試點、盯著上線後的使用率曲線。因為在醫院這種地方,Demo 再美都不算數,得有醫師每天真的在用,才算真正上了臨床端。