糖尿病照護中的代理式 AI 與臨床決策支援工作流程

開場與講者介紹

（主持人引言）接下來的講者是 Revital Nimri 醫師，她是一位內分泌學家。在先前的投影片中，大家已經看過關於 DreaMed Diabetes 的介紹，這是一個基於人工智慧（AI）的臨床決策支援工具，主要用於協助糖尿病患者的胰島素劑量調整。我們非常榮幸能邀請到她，為我們主講關於**代理型 AI（Agentic AI）**與糖尿病照護中的臨床決策支援工作流程。

（講者開場）非常感謝大會籌備委員會與 Amit Day 教授的誠摯邀請，讓我有機會在這個場次發言。大會希望我從臨床的角度來探討代理型 AI 與臨床決策支援系統（Clinical Decision Support System, CDSS）。很遺憾我今天無法親自到場，希望大家都能享受這次的會議。在開始之前，我必須先聲明我的利益衝突：我目前獲得 Abbott、Eli Lilly、Medtronic、Novo Nordisk 等公司的研究贊助，擔任 Tandem Diabetes 的顧問，同時也是 DreaMed Diabetes 的股東與活躍成員。

糖尿病科技的演進與臨床決策支援系統的崛起

創新往往在充滿機遇的環境中蓬勃發展。**自動胰島素給藥系統（Automated Insulin Delivery, AID）**的概念最早可以追溯到 1970 年代的 Biostator（人工胰臟儀器），但直到 2006 年連續式血糖監測（CGM）技術、小型胰島素幫浦以及先進運算能力的出現，這個概念才真正發展成我們現在所熟知、並被視為標準照護的 AID 系統，這無疑是 AI 應用的一大成功（並在 2016 年迎來了 AID 的全面成功）。

同樣地，決策支援系統（DSS）早在 1980 年代就已經出現，但直到最近都鮮少被實際應用。如今，隨著數據可用性的大幅提升、運算能力的進步以及海量數據儲存技術的成熟，加上神經網路（Neural Networks）與**大型語言模型（Large Language Models, LLMs）**的發展，決策支援系統正邁入一個全新的時代。

現在的問題是：這些系統真的能幫上忙嗎？我們該如何加速它們的導入，並確保它們在未來幾年內取得成功？

我們之所以需要 AI 驅動的決策支援系統，不僅僅是為了彌合日益擴大的臨床差距——包括不斷增加的病患數量與疾病複雜度、龐大的數據超載、治療決策與衛教的複雜性、高昂的醫療成本，以及專科醫師可用時間的短缺——更是因為臨床工作流程的本質正在發生改變。

真正的機會不在於單純的「自動化」，而是利用 AI 創造出更聰明、更公平且更以人為本的照護模式。當 AI 成為我們日常診療的一部分時，我們的挑戰在於確保它的部署是安全、符合倫理的，並且是去「強化」而非「取代」臨床實務中的人類核心價值。

臨床決策支援系統（CDSS）的核心架構

決策支援系統就像是一座橋樑，將複雜的臨床數據轉化為明智的決策，進一步變成對病患需求的預測與具體可行的洞察。我們非常幸運，糖尿病領域擁有海量且極具價值的數據，這讓糖尿病成為數據探勘（Data mining）的寶庫。決策支援系統在支持病患自我管理、提供個人化照護、增加醫療可及性，以及最終提升照護品質方面，具有極大的潛力。

一般來說，不同決策支援系統的架構大致相似。這些系統會從多個來源擷取數據，包含：

設備數據：如 CGM、胰島素幫浦。
臨床數據（EMR）：如實驗室檢驗結果、藥物紀錄。
病患回報數據：如飲食、體能活動等。

這些數據必須先透過**互通性層（Interoperability layer）**進行收集與整合，也就是透過 API 與數據中心（Data hubs）讓不同的設備與系統能夠溝通並共享數據。我們最理想的狀態是能在電子病歷（EMR）或專屬平台上共享這些資訊。在這個階段，評估數據品質至關重要，系統必須能識別出缺失、不完整或上傳失敗的數據。

接著，這些經過整合與清理的數據會進入**知識層（Knowledge layer）**進行分析。這裡會使用不同的 AI 技術，包含專家系統（Expert Systems）、機器學習（Machine Learning）、神經網路（Neural Networks）、深度學習（Deep Learning）或生成式模型（Generative Models），或是這些方法的混合體。對於臨床醫師來說，了解每個 CDSS 背後使用的是哪種技術非常重要。

隨後，**推理層（Reasoning layer）會應用系統邏輯，例如進行模式檢測（Pattern detection）、歸因邏輯（Attribution logic）、個人化分析與信心評分（Confidence scoring），並在內建的安全限制（Safety constraints）**下生成個人化建議。這代表什麼？舉例來說，系統會確保建議的胰島素劑量絕對不會超過預先設定的安全上限。

最後，結果會透過報告、儀表板、警報、看診準備資料或直接整合進 EMR 中呈現，供臨床醫師進行審查與監督。

決策支援的應用範疇與自動胰島素給藥（AID）的成功

決策支援系統的應用機會幾乎是無窮無盡的。有些已經投入使用，有些仍在開發中。它們可以涵蓋糖尿病的整個病程：

長期併發症管理：預測併發症風險，例如 FDA 已經核准了用於糖尿病視網膜病變篩檢的 AI 系統。
症狀前/高風險期：早期生物標記分析與預測誰有發展成第一型糖尿病的風險。
新發病期：協助早期診斷、避免糖尿病酮酸中毒（DKA）。
日常持續管理：支援所有日常管理面向，改善臨床工作流程並協助治療決策。

我必須說，**自動胰島素給藥（AID）**是糖尿病決策支援系統中最成功的應用之一。目前使用的系統多為專家系統或控制演算法。我們自行開發的 MD-Logic AID 系統就是一個基於預設規則的專家系統，採用「如果...就...（If-then）」的控制方式：如果預測血糖會過低，就暫停輸注胰島素。我們稱之為「醫師邏輯（Medical doctor logic）」，其部分元素也被整合到了 MiniMed 780G 系統中。

AID 的目標是透過連續監測來自動調整胰島素，將血糖維持在目標範圍內。回顧發展史，從 2016 年的 MiniMed 670G 到近年的 Omnipod 5、MiniMed 780G、CamDiab 等系統，AID 已經證明能有效降低 0.3-0.5% 的 HbA1c，並提升 9-16% 的目標範圍內時間（TIR），且不會增加低血糖風險。

這曾經看似不切實際，如今卻已成為標準照護，並帶來了糖尿病管理的典範轉移（Paradigm shift）：從「偶發性的看診」轉向「持續性的智能照護」。

傳統的糖尿病照護依賴於被動、同步（面對面）的偶發性看診，治療決策往往基於像 A1C 這樣的「快照（Snapshot）」數據。這種方法無法妥善應對血糖調節連續且動態的本質。正如著名的 Foster 研究所示，如果沒有 AID 系統，單純增加科技設備的使用，反而矛盾地與更差的血糖控制有關。

AID 帶來了轉變，將照護模式推向主動、非同步且連續的管理，由演算法根據即時數據進行胰島素調整。正如 2023 年的最新數據所示，這顯著改善了血糖結果。

AI 的演進：從大型語言模型到代理型 AI（Agentic AI）

為了支持這種轉變，AID 的能力正在不斷進化，朝向主動的**多代理系統（Multi-agent systems）**發展。讓我們來看看這個演進過程：

基礎大型語言模型（Baseline LLM）：這是一個獨立的語言模型，只能根據其訓練數據對問題提供單一回答。它沒有外部工具，沒有即時數據，也沒有自主性。使用者問：「什麼是目標範圍內時間（TIR）？」模型會給出定義。這是靜態的知識，沒有個人化，也沒有行動能力。
工具增強型大型語言模型（Tool-augmented LLM）：這種模型擴充了外部工具，如 API、資料庫和檢索增強生成（RAG）。使用者問：「我最近的 TIR 是多少？」系統可以調用 CGM 數據，與指引進行比較，並計算胰島素劑量。這允許整合來自多個來源的即時數據，但它仍然是被動的。
單一代理系統（Single-Agent System）：代理（Agent）擁有目標，且能自主行動以達成目標。它建構在 LLM 之上，能規劃步驟、使用外部工具並保持記憶與學習。例如，目標是幫助病患改善 TIR。這個代理可以提取 CGM 數據、識別血糖模式、搜尋臨床指引、建議劑量調整、安排後續追蹤提醒，並隨時間追蹤進度。它不再只是回答問題，而是管理整個工作流程並支持主動照護。
多代理/代理型 AI（Multi-Agent / Agentic AI）：這將系統推向了更高的層次。多個專業化的 AI 代理為了一個共同目標而協同合作，每個代理都有明確的角色，共同組成一個數位 AI 糖尿病照護團隊（Digital AI diabetes care team）。

在實務上，這會如何運作？

數據代理（Data Agent）：負責處理 CGM 與幫浦數據。
臨床代理（Clinical Agent）：確保數據解讀的安全性。
生活型態代理（Lifestyle Agent）：分析飲食與體能活動。
病患溝通與照護協調代理（Patient Communication & Care Coordination Agent）：負責與醫療提供者及病患聯繫。

它們共同合作，可以偵測病情惡化、調整治療方案，並在需要時將問題升級給臨床醫師。這就形成了一個協調的 AI 糖尿病照護團隊，完美呼應了我們熟知的多專科糖尿病照護模式（Multidisciplinary diabetes care model）。

代理型 AI 的四大核心原則與臨床實例

代理型 AI 的核心由四大原則定義：

目標導向（Goal-Orientation）：為達成特定目標而設計。
主動性（Proactivity）：能主動採取行動並預測未來需求。
適應性（Adaptability）：能根據回饋進行學習與調整。
自主性（Autonomy）：能在適當的人類監督下，獨立運作並做出決策。

讓我舉個例子來說明。另一個 AI 在糖尿病領域的成功案例是 FDA 核准的糖尿病視網膜病變篩檢，這已獲 ADA 指引認可並在診所中使用。目前的系統對每個人都使用相同的機器學習模型，這在標準病例中運作良好，但面對特殊病例或影像品質不佳（如模糊、充滿雜訊的輸入）時，往往會導致診斷失敗。它們通常是一個黑盒子（Black box），無法為其結果提供解釋，這限制了臨床醫師的信任，且在影像不佳時可能會漏診。

代理型 AI 如何改善這一點？在代理型 AI 中，系統充當一個數位的多專科團隊，而非單一模型。

多代理特徵擷取（Multi-Agent feature extraction）：多個代理同時處理影像，擷取局部病灶（如微血管瘤、出血）並評估整體視網膜結構，即使影像品質不佳也能處理。
動態決策融合（Dynamic decision fusion）：一個協調代理會整合它們的輸出與信心水準，協商出最終的共識診斷。
可解釋的支援介面（Explainable support interface）：系統會提供視覺化的解釋，讓醫師可以驗證 AI 的推理過程。

這不僅帶來了透明度，更將視網膜病變的分類準確率提升至 96.7%，顯著減少了偽陰性（False negative）案例，並提供了更具適應性、具備信心感知的臨床決策支援。

總結來說，代理型 AI 標誌著一個重大轉變：從「作為工具的 AI」（單一助手，每個步驟都需要人類啟動），轉變為「協調 AI 照護生態系統的 AI 代理」。它能端到端（End to end）地執行複雜的臨床工作流程，為照護過程引入更高的自主性（儘管適當的自主程度仍有待定義）。它的目標是減少認知與行政負擔、進行看診準備、臨床分流與安排追蹤。雖然這些系統仍處於早期階段，多數還在模擬測試中，但其改變臨床實務的潛力極高。

DreaMed 臨床決策支援系統：架構與臨床驗證

接下來，讓我以我們的系統為例，說明如何將值得信賴的臨床決策支援系統導入糖尿病照護中。

這是 DreaMed 決策支援系統。它是獲 FDA 核准供醫療服務提供者使用的工具（適用於第一型與第二型糖尿病，支援胰島素幫浦與多重胰島素注射 MDI 療法）。

它是如何運作的？它整合了來自各種糖尿病設備（CGM、血糖機、幫浦或 App）的血糖、胰島素等數據，應用 AI 分析這些數據的趨勢與事件。基於這些分析，系統在瞬間生成結構化的數據視覺化圖表，並針對幫浦設定與 MDI 療法提供治療調整建議，同時提供個人化的行為建議。在醫療提供者審查後，使用者可透過智慧型手機 App 接收這些治療建議（針對 MDI 用戶，我們還提供日記與計算機 App）。

這套系統的架構完全符合我前面描述的流程：從多個來源整合數據以確保互通性，並在此過程中檢查數據品質（例如，如果數據不足，系統就不會生成建議）。所有的建議都受到內建**安全限制（Safety constraints）**的管控，絕對不會超出安全範圍。

一個決策支援系統必須首先證明它能如預期般運作，並與專家的臨床建議保持一致。因此，我們的系統經歷了嚴格的臨床驗證：

在多項研究中，當分析相同病例時，決策支援系統與醫師之間的胰島素劑量調整共識度，與兩位醫師之間的共識度相似（針對幫浦與 MDI 療法的研究顯示，系統與醫師的共識度高達黃色長條圖所示的水平，與醫師間的藍色長條圖水平相當）。
在一項涵蓋 7 家知名兒科醫學中心的 6 個月隨機對照試驗（發表於 Nature Medicine，收錄 108 位平均年齡 15.6 歲、平均 HbA1c 8.4% 的 T1D 參與者）中，我們發現，由機器（決策支援系統）進行的胰島素調整，與具備多年經驗的資深醫師所做的調整，在血糖結果上是相當的。
更重要的是，該系統非常安全，臨床醫師的接受度很高，這表明它能提高工作流程效率，並使不同機構間的胰島素滴定更加標準化。

在真實世界（Real-world）數據中，我們也確認了極高的共識度。在涵蓋數百項建議、多元照護提供者（包括基層醫師、衛教師，以及 VDiSC 遠距研究）的數據中顯示，真實世界與 VDiSC 研究中，系統建議與臨床決策的等效性（Clinically equivalent）在 MDI 療法高達 90%，在幫浦療法更高達 95-97%。有趣的是，隨著醫療提供者對系統的信任度增加，對決策支援建議的完全同意率（Full Agreement Rate）也隨時間不斷上升（從第一季的 80.2% 攀升至第六季的 90.0%），這強烈支持了它在臨床實務中的接受度與採用率。

EMR 系統整合與臨床工作流程優化

現在，我將透過幾個螢幕截圖，向大家展示決策支援系統是如何整合到臨床工作流程中的。

我們的決策支援系統直接整合到了電子病歷（EMR）中。當醫療提供者在病患看診介面點擊紅色的「endodigital」標籤時，所有相關數據會自動拉取到病歷中。臨床醫師可以直接從 EMR 審查報告，包含 CGM 數據、AGP 每日數據、日誌與胰島素資訊。

同時，他們也能獲得決策支援的洞察與胰島素調整建議。例如，系統會自動比對目前的基礎劑量（如 35 單位的 Basaglar）並給出建議劑量（如 39 單位），同時附上給病患的衛教訊息：「我注意到你許多的高血糖是可以避免的，為每餐和點心注射速效胰島素可以幫助你獲得更好的結果。」醫師可以在同一個地方完成所有審查，不需要開啟獨立的平台或切換系統。

一旦醫師核准，新的治療計畫就會分享到使用者的 App 中，簡化了治療調整的過程。隨後，這些數據會自動回傳至 EMR，用於病歷記錄、臨床指標追蹤、治療計畫更新與編碼。這讓臨床醫師能隨時間追蹤進度，並快速生成看診摘要。

常規使用這種整合型決策支援系統，已被證明能顯著減少流程步驟（從 16-33 個步驟減少至 11-12 個步驟），每次看診平均可節省約 8.9 分鐘的醫護人員時間。這釋放了更多時間，讓我們能專注於臨床醫師真正想做的病患照護。

更重要的是，在 MDI 使用者使用該平台 6 個月後，我們觀察到了真實世界血糖結果的改善。數據顯示，無論病患基線的 GMI（預估糖化血色素）是 7%、7.5% 還是 8%，其目標範圍內時間（TIR）均顯著增加，且低於 54 mg/dL 或高於 180 mg/dL 的時間均減少，其中基線平均血糖較高的病患，改善幅度最為顯著。

從醫療端走向病患端：MODI 系統與 DGS 臨床試驗

正如我們前面討論的，糖尿病管理正轉向更主動、以病患為中心的模式。基於我們的決策支援系統，我們進一步開發了一套系統，能直接向使用胰島素注射療法的病患提供劑量建議。

在這個 **MODI 系統（Dose Guidance System, 劑量指引系統）**中，數據會 24 小時全天候持續收集，並由 MODI 演算法進行分析，生成個人化的胰島素滴定建議。這包括每週的劑量調整，以及必要時的每日調整。系統還會提供行為提示（例如：「你過度處理低血糖了」或「你漏打了餐前胰島素」）與推播通知。這些輸出會透過 DreaMed App 傳遞給使用者，同時醫療提供者也可以透過臨床平台與 EMR 進行審查。

為了評估這個系統，我們採取了循序漸進的方法：

可行性研究（Feasibility studies）：首先驗證演算法的效能，此階段需要醫療提供者審查。
概念驗證研究（Proof of concept study）：無需提供者審查，但加入遠距監控與額外的安全措施，以證明安全性。
自動化管理（Automated dose titrations）：最終階段，完全無提供者介入，採用自動化的安全測量。

在這個最終階段，關鍵目標是證明其安全性。這由斯洛維尼亞的 Andrej Janez 教授進行的 DGS 試驗所證實（他剛在週四發表了這項熱騰騰的研究結果）。這是一項前瞻性、單臂試驗，收錄了 45 位使用胰島素與 CGM 的成年糖尿病患者（平均年齡 63 歲，平均 HbA1c 7.6%，包含 15 位僅使用基礎胰島素的 T2D、15 位使用 MDI 的 T2D，以及 15 位使用 MDI 的 T1D）。

在導入期（Run-in）後，他們透過 App 使用 MODI 系統 10 週，接收每週的胰島素建議，並受到連續的演算法安全保護。

結果顯示，系統成功達到了安全終點，證明了不劣性（Non-inferiority）。從導入期到研究結束，病患低於 54 mg/dL 的時間從 0.5% 降至 0.4%，低於 70 mg/dL 的時間從 3.7% 降至 2.7%，高於 250 mg/dL 的時間也從 5.3% 降至 4.6%，甚至呈現出進一步減少的趨勢。

同時，系統也展現了卓越的療效，特別是在基線控制不佳的參與者中：

基線 A1c 大於 8% 的群體，其 HbA1c 從 8.8% 顯著下降至 7.9%（P=0.003）。
基線 TIR 低於 70% 的群體，其目標範圍內時間從 57.6% 顯著提升至 65.1%（P=0.007）。

成功導入 CDSS 的關鍵與未來展望

總結來說，要成功導入臨床決策支援系統，光有好的演算法是不夠的。

它必須建立在兩大支柱上：

臨床完整性與信任（Clinical Integrity & Trust）：必須首先證明其臨床有效性與安全性。同時，必須透過透明度（讓醫師了解輸出結果背後的邏輯，這也是我今天簡報的重點）來建立信任，進而獲得臨床醫師的接受與採用。
營運整合與易用性（Operational Integration & Usability）：系統必須無縫整合到臨床工作流程中，這依賴於高品質、具互通性的數據，以及直觀、以使用者為中心的設計。最終的成功採用，取決於它能否展現出真正的臨床與營運價值，同時符合法規與倫理標準。

最後，容我做個總結：

決策支援系統代表了糖尿病照護的全新演進。
面向臨床醫師與診所的平台能提升效率、改善工作流程並節省時間。
主動且直接的胰島素滴定（直接面向病患）是可行且安全的。
新興的**代理型 AI（Agentic AI）**系統代表了 AI 能力的重大躍進，它能透過支援臨床決策、提高工作流程效率與實現更主動的管理，徹底改變糖尿病照護。

我想強調一句話：AI 不會取代臨床醫師，但使用 AI 的臨床醫師，將重新定義糖尿病照護的交付方式。

非常感謝我在以色列施奈德兒童醫學中心（Schneider Children's Medical Center）的同事、DreaMed 的夥伴，以及 Helmsley Charitable Trust 和其他支持者的贊助。感謝大家的聆聽。