美國田納西腫瘤醫療集團（Tennessee Oncology）醫師 Johnetta Blakely 日前接受《美國管理式照護期刊》（AJMC）專訪時指出，人工智慧（AI）雖具備提升癌症照護可近性與品質測量精度的潛力，但成本、風險迴避以及供應商市場過度擁擠，仍是阻礙 AI 落地的三大結構性障礙。
Blakely 直言，醫療產業是全球最厭惡風險的產業之一，對於任何涉及病人照護的技術，臨床端均抱持高度保守態度，這使得新工具在導入流程上天然存在巨大摩擦。同時，市面上海量且功能重疊的 AI 平台，讓基層診所根本無從篩選與評估各家產品。
值得注意的是，Blakely 強調 AI 對「可近性」的影響可能呈現雙面刃效應——在缺乏網路基礎建設的偏鄉或弱勢地區，AI 反而可能擴大數位落差。然而，若能成功克服導入障礙，AI 將有助於緩解腫瘤科人力短缺，並將目前以 PDF 與傳真為主的非結構化病歷資料，轉化為可供即時分析的結構化數據，徹底改寫品質監測的工作流。
這場 AI 導入腫瘤醫療的辯論，本質上並非傳統的政商利益角力，而是一場科技效率與醫療保守文化之間的結構性張力。我們無需在此強行套用地緣政治陰謀論，而應回歸事件本質，深入剖析三條深層脈絡。
### 一、腫瘤學人力危機的歷史背景
腫瘤專科醫師與護理師的短缺並非新問題，但近年因美國人口老化、癌症存活率提升帶動複雜追蹤期延長，以及臨床試驗工作量暴增，使人力缺口急速惡化。Blakely 將 AI 視為「簡化流程、間接擴充可近性」的槓桿，這與 Mayo Clinic 等機構近年的策略高度一致——以 AI 接管病歷摘要、影像初篩、用藥提醒等低階認知工作，將寶貴的臨床人力釋放給高價值的醫病互動。
### 二、從「圖表萃取」到「結構化數據」的典範轉移
過去三十年，腫瘤品質指標（如 NCCN 指引遵循率、化療劑量完成率）仰賴人工從 PDF、傳真病歷中逐一萃取，不僅耗時且充滿誤差。AI 此刻介入的核心價值，是將這套落後的紙本工作流一次性現代化。這並非單純的技術升級，而是醫療資訊治理的典範轉移——從「被動記錄」走向「主動結構化」，讓品質指標能在臨床決策當下即時運算，而非要等病歷室關帳後才能回頭驗證。
### 三、風險迴避文化與監管不對稱
醫療端的極度厭惡風險源自於「不傷害原則」（primum non nocere）的歷史悠長傳統，加上美國醫療糾紛訴訟環境的寒蟬效應。相較之下，AI 模型可能在訓練資料偏差下對少數族裔給出錯誤的預後判斷，這種「演算法責任歸屬」問題在現行法規框架下仍屬灰色地帶。這解釋了為何 EHR 巨頭（Epic、Cerner）傾向將 AI 功能整合進既有系統，而非讓診所獨立採購第三方黑盒子工具——唯有依附具備品牌信任的既有平台，醫療機構才願意承擔導入風險。
### 四、供應商市場的「擁擠—整併」週期
當前醫療 AI 市場正處於早期碎片化階段，數百家新創公司提供語音轉錄、影像辨識、決策支援等重疊功能。Blakely 預期市場將走向整併——部分新創被併購，部分功能則將內建於 EHR 大廠。這與 2010 年代電子病歷系統從百家爭鳴走向 Epic、Cerner 雙雄寡占的歷史路徑高度相似，預示著未來三到五年將是腫瘤 AI 領域的關鍵洗牌期。
比對 2010 年代電子病歷（EHR）從混亂走向標準化的歷史軌跡，並參考 FDA 對醫療 AI 器材累計核准數量已突破千件的監管節奏，可以預判未來三年腫瘤 AI 將呈現三條路徑：
面對這場腫瘤醫療的 AI 轉型浪潮，各利害關係人應採取差異化行動策略：
01 起因觸發：田納西腫瘤醫療集團醫師公開呼籲正視 AI 導入腫瘤照護的結構性障礙
02 一階傳導：基層腫瘤診所開始重新評估 EHR 內建 AI 模組的採購優先順序
03 二階擴散：FDA、ONC 等監管機構面臨是否加速制訂 AI 臨床決策支援統一標準的壓力
04 三階擴散：醫療 AI 新創市場啟動加速洗牌，缺乏退場路徑的早期公司估值下修
05 宏觀終局：腫瘤照護進入「結構化數據驅動的價值醫療」新階段，品質指標直接影響給付
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
