2017 年，我寫了一篇 AI 文章
那年，AlphaGo 剛打敗李世石。IBM Watson Health 還是明星。大家都在問：AI 會取代醫師嗎？
我寫了一篇文章，核心論點是：
AI 只是工具。要解決什麼問題才是關鍵。GIGO（Garbage-in, Garbage-out）比想像中常見。
九年後的今天，我回頭看那篇文章。
我猜對了什麼
1. AI 是工具，不是目的。這句話到 2026 年依然成立。醫療 AI 最成功的應用不是「取代醫師」，而是「幫醫師省時間」。影像判讀、文書整理、數據分析 — 這些低階重複性的工作，AI 確實接走了一大塊。
2. Full Stack Solution 的概念。2017 年我寫「從硬體、軟體、服務到 AI」的 full stack。當時只是理論。
2026 年，我們的 iRehab 系統真的走到了這一步：植入物追蹤（硬體）+ 術後復健 App（軟體）+ PROM 問卷收集（服務）+ AI 輔助 SOAP notes（AI）。
Full stack 不是因為想做大，是因為每一層都需要上一層的數據。沒有 App 收不到疼痛數據，沒有數據 AI 就是垃圾進垃圾出。
3. 三層分析架構。Descriptive（描述）→ Predictive（預測）→ Prescriptive（處方）。
iRehab 現在正好在走這條路：
- Descriptive：VAS 趨勢圖、遵從率統計
- Predictive：哪些病患可能恢復偏慢（根據歷史數據）
- Prescriptive：AI 建議調整運動處方（但只能存草稿，醫師確認後才生效）
我猜錯了什麼
1. IBM Watson Health 崩了。2017 年我還在文章裡提到跟 IBM Watson 合作的可能性。結果 Watson Health 在 2022 年被賣掉了。教訓：不要把策略建立在別人的平台上。
2. AI 的門檻比我想像的低很多。2017 年做一個 AI 模型需要一整個數據科學團隊。2026 年，一個醫師用 Claude Code 就能在一天內做出一個臨床工具。AI 不再是大公司的專利。
3. 「穿戴式裝置的數據必須產生意義才有價值」— 這句沒錯，但實現的方式完全不同。我以為會是 Apple Watch 收集數據 → 某個雲端 AI 分析。實際上，最有價值的數據不是穿戴式來的，而是病患自己每天回報的疼痛分數和運動完成率。結構化的主觀數據（PROM）比連續的客觀數據（心率）更能預測手術效果。
我自己在做的 AI 實踐
說具體的。2026 年，我的日常工作裡 AI 在做什麼：
1. AI 輔助 SOAP Notes（術後評估）門診時，我的助理量完 ROM、記完 VAS，按一下「AI 輔助 SOAP」按鈕。系統自動生成一段 prompt（不含病人姓名），助理把它貼到 ChatGPT，口述病人狀況，AI 回覆結構化的 S/O/A/P 四段評估。貼回系統，自動解析。
我只需要看一眼、確認、完成。打字量 = 零。
重點：AI 的輸出永遠只是草稿。我確認之後才會變成正式紀錄。臨床決策權永遠在醫師手上。
2. AI 分析病患趨勢我可以問 AI：「哪些病患遵從率偏低？」「這位病患的恢復速度正常嗎？」AI 從 iRehab 的數據庫裡找答案。它看過所有趨勢數據，比我自己翻報表快一百倍。
3. AI 寫部落格文章沒錯，包括你現在讀的這篇。我提供大綱和觀點，AI 幫我整理成文。但每個觀點、每個判斷、每個故事，都是我自己的。AI 是我的寫作助手，不是我的代筆人。
對未來的看法
2017 年我說「大家都才剛起步」。2026 年的我想修正這句話：
起步的階段已經過了。現在是選擇方向的時候。AI 在醫療的應用會走向兩條路：
第一條：取代型。影像判讀、初步分診、藥物交互作用檢查。這些 AI 會做得比人好，而且越來越好。
第二條：增強型。幫醫師省時間、提供更完整的數據分析、讓醫師把時間花在真正需要人的地方 — 觸診、問診、跟病人說話。
我選的是第二條路。因為骨科手術不會被 AI 取代（至少短期內不會），但術後照護的文書工作可以。
讓 AI 做文書，讓醫師做醫師該做的事。
這是九年前那篇文章的結論，換個說法，到今天還是對的。
林佳緯醫師 | 烏日林新醫院 骨科微創智慧醫療中心主任