由哈佛醫學院研究人員領軍的團隊，近期利用醫療機構例行蒐集的電子病歷數據訓練AI模型，成功在病患進入醫院親密關係暴力（IPV）介入專案前平均超過三年，就標記出潛在的高風險個體。研究顯示，AI能在受害者自行揭露或主動求助之前，提前數年辨識出可能遭受親密暴力的女性病患。
然而，該研究存在明顯的侷限：模型訓練數據來自單一美國學術醫療中心的女性病患，雖然研究團隊已於另外三個病患群體中進行驗證，但作者明確警告，在推及至更廣泛的女性族群臨床應用前，必須進行更嚴謹的績效評估。
這項技術表面上是醫療照護的突破性進展，但從創傷與暴力知情（Trauma- and Violence-Informed, TVI）的視角審視，卻引發根本性質疑：當醫療系統在當事人尚未選擇揭露前，就能「知道」其遭受暴力的潛在風險時，個人的自主能動性將被如何重新定義？
本事件本質上並非傳統的政商利益角力，而是一場圍繞著「技術能動性」與「人類能動性」的深層倫理與哲學衝突。理解此衝突，必須回溯親密關係暴力（IPV）的歷史脈絡與結構性成因。
歷史脈絡：從私人暴力到公衛議題
親密暴力長期被視為「家務事」而非公衛議題。直到1970年代女權運動興起、1980年代受害女性運動（anti-violence against women movement）推動下，IPV防治才逐步從司法與社福領域延伸至醫療場域。1990年代起，創傷知情照護（Trauma-Informed Care）的概念由美國SAMHSA（藥物濫用與心理健康服務管理局）系統化推廣，強調理解創傷對健康的全面影響。
核心張力：偵測能力 vs. 回應能力
AI偵測IPV的核心矛盾在於「知道」與「做到」之間的巨大鴻溝。研究明確點出三個結構性問題：
深層結構性矛盾
這項技術反映出醫療AI倫理的根本悖論：一個為了「幫助」受害者而設計的工具，卻可能複製甚至強化IPV中「由他人決定何時揭露」的核心壓迫邏輯。創傷知情照護的五大原則——安全（Safety）、選擇（Choice）、合作（Collaboration）、連結（Connection）、能力建構（Capacity-Building）——直接挑戰了「先斬後奏」式AI預測的正當性。
對照過去AI在醫療領域的推進軌跡——從影像辨識、病理篩檢到心理健康聊天機器人——技術部署速度與倫理審查速度之間的落差，幾乎是每個應用場域的共同宿命。IPV偵測AI的未來走向，可預判三種情境：
無論哪種情境，「誰有權決定倖存者何時說出自己的故事？」這個核心問題將持續成為醫療AI倫理的試金石。
面對醫療AI在弱勢群體保護議題上的加速滲透，相關利害關係人應採取以下行動：
01 起因觸發：哈佛醫學院團隊以電子病歷訓練AI，提前三年預測IPV風險
02 一階傳導：醫療AI倫理社群質疑「偵測」與「回應」的根本落差
03 二階擴散：創傷知情照護（TVI）原則被推上醫療AI治理的核心議程
04 三階共振：醫療機構病歷資料二次利用的知情同意機制面臨重構壓力
05 宏觀終局：醫療AI從「效率優先」轉向「人權與自主性優先」的典範轉移
跨事件因果網路圖譜 1 驗證節點
AI 驗證因果鏈條 · 可拖曳節點 · 點兩下開啟文章
