超越預測：臨床 AI 與電子健康紀錄的縱向推理
arXiv - Computers and SocietyIrene Yi, Grace Brown, Sufian Aldogom, Nathan Roll, Eric J. Basile, Pamela M. Resnikoff, Isaac Gutterman, Oscar Schiff, Keira Salata, Benjamin Mujkic, Ammar Ahmed
本文揭示現行臨床 AI 系統多以靜態、會診層級資料為主，缺乏跨會診的時間推理，並提出更符合臨床實務的縱向推理框架。
AI 幫你先抓重點
AI 重點 1
將 EHR 視為動態時間基底，而非靜態輸入
滑鼠懸停看 AI 判斷理由
此觀點強調 AI 系統需設計能捕捉病歷變化的機制，才能支援臨床醫師的持續推理流程，避免因資料靜態化而導致關鍵訊息遺漏。
AI 重點 2
評估指標應重視縱向可解釋性而非單純預測
滑鼠懸停看 AI 判斷理由
若僅以預測準確度評量，易忽略系統在實際臨床情境中的可用性與信任度；加入可解釋性評量可促進醫師與 AI 之間的協同決策。
核心研究發現
- 1
雖然多數 AI 系統已整合 EHR 資料，但其運算多停留於單一會診或聚合表示，對患者歷史的時間推理支援有限。
- 2
在代表性結構（如病程模型、跨會診綜合、縱向分析、缺失推理）上，系統呈現不一致且缺乏完整實作。
- 3
目前的評估方法主要聚焦於預測準確度，忽略了對縱向可解釋性的評量。
- 4
三位醫師在使用 EHR 時指出，系統缺乏對時間序列的動態呈現，影響臨床決策的連續性與深度。
對教育工作者的啟發
對教育科技工作者而言，本文提醒在設計 AI 支援學習平台時，應將學習資料視為時間序列而非靜態輸入，並在系統設計中納入病程模型、跨單元綜合與缺失推理等結構，提升學習者的縱向推理與自我調節能力。評估時不應僅依賴預測準確度，而應加入可解釋性與使用者滿意度指標，確保工具真正符合教學實務需求。建議開發團隊與教師共同參與需求定義，透過迭代原型測試，確保系統能在不同學習階段提供連續、可追蹤的資訊流，促進知識建構與元認知發展。
原始文獻資訊
- 英文標題：
- Beyond Prediction: Longitudinal Reasoning in EHR-Integrated Clinical AI
- 作者：
- Irene Yi, Grace Brown, Sufian Aldogom, Nathan Roll, Eric J. Basile, Pamela M. Resnikoff, Isaac Gutterman, Oscar Schiff, Keira Salata, Benjamin Mujkic, Ammar Ahmed
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。