作者：默思編輯部 發布：2026-07-06
活動主題
Cochrane已公布2026年世界實證醫療保健日的年度主題為「Evidence and AI: People at the Centre（證據與AI：以人為本）」，反映AI工具在近年快速滲透進證據產製與臨床決策的各個環節，包括自動化文獻篩選與摘要、臨床決策輔助系統、多語言醫療資訊翻譯，以及AI生成的衛教內容。
AI實際上怎麼被用在系統性回顧的產製流程裡
目前系統性回顧領域常見的AI輔助工具，大致集中在幾個環節：
一、文獻篩選（screening）：像RobotReviewer、Covidence、DistillerSR這類工具，會用文字分類模型（過去多是SVM、隨機森林等傳統機器學學習分類器，近年逐漸轉向以transformer架構為基礎的語言模型）先針對標題與摘要做「主動學習（active learning）」排序，把最可能相關的文獻排到最前面，讓人工篩選者優先看過，藉此大幅減少人工逐篇閱讀數千筆檢索結果的時間
二、資料萃取（data extraction）：AI可以協助從論文全文中自動抓取樣本數、結果指標數值等結構化資訊，但仍需要人工覆核，避免抓錯欄位或誤讀表格
三、風險偏差評估（risk of bias assessment）：像RobotReviewer這類工具，會針對論文全文中描述隨機化方法、盲性設計的段落，自動判斷ROB2工具中各個領域的偏差風險等級，作為人工評讀的輔助參考
主辦單位點出的隱憂
同一份活動說明也明白列出AI應用於實證醫學的幾個風險：演算法偏差（algorithmic bias，例如訓練資料本身就偏向英語系高收入國家的研究，可能導致對其他地區研究的判讀失準）、錯誤資訊、決策過程不透明（black box，深度學習模型的判斷邏輯難以逐步拆解說明）、資源不均導致的近用落差，以及長期而言可能侵蝕大眾對醫療證據的信任。
對實證醫學學習者的意義
這對正在學習實證醫學的PGY與住院醫師來說是一個提醒：AI工具確實能大幅加速文獻檢索與初步篩選的效率，但「證據評讀（critical appraisal）」這個核心能力仍然無法外包給演算法——AI可以幫你更快找到論文、甚至初步標記風險偏差等級，但無法替你判斷這篇論文的研究設計是否有致命的偏差、統計方法是否恰當、結論是否被過度延伸，最終的臨床判斷責任仍在評讀者身上。這也是實證醫學競賽刻意保留手動評讀環節、而非直接考AI工具操作的原因。
如果你想在AI輔助檢索之外，紮實鍛鍊自己親手評讀文獻、判斷證據強度的核心能力，歡迎參考我們平台的課程：實證醫學2小時速成班：從PICO到森林圖，一次掌握競賽關鍵技能。