一項名為 NOHARM 的獨立醫療AI基準研究，近日針對多款主流臨床AI工具進行評估，結果顯示，無論系統在整體排名中的表現如何，所有受測工具在臨床情境下都可能產生錯誤。研究尤其指出，AI造成的有害錯誤，有高達76.6%源自遺漏重要資訊，而不是捏造或誤述事實。
本次評測涵蓋 Doximity、OpenEvidence、OpenAI 的 GPT-5.6 Sol，以及 Anthropic 的 Claude Fable 5。研究團隊表示，這項結果反映醫療AI目前更深層的風險：系統即使沒有明顯說錯，也可能因未列出關鍵病史、風險或處置資訊，導致使用者低估病患面臨的危險。
NOHARM以真實案例與醫師註解進行評估
NOHARM研究由史丹佛大學、哈佛大學及 ARISE 網絡的研究團隊共同執行。測試資料包含1,100個真實臨床案例，並蒐集約13,000筆醫師註解，用於評估不同AI系統回應對病患可能造成的風險。
根據研究結果，Doximity的臨床工具 Ask 在參測系統中表現居前。不過，研究排名隨即引發其他業者質疑，顯示這類醫療AI評測除了涉及技術表現，也牽涉測試設計、評分標準及結果重現等方法論問題。
OpenEvidence質疑研究尚未經同儕審查
OpenEvidence執行長丹尼爾·納德勒（Daniel Nadler）對評測分數提出強烈質疑。他指出，這項研究尚未通過學術界標準的同儕審查，並認為研究方法存在瑕疵；他也批評不應允許AI業者針對結果提出「重測」要求。
因此，目前公開資訊可確認的是研究團隊所公布的測試結果，以及相關業者對研究程序的反駁；至於評測方法是否足以代表各系統在更廣泛臨床環境中的實際表現，仍有待進一步審查與獨立重複驗證。
資訊遺漏可能比明顯誤述更難察覺
NOHARM研究團隊強調，報告的重點不在於判定哪一個系統取得第一名，而是所有受測系統都仍會犯錯。研究數據顯示，在AI產生的有害錯誤中，76.6%屬於「遺漏」，也就是漏答、漏列或未提醒關鍵資訊；相較之下，直接給出錯誤資訊或捏造內容的「誤述」占比較低。
Scripps Research心臟科醫師、同時擔任Doximity PeerCheck計畫共同主持人的艾瑞克·托波爾（Eric Topol）警告，醫療AI必須盡可能降低這類遺漏錯誤。當系統回應看起來流暢且具備一定準確度時，醫療人員可能因此產生過度信賴，反而忽略AI沒有提及的風險。
醫療AI監管與責任歸屬仍存在落差
NOHARM發布之際，美國醫療AI監管政策正快速變動，也凸顯聯邦與地方規範之間的落差。
- 聯邦與州級規範不同調：來源指出，美國食品藥物管理局（FDA）在2026年放寬對AI臨床決策支援工具的態度，若醫師能夠獨立檢查AI的推理，相關工具即可獲准使用。然而，各州政府的監管方向則較為嚴格；截至2026年前，已有十多項與醫療AI相關的新法通過，多數要求AI輔助決策在送達病患前，必須經過人類簽核。
- 醫療過失責任尚未明確：如果AI建議出錯並造成病患損害，責任究竟應由開立處方的醫師、導入系統的醫院，或開發技術的AI供應商承擔，目前仍沒有一致答案。相關法院案件與監管討論仍在釐清這個法律灰色地帶。
評測結果對臨床導入的啟示
這項研究並未證明任何單一醫療AI工具必然不適合臨床使用，也不能僅憑一次評測就完整代表各產品的實際能力。不過，研究結果確實指出，醫療機構在導入AI時，不能只檢查系統是否提供正確答案，也需要評估它是否完整列出必要資訊、是否能標示不確定性，以及醫師能否有效發現遺漏。
在監管與責任框架尚未完全成熟的情況下，人類審核仍是重要防線。對醫療AI業者而言，如何降低遺漏、建立可追溯的推理與審核流程，可能比單純追求回答正確率更關鍵；對醫療人員而言，則需要將AI視為輔助工具，而非可取代臨床判斷的獨立決策者。
