Google Health健康策略解決方案總經理Amy McDonough近日來臺時揭露，Google現階段的醫療GenAI應用，優先鎖定最能快速看到效益的臨床行政流程，例如護理交班、文書整理和研究摘要等場景，藉此減輕醫護負擔。她也透露，Google正推動多代理技術，讓AI能在背景整合病歷、研究文獻與穿戴裝置等不同資料來源，進行更多自動化工作。展望未來1年，她認為，接下來的重要突破，不是單一模型能力變得更強，而是AI開始大規模走進全民健康管理和慢性病預防，就像臺灣衛福部聯手Google推動的糖尿病AI專案。

醫療GenAI第一步：從臨床文書自動化開始

Amy McDonough指出，醫療流程中最容易被GenAI改變的，不一定是第一線診療照護本身，而是發生在醫病互動之外的大量行政工作。她以護理交班為例，護理師在12小時輪班後，往往還要花上40分鐘或更久，來向下一班護理師逐一交代病人狀況、完成相關紀錄，耗時又耗力。

但透過GenAI工具，可將口述內容轉成摘要和紀錄，降低人工負荷。舉例來說，美國最大私立醫院集團、擁有190家醫院的HCA Healthcare，就用Google大型語言模型（LLM）開發一套護理交班工具，來改善臨床文書作業流程。該系統由HCA數位轉型暨創新團隊（DT&I）於2024年初開始開發，目標是用LLM自動整理病患資訊、生成交班摘要，減少護理師在文書作業和資訊整理上的負擔。

在技術上，他們透過GenAI模型即時分析病患醫囑、檢查結果和護理紀錄，生成下一班護理師所需的關鍵資訊；也導入檢索增強生成（RAG）技術，來讓AI生成內容時引用來源資料，確保正確性。在使用上，系統提供拖拉式模板，讓資訊按照護理邏輯呈現。

護理師也能在整個值班期間，持續補充紀錄，讓AI累積資料、更新交班內容。他們發現，護理師使用護理交班App後，認為生成內容達到86%準確度和90%實用性。HCA Healthcare也計畫，未來要擴大範圍，讓整個體系內的9.9萬名護理師使用這套工具。

Amy McDonough還舉另一個GenAI改變臨床文書作業的例子。印度最大私立醫療體系Manipal Hospitals在印度擁有37家醫院、近1萬張病床，每年服務700萬名病患，護理師平均需要90分鐘來完成交班報告和資訊交接，既耗時又容易出錯。

為改善問題，Manipal Hospitals找上Google Cloud顧問團隊，共同開發一套護理交班應用。該系統會將醫院的TrakCare電子病歷系統病患資料，即時匯入Google Cloud資料湖，再透過Cloud Run無伺服器架構來協調不同階段的處理流程。為避免GenAI出現幻覺，系統會用時間和情境過濾機制，從大量臨床資料中擷取與當班護理交班最相關的資訊，再將這些結構化資料送入Vertex AI平臺上的Gemini模型，來進行摘要生成。

這種設計，讓AI能根據醫院的ISBAR（身份Identify、狀態Situation、背景資料Background、評估Assessment、建議Recommendation）臨床交班架構，生成更一致且準確的交班報告。光是去年，這套系統已在Manipal Hospitals旗下23家醫院上線，超過5,000名護理師每天使用。他們實測，這套工具讓護理交班時間從90分鐘縮短至20分鐘。

這2個例子，都是GenAI在醫療臨床現場掀起的第一波變革。Amy McDonough也強調，Google想做的不是取代護理師，而是自動化這些高重複、耗時的文書工作，讓醫護能把更多時間留給病人照護。在她看來，這類應用的一大價值，在於它能直接回應全球醫療體系共同面臨的人力短缺和臨床量能疲乏問題。

第二步：多AI代理協作，整合病歷、文獻與穿戴裝置資料

臨床行政作業只是第一步，Google還持續發揮AI代理（AI Agent）在醫療現場的潛力。

Amy McDonough點出，Google對AI代理的期待分為2部分。首先，針對醫療端，AI代理應該在背景處理支援性任務，協助醫護更快理解複雜資訊。她形容，這類應用較接近臨床決策支援，協助整理資料、縮短查找時間、提高資訊可用性，但最終下判斷的，仍是醫師或護理師。

她舉例，荷蘭兒童癌症醫院Princess Máxima Center就利用這類技術，由AI代理執行初步癌症文獻研究，整理相關研究結果、來源和依據，讓醫療團隊更快掌握脈絡，再進行臨床判斷。

進一步來說，醫師在查找醫學研究時，通常會使用PubMed資料庫。這是由美國國家衛生研究院（NIH）維護的生醫文獻平臺，目前收錄超過3,500萬篇研究論文，每年還會新增150萬篇。但在實務上，醫師多半只能用關鍵字搜尋，就可能錯過一些重要研究。

為解決這個問題，Google Cloud將PubMed資料整合到BigQuery公開資料集，並結合Vertex AI的向量搜尋技術，讓研究人員更容易找到真正相關的文獻。而Princess Máxima Center就用這項技術，開發一套名為Capricorn的AI工具，把PubMed文獻資料放在BigQuery中，再用Gemini 模型快速分析、整理相關研究，將過去人工整理的數小時縮短為幾分鐘，供腫瘤團隊做治療討論。

Google認為，這類AI代理文獻分析工具，未來也能用在更廣泛的醫療場域，如臨床決策支援、臨床試驗配對、藥物再利用研究，以及罕見疾病診斷等，助醫療人員更快找到合適的治療方案。

Google看好的另一項AI代理應用場景，則是在民眾端的健康管理上，尤其是結合穿戴裝置與個人健康場景。

Amy McDonough指出，Google正以Gemini模型和Fitbit手環資料，打造個人健康專屬助理。這個助理背後結合各種AI代理，如健身教練、睡眠教練和健康管理教練，來根據使用者的睡眠、日常活動和生理數據，提供具體建議。

她也以自己這次來臺出差為例，因為時差導致睡眠中斷、運動節奏被打亂，系統便建議她不要進行高強度健身，而是去戶外散步、接觸自然光。對她來說，這類AI的價值不只是讀懂資料，而是給出「下一步該怎麼做」的個人化建議。

醫療GenAI下一個轉折：從臨床效率走向大規模健康管理

展望未來12個月，Amy McDonough認為，接下來最重要的突破，不是單一模型能力變得更強，而是AI開始大規模走進人口健康管理和慢性病預防。

因為，營養師、睡眠教練、運動教練等AI健康管理服務早已存在，但一直以來，都難以普及到所有人群，尤其偏鄉和資源不足的地區，更難受惠。她認為，AI的意義，在於讓這些原本需要高度人力支撐的服務，有機會變得更可規模化、成本更低，也更能普及到廣大族群。

而衛福部與Google展開的糖尿病AI專案，正是一個關鍵實例。Amy McDonough透露，兩年前，這還只是嘗試用AI改善慢性病管理的構想，如今已經朝向大規模落地發展，接下來還有機會延伸到其他慢性病領域，如高血壓、高血脂、慢性腎臟病等。

她最期待的方向，是讓這些GenAI系統走向個人化、主動式和預防導向的健康管理，而不是等病人惡化後才介入。她也以棒球賽比喻，醫療AI目前仍處於「Early innings」，就像是一場球賽才剛開打，真正的改變才正要開始。對Google來說，像臺灣這樣把AI導入慢性病照護與全民健康管理的計畫，已經展現未來醫療照護模式的雛形，也讓Google看到，相關做法進一步複製到全球市場的可能性。

最後，針對今年1月衛福部提出的主權雲八大方針，Amy McDonough回應，與衛福部健保署聯手的糖尿病AI專案皆符合要求，包括人員主權、法律適用主權以及資料受本地法保障等。整體專案設計也符合規範，模型推論也在臺灣本地執行、底層部署架構也符合在地化要求。在此次專案中，Google提供工具與技術，而資料控制權與金鑰則都掌握在健保署手中。尤其，Google提供的模型採對照參考（Grounded）方式運作，只使用特定且經指定的資料來源，而不是任意取用外部所有資料。