為壅塞的醫療體系提出中間層
2023 年，南韓每人平均就診 18 次，高於 OECD 平均的 6.5 次。電子病歷普及率超過 95%，南韓的數位基礎建設相當完善，就診需求也十分龐大。如今有研究團隊提議運用人工智慧，讓鄰近診所與大型醫院更加緊密地串聯，而非增設另一類醫療機構。
目錄
這項提案稱為1.5 級醫療體系，於 2026 年 9 月 2 日在線上刊登於 Nature Portfolio 旗下期刊 npj Health Systems。團隊由首爾大學盆唐醫院家庭醫學科教授 Jung Se-young 領導，提出以 AI 建構一個中間層，協助診所為患者進行篩檢、交換醫療資訊、偵測容易被忽略的疾病風險，並在患者兩次回診之間監測慢性病。
這篇已刊出的觀點論文彙整了不同臨床研究的證據，並未報告完整醫療模式的試驗結果，也沒有宣布全國推行計畫。論文的核心主張是，應依照基層醫療必須執行的工作來整合個別 AI 工具，而不是把它們當成彼此無關的技術產品分開導入。
首爾大學醫學院教授 Park Sang-min 與國會議員 Cha Ji-ho 也參與其中。列名作者包括 Seong-Ho Han、Eojin Yi、Wooin Seo 和 Yeonsoo Kang。團隊於 2026 年 9 月 17 日公布論文刊出消息。
區分提案與實際運作中的體系很重要。作者認為南韓是測試這套架構的理想地點之一，但也指出，要支持這項架構所需的誘因、機構治理與監測機制，尚未大規模建立。
1.5 級醫療實際要做什麼
提議中的中間層，是連結基層醫療與專科服務的技術橋梁。患者仍會前往地方診所就醫，必要時也會接受醫院照護。AI 則協助做出連結這些照護場域的決策，並促進資訊傳遞。
這套架構依循基層醫療的四項既有功能來組織相關支援：第一線接觸、照護協調、全面性與持續性。這些功能包括評估新的健康問題、讓不同醫療提供者的照護相互配合、處理多方面的健康需求，以及長期維持照護。
例如，診所可以運用 AI 判讀篩檢影像、準備轉診文件，並整合醫院出院摘要與患者居家監測裝置的讀數。預期效益是更完整掌握患者狀況，不必每次看診都由醫療人員手動重建病情全貌。
作者表示，他們希望讓更多人都能享有禮賓醫療所強調的細緻個人化照護。研究團隊在論文摘要中將這套模式稱為該做法可擴大推行的替代方案：
人人都能享有禮賓式照護。
這是明確提出的目標，並非已經證實的成果。有證據顯示某項工具能改善特定工作，並不代表整套系統就能在不增加人力或成本的情況下，提供更個人化的照護。
篩檢能發現疾病，也可能漏診
一項澳洲前瞻性研究結合自動化視網膜攝影與 AI 篩檢，在基層醫療場域檢測青光眼。在 161 名先前未確診的參與者中，18 人、也就是 11.2%，被發現有需要轉介專科評估的青光眼。
論文也列出這項檢測的效能數據，讓這個檢出率更有脈絡：敏感度為 65.0%、特異度為 94.6%，受試者工作特徵曲線下面積（AUROC）為 0.80。
敏感度說明檢測找出患者的能力；特異度則說明檢測辨認出未罹病者的能力。報告中的敏感度顯示，這項篩檢方法並未檢出所有病例。相對較高的特異度也無法消除這項限制。
AUROC 衡量檢測在不同判定門檻下區分病例與非病例的能力。數值 0.80 表示具有實用的辨別能力，但不等於 80% 的患者都獲得正確診斷。
這些結果支持運用 AI 擴大篩檢，並協助引導患者接受適當照護；但不能據此將陰性結果視為未罹病的保證。這項區別是提議中的模式所強調的核心：篩檢輔助仍須連結臨床評估與轉診。
轉診品質不只取決於文字是否流暢
談到照護協調，研究人員提及可根據電子病歷產生轉診信與出院摘要的大型語言模型。論文引用的資料顯示，模型在零樣本摘要任務中的準確率最高達 99.25%，與臨床人員撰寫的摘要也高度一致。
零樣本是指模型在該項評估中，未先取得任務專用範例就執行指定工作；這不代表模型從未接受訓練。大型語言模型在被要求產出醫療文件之前，已經歷大量訓練。
這項潛在效益相當實際。患者從地方診所轉往醫院時，需要一份清楚記載症狀、檢查與治療的資料。患者返回社區照護後，藥物異動與專科醫師建議也需要隨患者一同傳遞。自動產生初稿，或可減少彙整這些細節所花的時間。
然而，論文引用的準確率數字來自特定評估，並不保證其他診所產出的每封轉診信都完整或安全。文件即使寫得流暢，仍可能漏掉關鍵資訊，因此這套架構仍將照護決策的專業責任交由醫療人員承擔。
照護協調也不只限於醫院。論文介紹美國內布拉斯加州的一項計畫，利用數位照護導航平台找出尚未滿足的社會需求、協助患者連結社區資源，並由社區衛生工作者提供後續追蹤。這個案例拓展了提案的範圍，不再只是產製文件：資訊應協助患者連結服務，而不只是生成更多文字。
既有影像也能找出被忽略的風險
全面性這個構面關注的是，AI 能否運用已蒐集的資訊，協助全科醫師處理患者更多健康需求。其中一個例子是機會性篩檢，也就是利用因其他原因拍攝的影像，檢查是否有另一種疾病的跡象。
在美國 NOTIFY-1 計畫中，AI 從既有胸部電腦斷層掃描中辨識出冠狀動脈鈣化。鈣質沉積可能是動脈粥樣硬化的徵兆，也就是動脈中斑塊堆積。研究人員隨後將檢查結果通知醫療人員與患者。
學術論文報告，六個月時的史他汀處方率為 51.2%，對照組為 6.9%，相差 44.3 個百分點，約為 7.4 倍。史他汀可降低膽固醇，並用於降低符合條件患者的心血管風險。
相關報導將這些數字描述為篩檢前的 6.9% 上升至篩檢後的 51.2%。但學術論文的說法是，這是六個月時的組間比較，並指出患者在基線時都沒有服用史他汀。因此，6.9% 不應被視為基線處方率。
這項結果衡量的是處方情形改變，並未證明心肌梗塞有所減少。此外，結果反映的是一整套介入措施：AI 偵測後，再通知醫師與患者。不能將全部效果都歸功於偵測本身。
更廣泛的診斷支援，各有不同證據
論文也引用一項隨機試驗，探討 AI 如何協助肺量測定。這項檢查會測量一個人能呼出多少空氣，以及呼出的速度，常用於評估呼吸疾病。
AI 決策支援讓臨床人員較傾向採用的診斷預測，在所有病例中提高 9.0 個百分點；在慢性阻塞性肺病（COPD）病例中則提高 15.9 個百分點。兩者報告的 95% 信賴區間分別為 4.5 至 13.3 個百分點，以及 9.0 至 22.7 個百分點。
這些是診斷工作的改善，並非 AI 能獨立管理呼吸疾病的證明。作者將這類工具納入需要臨床人員確認的工作流程，遇到超出基層醫療範圍的病例時也須轉診。
Pickhardt 等人的另一項研究，則以模型推估 AI 篩檢既有電腦斷層影像、偵測心血管疾病、骨質疏鬆與肌少症的成效。肌少症是肌肉量與功能流失。模型推估，在 55 歲族群中，與全部治療或全部不治療的策略相比，這種做法在 10 年內可節省成本，並帶來較佳的臨床結果。
這類證據不同於臨床試驗。模型會根據疾病、治療與成本等假設推估結果，有助於評估某種做法是否值得進一步測試，但不應把預估節省的成本說成南韓提議中的架構已經實際省下的金額。
糖尿病照護可延續到回診之間
談到持續性，研究人員著重於診間外仍能延續的資訊與照護。連續血糖監測器會頻繁收集數值，讓照護團隊看見偶爾在診所測量時可能無法察覺的變化模式。
一項 Twin Precision Treatment 系統的隨機試驗，結合血糖監測、AI 引導的生活型態建議與數位回饋。試驗報告指出，71.0% 的第二型糖尿病參與者達到緩解或減少用藥。
這是合併計算的結果，不代表 71.0% 的人都達到緩解，也不代表該群體中的每個人都停藥。說明患者可能從類似計畫中獲得什麼成效時，這項區別很重要。
阿拉伯聯合大公國的 GluCare.Health 模式結合遠距監測與 AI 臨床決策支援。論文報告，糖化血色素（HbA1c）下降 2.19 個百分點，標準照護則下降 0.10 個百分點，相差 2.09 個百分點。HbA1c 反映約兩至三個月的平均血糖。
這兩個案例談的都是整套照護計畫，而非單靠軟體運作。AI 組件之外，還包含監測裝置、生活型態支援與臨床管理。這些案例支持測試更持續的照護方式，但無法證明改善成效是 AI 單獨造成的。
醫師負責照護，並設有三道安全迴路
這項提案將診斷與治療責任交由持照臨床人員及醫療機構承擔。AI 負責支援初步接診、文件處理、優先排序、風險評估與監測，而非獨立承擔患者照護責任。
工具自主程度越高、輸出結果的影響越重大，監督強度也應隨之提高。行政摘要與排程可採事後審查；檢傷優先順序與臨床提示則須由醫師在採取行動前審查。診斷、處方及其他重大治療決策，必須由專業人員確認。
作者也提出三道安全迴路：臨床、治理與學習。三者合起來，說明了監督照護、維持機構問責，以及在部署後運用實際經驗監測並改善系統的必要性。
這項區分很有用，因為工具在實驗室或臨床評估中表現良好，並不能確定它進入日常實務後會如何運作。連結多種工具的架構，需要監督整體服務，也要檢查每項個別應用。
同樣原則也適用於病歷。研究人員提議整合機構病歷與患者自行產生的資訊，包括穿戴式裝置、個人健康紀錄與數位療法。他們也討論 SNOMED CT 等標準化臨床術語，協助不同系統一致解讀相同資訊。數位病歷普及只是起點，並不能證明病歷已能在不同機構間可靠流通。
南韓是候選試點，而非已確認推行
依據 2023 年引用的數據，南韓每人平均門診就診 18 次，約為 OECD 平均 6.5 次的 2.8 倍。研究人員認為，結合普及的電子病歷與涵蓋全民的國民健康保險，這樣的高就診量讓南韓有理由測試：改善基層醫療支援，能否減少照護碎片化，並降低大型醫院的壓力。
不過，作者也指出，推行所需的條件仍有未解之處：一致的誘因、治理委員會，以及部署後的監測基礎設施，尚未大規模建立。提案沒有公布已確認的試點啟動日期、推行期限或全國性經費承諾。
以下時間軸區分了醫療體系相關數據、論文刊出與消息公布的時間：
- 2023 年：南韓每人門診就診 18 次，論文引用的 OECD 平均為 6.5 次。
- 2026 年 9 月 2 日：觀點論文在線上刊登於 npj Health Systems，第 3 卷，第 80 篇文章。
- 2026 年 9 月 17 日：研究團隊公布論文刊出消息。
作者聲明沒有利益衝突。這篇論文提出的是測試一種服務模式的議程，而非南韓已經依此重新組織醫療照護的證據。
這套架構也提出在其他地方採用不同做法。在富裕的城市地區，AI 檢傷與自動化文書處理可協助面臨專科需求與行政壓力的診所。在醫師稀少的偏遠地區，護理師與社區衛生工作者可使用可攜式篩檢工具並轉介患者。在衝突或災害地區，可離線運作的輕量工具則有助於維持基本服務。
這些都是提議中的調整方式，並非完整系統已經部署的報告。共同目標是提升既有臨床量能的效用，同時確保篩檢、轉診與監測仍與負責任的醫療照護相連。
重點
- 南韓研究人員提議建立 AI 中間層，連結基層診所與專科醫院，而非增設一類新的醫療機構。
- 2026 年 9 月的論文是彙整不同研究的觀點文章，並非完整架構的試驗。
- 應用範圍包括篩檢、醫療文件處理、擴大疾病偵測，以及兩次看診之間的照護。
- 不同工作的臨床結果各異，整合照護計畫的效益也不能單獨歸因於 AI。
- 診斷、處方與治療決策仍由臨床人員負責。
- 南韓被提議作為測試地點，但治理、誘因與監測機制尚未大規模建立。
- 目前沒有宣布已確認的全國推行計畫或試點期限。
