一份最新報告指出，結合因果機器學習與強化學習的「處方性 AI」正逐步改變重症照護。這項技術不再只是預測病患病情惡化，而是能主動提供個人化的治療建議，協助醫生在緊急狀況下做出更精準的決策，最終目標是為每位病患在最關鍵時刻提供最合適的治療。
一份最新報告指出，結合因果機器學習與強化學習的「處方性 AI」正逐步轉變重症照護，不再僅是預測病患病情惡化，而是能主動引導治療方向，協助臨床醫師在關鍵時刻做出更即時、個人化的精準決策。
根據《News-Medical》昨日的報導，處方性 AI 的核心在於利用兩種主要的機器學習（ML）技術。因果機器學習（Causal ML）著重分析不同治療方案對個別病患的實際效果，而非僅是找出相關性，藉此估計個人化治療的最佳方案。強化學習（RL）則將重症照護情境視為連續的決策過程，透過優化一系列介入措施，以應對病情的複雜與動態變化。
這類 AI 工具的發展旨在填補重症加護病房（ICU）內個人化治療的需求，該環境下醫師需依據複雜且不斷變化的數據迅速做出判斷。AI 的應用已從單純的預測患者病況，轉向更為精準的個人化治療指引與決策優化。
然而，實施處方性 AI 仍面臨多重挑戰。例如數據品質問題，包括資料遺失與不一致性；此外，AI 系統的「可解釋性」也至關重要，必須讓臨床醫師理解其建議的推論邏輯。無縫整合至快節奏的醫療工作流程，以及確保病患隱私與資料安全，亦是發展過程中不可忽視的環節。報告也強調，這些 AI 系統的前瞻性驗證極為關鍵，因回溯性分析與離線評估的準確度，可能無法完全反映其在真實動態環境中的表現。
在考量 AI 公平性方面，報導指出歷史醫療數據可能反映既有的不平等現象，因此需要持續審核並進行公平性再訓練。未來的發展方向，因果機器學習將朝向透過目標試驗模擬與時變混淆處理方法，以取得更可靠的治療效果預估。強化學習則將利用保守 Q 學習等技術，限制不安全的外推行為。研究者也提出「數位分身」（Digital twins）——一種結合生理學與即時數據的虛擬病患模型——可作為 AI 系統的安全測試環境。
該報導總結，處方性 AI 系統本質上是輔助決策的工具，臨床醫師仍保有最終的醫療決策權。若能以負責任的態度進行開發，這項技術有望為病患在最恰當的時機，提供最正確且個人化的治療。