看似個性化，其實一模一樣？AI 醫療模型有統計陷阱？

在過去十年中，「個性化」已成為醫學中最常被使用的詞彙之一。然而，儘管有許多承諾要為每位患者量身定制護理，仍有數百萬人經歷相同的診斷程序、處方和副作用。這個矛盾正是當前人工智慧（AI）驅動的醫療保健所面臨的挑戰之一。雖然 AI 在某些醫療領域提高了效率，但卻未必使醫療變得更具人性化，許多患者感覺自己更像是數據點而非個體。

專家指出，問題不在於技術本身，而在於我們提供給AI的數據類型。目前大多數醫療AI模型是基於人口層級的數據集進行訓練，例如電子健康紀錄。這些數據集雖然能揭示數百萬患者的統計趨勢，但卻很少捕捉到每個患者體內實際發生的情況。換句話說，它們能預測概率，但無法反映生物現實。

真正的個體化醫學不是統計數據

加州新創公司Parallel Health正試圖解決這問題，幫助AI直接解讀生物數據。公司共同創辦人兼首席執行長Natalise Kalea Robinson指出，真正的個體化醫學（又稱為精準醫學，或個性化醫療、個人化醫療）意味著將你視為一個複雜的系統，而不是統計數據。目前大多數所謂的個體化醫學實際上只是根據症狀進行的精細分段，患者根據症狀、人口統計或基因標記被歸類，然後接受對大多數人有效的治療。

Parallel的工作展示了如何以生物學為基礎進行個體化醫學，而不僅依賴醫療記錄或人口統計數據。該平台利用定量全基因組測序來映射構成個人皮膚微生物組的數兆細菌、病毒和真菌。

例如，兩位患者可能都被診斷為痤瘡，但其根本原因可能完全不同。一位患者可能有Cutibacterium acnes phylotype 1A的過度增長，而另一位則可能有抗生素耐藥型，這解釋了為什麼常規治療無效。

這種生物學的特異性使公司能夠設計針對性噬菌體血清，僅消除有害菌株，同時保留有益微生物。外部研究人員同意這種精確性在科學上是有前景的，但他們指出，噬菌體療法在廣泛應用之前仍面臨嚴峻的監管、製造和標準化挑戰。

AI 從反應性醫療轉變為預防性醫療

近年來，醫療AI因其模式辨識而受到讚譽，能夠在掃描中發現腫瘤、預測再入院和標記實驗室結果中的異常。然而，Parallel Health的首席科學長Nathan Brown博士認為，這僅是表面，「使用直接的生物數據使AI從模式匹配工具轉變為機器預測引擎」，分析微生物之間以及與人類宿主之間的相互作用，系統可以開始推斷因果關係，而不僅僅是相關性。

這個見解使AI從反應性醫療轉變為預防性醫療。例如，信號炎症的微生物模式可能也出現在玫瑰痤瘡或某些類型的銀屑病等病症中。

儘管獨立研究人員對基於生物學的AI系統的潛力表示贊同，尤其是基於微生物組數據的系統，但他們仍然保持謹慎。根據《自然》雜誌發表的一篇評論，使用大型數據集的AI系統引發了有關數據所有權和管理的討論，數據主權──個人或團體控制其生物數據的收集和解釋的權利──將定義健康創新的下一階段。

生物倫理學家越來越多地表達類似的擔憂。最近的研究，包括2024年在《BMC醫學倫理學》上發表的Shaw及其同事的論文，以及2025年由科學與技術數據委員會發表的研究，強調個體化醫學的未來不僅取決於更智慧的算法，還取決於更公平的信任、同意和共享利益的系統。

Robinson稱這是將權力轉向患者的一次必要修正，正值數據隱私仍然是一個重要議題的時刻。醫療保健是否能沿著這條道路發展，將取決於AI是否能夠考慮到每個個體的生物複雜性，而不僅是人口數據中的模式。