在日益複雜的公共健康領域中，人工智慧（Artificial Intelligence, AI）正迅速成為重要工具。然而，這項技術究竟能否扮演解方，而非陷阱，仍需審慎探討。本文聚焦一場專業研討會中提出的「5-5-5 框架」：五項 AI 應用、五大挑戰，以及五項解決條件，橫跨印度、阿根廷、西班牙、美國與英國等國，從多面向探討 AI 在全球公共健康系統的潛能與限制。
7 月 21 日，第五屆 2025 國家生技研究園區招商暨人才與技術媒合會（NBRP Demo Day），加州大學柏克萊分校公共衛生學院院長呂淳祺在小組討論的演講分享時提出以下 15 項 AI 發展的重要議題與諫言。
五大人工智慧公共健康應用實際案例
AI 在公共健康的應用範疇廣泛，涵蓋從疾病預測到行政效率的提升：
- 疫情預測（Outbreak Forecasting）：印度的「Health Sentinel」計畫使用 AI 掃描超過一億筆報告資料，以提供早期警示，對抗潛在流行病。
- 疾病監測（Disease Surveillance）：美國俄亥俄州藉由分析急診室紀錄、處方資料與人口統計數據，利用 AI 預測鴉片類藥物濫用熱區。
- 健康傳播（Health Communication）：阿根廷透過 WhatsApp 上的 AI 聊天機器人，輔助疫苗接種預約與資訊傳遞，顯著提升 COVID 疫苗接種率，尤其在青少年族群中效果顯著。
- 資源配置（Resource Allocation）：西班牙瓦倫西亞地區的研究團隊利用手機與問卷數據進行疫情預測，進而優化醫療床位與人力的配置。
- 行政效率（Administrative Efficiency）：美國加州與馬里蘭州的公共衛生部門使用 AI 自動化數據清理、報告撰寫與會議紀要記錄，節省每小時多達 20 小時的工作量。
五大挑戰：AI 技術進展下的隱憂與風險
即便應用廣泛，AI 在公共健康的導入仍面臨重大障礙：
- 資料品質與偏誤（Data Quality and Bias）：英國某醫院案例顯示，低解析度的影像資料導致 AI 診斷誤差頻繁，印證了「垃圾進、垃圾出」的經典困境。
- 透明性與可解釋性（Transparency and Interpretability）：COVID-19 期間，多項 AI 預測模型因黑箱運作引發公眾不信任，對政策制定產生負面影響。
- 資料治理與倫理（Data Governance and Ethics）：Facebook 曾以 AI 預測用戶心理疾病，雖為志願參與，但引發關於資料所有權與使用權的激烈爭論。
- 基礎建設與人力培訓（Infrastructure and Workforce Readiness）：根據一份 2021 年的調查，美國地方衛生部門中具 AI 訓練背景者不到 12%。
- 使用門檻與健康不平等（Access and Equity）：研究指出，AI 為氣喘患者預測健康風險時，竟以「過去醫療支出」作為依據，導致資源原本匱乏者反而被低估風險。
解方五策：制度、技術與人性的再平衡
面對上述困境，專家提出五項核心策略以利 AI 永續且公平地導入：
- 人機協作模式（Human-in-the-Loop）：以俄亥俄與麻州為例，AI 可負責熱區預警，實際決策仍由在地公共衛生單位掌握，避免技術謬誤成為政策決策依據。
- 法規與指引（Governance and Regulation）：包括美國 FDA 所制定的「良好機器學習實踐原則」（Good Machine Learning Practices），以及世界衛生組織（WHO）針對 AI 治理提出的準則，皆有助於提升模型透明度與公信力。
- 資料權益與同意（Data Rights and Consent）：雖然 Facebook 控制其平台上用戶的資料，但仍需取得明確授權與同意，不可任意運用用戶資訊。
- 教育與訓練（Training and Workforce Development）：約翰霍普金斯大學與加州大學柏克萊分校皆開發專屬平台，協助各州與地方政府提升資料素養與 AI 操作能力。
- 審核與資助要求（Audits and Funding Conditions）：多數研究與開發資助機構已開始要求 AI 開發者進行模型審核與驗證，確保其對公共健康有益而非有害。
結語：科技向善，制度為本
從跨國經驗可見，AI 在公共健康領域雖充滿潛能，但也猶如雙面刃。唯有透過制度保障、教育落實與人性導入，才能真正發揮 AI 的「助人之能」而非「害人之惡」。未來的公共健康發展，將不僅取決於演算法的準確度，更仰賴我們是否具備智慧與勇氣，建構一個以人民福祉為本的 AI 治理架構。
