慈濟大學

文/照片：護理學院 陳怡曉

適逢慈濟成立六十周年，「2026慈濟醫學年會」由醫療、教育、慈善與人文志業體共同攜手合作。慈濟大學護理學院於115年3月6日至3月7日舉辦「慈濟醫學年會—專業講座」，邀請不同領域的專家學者分享系統性文獻回顧（Systematic Review）、實證醫學（Evidence-Based Medicine, EBM）、統合分析（Meta-analysis）以及生成式人工智慧（Generative Artificial Intelligence, GenAI）在醫療領域中的應用。透過兩天密集且充實的課程，使與會者對醫療研究方法及醫療科技未來發展有更深入的理解。

活動第一天邀請杜克－新加坡國立大學醫學院的Edwin Chan Shih-Yen教授授課。Edwin Chan教授是臨床流行病學（Clinical Epidemiology）與實證醫學領域的國際學者，擁有超過二十年的臨床研究與證據整合經驗，目前擔任新加坡臨床研究院（Singapore Clinical Research Institute, SCRI）首席科學官，同時也是Cochrane Singapore主任，長期致力於推動系統性文獻回顧與臨床研究方法的發展。

在課程開始時，教授首先介紹系統性文獻回顧的基本概念。與一般敘述性文獻回顧不同，系統性文獻回顧需依循嚴謹且透明的研究流程，包括研究問題設定、文獻搜尋策略、文獻納入與排除標準、研究品質評估以及研究結果整合等步驟。透過系統化的研究過程，可以降低研究者主觀判斷造成的偏差，使研究結果更具科學性與可信度。臨床決策應建立在最佳研究證據之上，而非僅依賴個人經驗或單一研究結果。隨著醫療研究文獻持續增加，若缺乏系統性整理與分析，醫療人員將難以全面掌握研究成果，因此系統性文獻回顧成為整合研究證據的重要方法。

在研究問題設定方面，教授特別介紹PICO架構，包括Population（研究對象）、Intervention（介入措施）、Comparison（比較組）以及Outcome（結果指標）。透過PICO架構，研究者能清楚界定研究核心問題，並提升文獻搜尋的精準度。例如在探討某種治療方式是否能改善疾病症狀時，必須明確定義研究對象、治療方法、比較方式及評估結果。若研究問題設定不夠明確，可能會搜尋到大量不相關文獻，增加研究整理與分析的困難。

確立研究問題後，下一步即為文獻搜尋。教授指出，系統性文獻回顧的文獻搜尋應盡可能全面，以避免遺漏重要研究。研究者通常需透過多個資料庫進行搜尋，並建立合適的關鍵字與搜尋策略。同時，也必須訂定明確的文獻納入與排除標準，以確保研究結果的一致性與客觀性。教授透過案例說明，若納入標準過於寬鬆，可能導致研究品質不一致；若過於嚴格，則可能排除具有價值的研究，因此需要在標準設定上取得適當平衡。

完成文獻篩選後，研究者需進一步評估研究品質與研究偏差（Risk of Bias）。不同研究可能因研究設計、樣本數或資料收集方式不同，而產生不同程度的偏差，因此在整合研究結果前，必須仔細評估每篇研究的可信度。通常會使用標準化評估工具，以確保評估過程具有一致性與客觀性。

當多篇研究符合納入標準後，即可進行統合分析（Meta-analysis）。統合分析是一種統計方法，透過整合多個研究數據，可以提升研究結果的統計能力，使結論更具可靠性。教授介紹了統合分析中的重要概念，包括效果值（Effect Size）、信賴區間（Confidence Interval）以及森林圖（Forest Plot）的解讀方式。透過森林圖，研究者可以清楚觀察各研究結果的分布情形，以及整體分析結果的方向與效果。

此外，教授也說明統合分析中的另一個重要概念——研究間異質性（Heterogeneity）。當不同研究結果之間存在較大差異時，可能與研究對象、研究方法或介入措施不同有關。在此情況下，研究者需進一步分析異質性的來源，並評估是否適合進行整合分析。這些說明使我對統合分析的研究邏輯有更深入的理解。

課程中，教授亦介紹研究分析工具RevMan Web，說明如何將研究數據輸入系統並產生分析圖表。RevMan Web是進行系統性文獻回顧與統合分析常用的工具之一，能有效協助研究者整理研究資料並進行統計分析。透過此次課程，不僅理解統合分析的理論，也對研究工具的實際應用有初步認識。

完成統合分析後，研究者仍需評估整體證據品質，而這正是GRADE系統的重要功能。教授說明，GRADE系統會從研究設計、研究結果一致性、證據直接性、資料精確度以及出版偏差等多個面向評估證據品質，並將其分為高、中、低與極低等不同等級。透過此評估方式，可協助醫療專業人員在制定臨床指引或進行醫療決策時，更清楚了解研究證據的可靠程度。

整體而言，專業講座讓我對系統性文獻回顧、統合分析與實證醫學研究方法有了更完整的理解，也深刻體會到在現代醫療環境中，以研究證據作為臨床決策基礎的重要性。透過此次課程的學習，不僅提升對醫學研究方法的認識，也啟發在未來學習與研究中，更重視實證醫學思維，並將研究證據應用於醫療與護理實務之中，以提升醫療照護品質。

除系統性文獻回顧與實證醫學相關課程外，活動第二天也安排「生成式人工智慧在醫療領域的應用」專題課程，由輔仁大學附設醫院藥劑部的劉人瑋老師進行分享。老師首先介紹生成式人工智慧（Generative Artificial Intelligence, GenAI）的基本原理，說明人工智慧如何透過大量資料進行訓練，學習語言結構與知識模式，進而生成新的內容。隨著人工智慧技術的快速發展，生成式AI逐漸被應用於教育、研究與醫療等不同領域，並展現出相當大的發展潛力。

在醫療領域中，生成式AI可協助醫療人員進行文獻搜尋、資料整理與知識整合。例如在進行研究或撰寫報告時，AI能快速整理相關文獻資訊，協助研究者建立初步研究架構，提升研究效率。此外，在醫學教育方面，AI也能幫助學生理解複雜的醫學概念，提供即時的學習輔助，進而提升學習效率與理解能力。

課程中另一個重要主題是「Prompt Engineering」，也就是提示工程。在使用生成式AI時，提問方式會直接影響AI回應的品質。若提問過於簡單或模糊，AI可能無法提供具體且有用的資訊；相反地，若能清楚描述問題背景、提供必要資訊並設定明確目標，AI就能產生更符合需求的內容。因此，學會設計清楚且有效的提示語句，是善用AI工具的重要能力。

透過實際案例示範如何與AI進行有效互動。例如在詢問醫療研究相關問題時，若能提供研究主題、研究目的與期望結果，AI便能更容易理解需求並提供適當建議。透過示範，了解到生成式AI並不只是單純的問答工具，而是一種需要透過良好溝通與引導，才能發揮最大效益的智慧系統。

然而，在使用AI時仍需保持專業判斷與批判思考。由於AI是透過資料訓練產生內容，有時可能出現錯誤或不完整的資訊，因此使用者仍需要進一步查證與評估。在醫療領域中，AI應被視為輔助工具，而非完全依賴的資訊來源。醫療專業人員仍需以專業知識與臨床經驗進行判斷，以確保資訊的正確性與可靠性。

最後的講座透過即時互動平台Slido進行提問與交流。與會者可以透過手機提交問題，講者則即時回應。這種互動方式使整場講座更具參與感，也讓更多不同觀點得以被提出與討論。透過這樣的交流過程，參與者不僅能釐清學習過程中的疑問，也能從他人的提問中獲得新的啟發。

整體而言，此次專業講座讓與會者獲得豐富的學習經驗。不僅加深了對系統性文獻回顧與實證醫學研究方法的理解，也認識到生成式人工智慧在醫療領域中的發展潛力。隨著醫療知識持續快速累積，若能善用系統性研究方法整合證據，並結合人工智慧工具進行資料分析與整理，將能更有效率地取得與運用資訊。

此次不僅是學術知識的學習，更拓展視野，未來在學習與專業發展中，希望持續培養實證醫學思維，學習評估研究證據並應用於臨床實務，同時關注人工智慧在醫療領域的發展，善用科技工具提升研究與工作效率，深刻體會到跨領域合作的重要性。面對複雜的醫療問題，醫師、護理師、藥師、研究人員與資訊科技專業人員的合作與交流，將有助於提升醫療照護品質並促進醫療科技創新。

此活動提供了一個結合理論與實務的學習平台。透過講者深入淺出的分享，使實證醫學與人工智慧在醫療領域中的應用有了更全面的理解。此次學習經驗不僅提升專業知識，並將所學應用於醫療與護理實務之中，為提升醫療照護品質貢獻一份力量。