未來醫療
人工智慧預測結核病治療失敗之統合分析
在納入19項研究共100,790名病患的統合分析中，模型合併AUC達0.836，但異質性極高且97%研究具高偏差風險，目前尚不適合直接投入臨床常規使用。
技術
醫療人工智慧
Medical AI
指把機器學習、深度學習等演算法應用於醫療資料的技術領域。模型從醫學影像、病歷、檢驗數值或生理訊號中學習統計規律，用於分類、預測或輔助判讀。其輸出表現取決於訓練資料的來源與品質，並需在不同族群驗證。
- 研究設計
- 4 篇統合分析、1 篇敘述性回顧
- 原始論文年份
- 2025–2026
- 樣本數
- 3 篇有報告，74,000–705,115 人
敘述性回顧不做系統性檢索也不合併數據，強度取決於它引用的原始研究。這裡分開計數，不與統合分析混為一談。
樣本數不相加不同研究可能納入重疊的族群，把各篇人數加總會誇大實際證據量，所以只列範圍。
INTERPRETATIONS
提到醫療人工智慧的研究解讀
每篇都對應一份期刊原文，附研究類型、樣本數與限制。
未來醫療
臨床決策支援系統對慢性腎臟病用藥安全的效果
在隨機對照試驗的統合分析中，CDSS顯著改善即時腎功能劑量調整與病歷註記，但試驗間異質性極高且缺乏改善死亡或腎功能惡化等長期臨床硬指標的證據。
未來醫療
人工智慧評估中風風險的預測表現統合分析
在30篇納入量化合成的研究中，深度學習模型展現0.955的高辨識度，但極度缺乏外部驗證且研究方法異質性偏高。
未來醫療
腦波機器學習偵測睡眠呼吸中止準確率
在包含27項回溯性研究的統合分析中，以腦波為基礎的機器學習模型在分段層級展現高準確度（AUC 0.95），但病患層級證據仍嚴重匱乏。
未來醫療
數位科技應對氣候變遷健康衝擊之回顧
在這篇敘述性架構回顧中，作者提出結合疾病監測、遠距醫療與病患支持的架構，並強調發展生成式醫療AI時需審慎管理高能耗與電子廢棄物問題。
APPEARS WITH
常一起出現的主題
同一批研究裡同時談到的疾病、治療與指標。