2023年，ChatGPT透過美國執業醫師資格考試（USMLE）的訊息引發熱議。這款AI不僅能分析病例、提出診療建議，甚至能解釋複雜的醫學倫理問題。而在現實中，AI輔助診斷系統已悄然進入醫院：北京的某三甲醫院，放射科醫生透過AI影像識別系統，將肺結節篩查的準確率提升了15%；上海的ICU病房裡，智慧監護裝置透過即時資料分析，為膿毒症患者爭取了寶貴的搶救時間。
這些案例揭示了一個趨勢：醫學正在從“經驗驅動”轉向“資料驅動”。醫生不僅是資料的生成者（如書寫電子病歷），更是資料的解讀者和決策者。
然而，當AI生成的報告擺上案頭時，醫生是否真正理解背後的邏輯？當患者戴著智慧手環追問“心率變異性分析結果”時，醫生能否給出專業解釋？
這些問題指向一個關鍵命題：未來的醫生需要掌握計算思維與大資料素養。
▪️為什麼醫生需要懂“計算思維”？–醫學教育的必修課
1. 資料爆炸：從“聽診器”到“資料流”
過去，醫生的診斷依賴於問診、查體和有限的實驗室檢查。如今，電子健康檔案（EHR）、可穿戴裝置、基因組學資料、社交媒體健康記錄等構成了患者的“數字孿生”.然而，資料量越大，噪聲也越多。若醫生缺乏篩選關鍵資訊、識別資料偏差的能力，可能被海量資料淹沒，甚至被誤導。
2. 演算法黑箱：當AI成為“第二意見”
AI醫療裝置的普及帶來了新的挑戰。以AI輔助影像診斷為例，系統可能基於數萬張標註圖片學習出某種特徵模式，但這種模式未必符合人類醫生的認知邏輯。醫生需要理解“演算法如何利用資料做出決策”。例如，某AI系統將X光片的偽影誤判為骨折，若醫生盲目信任結果，可能引發誤診。計算思維的核心，是學會與機器“對話”：既利用其高效性，又警惕其侷限性。
3. 研究正規化革新：從“假設驅動”到“資料驅動”
傳統醫學研究遵循“提出假設→設計實驗→驗證”的路徑，而大資料時代的研究更傾向於“從資料中挖掘模式”。例如，透過分析百萬級電子病歷，研究者發現某降壓藥與抑鬱症的潛在關聯——這種關聯可能在小型研究中被忽視。但大量研究者也警告，大資料易產生“虛假相關性”。醫生需掌握現代推斷技術，區分因果關係與巧合。
4. 隱私與倫理：資料時代的“希波克拉底誓言”
醫療資料的共享與隱私保護是一把雙刃劍。醫生在日常工作中需直面數據倫理問題。例如，某醫院利用AI預測患者自殺風險，卻未告知患者資料被用於此目的——這違背了知情同意原則。資料素養不僅是技術問題，更是職業倫理的延伸。
▪️醫學與技術的融合不可逆轉，但真正的挑戰在於如何讓技術服務於醫學的本質–治癒與關懷。未來的醫生需要具備三種能力：
1. 讀懂資料：理解演算法邏輯，警惕“黑箱陷阱”；
2. 駕馭工具：用技術提升效率，而非被工具異化；
3. 守住底線：在資料共享與患者隱私間找到平衡。
醫學教育必須向未來開放。這不僅關乎技能升級，更是一場對醫學初心的迴歸——在演算法與人性之間，醫生永遠是最終的決策者。
參考文獻：
Saqr M, Tedre M. PMCID: PMC6619459.
更多閱讀：
|
|
|
|
|
|
|
|
|
|
|
|
（點選👆圖片，進入自己感興趣的專輯。或點選“資源”，瀏覽Hanson公眾號所有資源）
編輯：Iris Zhang；微訊號：Healsani
美國Healsan Consulting(恆祥諮詢)，專長於Healsan醫學大資料分析（Healsan™）、及基於大資料的Hanson臨床科研培訓（HansonCR™）和醫學編輯服務（MedEditing™）。主要為醫生科學家、生物製藥公司和醫院科研處等提供分析和報告，成為諸多機構的“臨床科研外掛”。