WFU

2025/07/11

OpenEvidence ：為醫療人員打造的 AI 引擎(Part 1) - 介紹篇



在資訊爆炸的時代，身為醫療人員，我們每天都被海量的醫學文獻追著跑, 每天發表的新文獻越來越多，光是「跟上最新進展」就已經成為一項幾乎不可能的任務。我們迫切需要一個聰明的工具，來幫助我們在臨床決策的當下，快速有效地從資訊海中撈出最關鍵的證據。
 
最近，一個名為 OpenEvidence 的 AI 平台應運而生，它號稱是「AI 驅動的臨床實證引擎」，目標是解決醫療領域的「資訊過載」問題。這究竟是一個貨真價實的革命性工具，還只是另一個被過度炒作的 AI 產品？今天，就讓我們一起來深入探討一下。

創辦人的願景


OpenEvidence 的創辦人丹尼爾·納德勒（Daniel Nadler）是一位背景相當特別的人物。他不僅擁有哈佛大學的計量經濟學博士學位，先前更創辦了專注於金融數據分析的 AI 公司 Kensho，該公司在 2018 年被標普全球（S&P Global）以超過 5.5 億美元的價格收購。
 
有了在金融這個高風險、高複雜性領域成功應用 AI 的經驗，納德勒將目光轉向了醫療。他和他的團隊意識到，臨床醫生在資訊過載的困境中，非常需要一個能快速提供可靠證據的工具。因此，OpenEvidence 在 2021 年成立，其核心使命定為：「組織並擴展全球的集體醫學知識」。

迅速崛起


關鍵發展與策略聯盟 

 OpenEvidence 的發展軌跡不像傳統醫療科技公司那樣緩慢，反而更像科技界的「閃電式擴張」。
 
關鍵的轉捩點發生在 2023 年 3 月，當時 OpenEvidence 成功入選了著名的梅奧診所平台加速器計畫（Mayo Clinic Platform Accelerate program）。這次合作不僅為平台帶來了頂級醫療機構的背書，更提供了真實世界的測試場域，大大提升了其信譽與實用性。
 
在資本方面，平台也獲得了頂級風險投資公司紅杉資本（Sequoia Capital）的支持。在 2025 年初，更宣布籌集了 7500 萬美元，公司估值超過 10 億美元，顯示市場對其潛力充滿信心。
 
為了確保訓練數據的品質，OpenEvidence 也積極與全球最頂尖的醫學期刊出版商建立策略合作關係，包括：
  • ✅ 《新英格蘭醫學雜誌》（NEJM Group）
  • ✅ 《美國醫學會雜誌》網絡（JAMA Network）
  • ✅ 愛思唯爾（Elsevier）平台（Clinical Key)
這些合作形成了一個良性循環：OpenEvidence 獲得了優質的內容授權，而這些頂級期刊也透過平台導入了大量的醫師使用者，提升了研究的能見度。

發展時間軸

從創立到市場驗證 回顧 OpenEvidence 的發展，可以看到幾個重要的里程碑：
  • 🎯 2021年11月：公司正式創立。
  • 🎯 2023年3月：入選梅奧診所平台加速器計畫。
  • 🎯 2023年7月：成為史上首個在美國醫師執業考試（USMLE）中得分超過 90% 的 AI。
  • 🎯 2024年8月：推出 iOS 與 Android 手機應用程式。
  • 🎯 2025年初：宣布由紅杉資本領投的 7500 萬美元融資。
  • 🎯 2025年2月-6月：陸續宣布與 NEJM 及 JAMA 達成內容合作。

從華爾街的金融分析，到臨床第一線的決策支援，OpenEvidence 的演進故事確實引人注目。它不僅僅是技術的展現，更是一種試圖改變醫師獲取知識方式的策略。
 
不過，一個平台的好壞，終究還是要看它的核心功能與技術實力。接下來將剖析 OpenEvidence 的核心架構、使用者界面，以及如何有效的提問。 

核心架構


通用型大型語言模型（如 ChatGPT）在醫療應用中存在一個致命缺陷：它們有時會產生「幻覺」（Hallucination），也就是捏造不實資訊。在人命關天的臨床環境中，任何錯誤都可能導致嚴重後果，因此這種缺陷是不可接受的。
 
OpenEvidence 的創辦人明確指出，他們的洞見在於「使用經同儕審查文獻訓練的、更小型的專業化 AI 模型，其表現優於應用於醫療領域的大型通用模型」。平台採用的是「專業模型的組合」（Ensemble of Specialized Models），而非單一的大型模型。
 
其核心技術基於「檢索增強生成」（Retrieval-Augmented Generation, RAG）系統。運作方式如下：
  1. 檢索 (Retrieve)：當使用者提出問題時，系統首先從其精心策劃的知識庫（超過 3500 萬篇同儕審查文獻、FDA 藥物標籤等）中，透過其「專有的證據檢索演算法」來檢索相關文件。
  2. 增強 (Augment)：系統會將檢索到的文件內容，作為生成答案的上下文（Context）。
  3. 生成 (Generate)：最後模型會「只」根據這些被檢索到的文件內容來生成答案。
這種方法將模型的輸出牢牢地錨定在可驗證的來源上，雖然幻覺仍有可能會出現，但這樣的步驟已極大化降低了產生幻覺的風險，並允許系統為每一條結論提供直接的文獻引用。這也是它與通用聊天機器人最關鍵的區別。
 

簡潔的界面


OpenEvidence 提供了網頁版和手機 App（iOS/Android），介面非常簡潔，以一個中央的查詢框為核心，沒有多餘的複雜操作界面。

使用者需要註冊帳戶，而美國的醫療保健專業人員（HCP）則需驗證其 NPI 號碼以獲得免費使用權限。

非驗證醫療人員（一般公眾）網頁版每週僅限兩題，但目前手機 App 版，帳號驗證機制目前非常寬鬆，請多多把握這段空窗期(?)時間好好玩它。
 
OpenEvidence 典型的回答包含以下幾個部分：
  • 🔹 學術風格文字：直接回應使用者問題的文字與段落，都常會用三至四個段落來回應。
  • 🔹 內文引用標記：在摘要內文的關鍵結論旁，會附上引用標記。
  • 🔹 參考文獻列表：摘要下方會列出所有參考文獻，每條文獻都直接連結到其在 PubMed 上的摘要頁面，方便使用者快速驗證資訊來源。


初步提問技巧


提問的品質決定了輸出的品質。要有效利用 OpenEvidence，我們需要學會提出「可回答的臨床問題」（Answerable Clinical Question）。實證醫學中的 PICO 架構 正是為此而生。
PICO 架構幫助我們將一個模糊的臨床情境，拆解成一個清晰、可檢索的問題：
  • P (Patient/Problem)：病人或問題是什麼？（例如：患有第二型糖尿病且已確立心血管疾病的成年患者）
  • I (Intervention)：考慮採用的介入措施是什麼？（例如：使用 SGLT2 抑制劑）
  • C (Comparison)：比較的對照措施是什麼？（例如：與安慰劑相比）
  • O (Outcome)：期望達成的結果是什麼？（例如：對主要不良心血管事件的影響）

一個模糊的問題，如「SGLT2 抑制劑對糖尿病患者好嗎？」，很難得到精確的答案。但若轉換成 PICO 格式的問題：「對於患有第二型糖尿病且已確立心血管疾病的成年患者（P），使用 SGLT2 抑制劑（I）與安慰劑（C）相比，對主要不良心血管事件（O）的影響是什麼？」，AI 就能更精準地去檢索並整合相關的臨床試驗證據。(提問時不需要寫 PICO，但包含這些元素越完整的提問，模型回應越精確)
 
這種針對特定臨床決策的提問，也稱為「前景問題」（Foreground Question），正是 OpenEvidence 這類工具最擅長處理的。

OpenEvidence 2.0 指定回應任務

圖片來源: OpenEvidence 網站

2024年12月，網站宣告 OpenEvidence 2.0 提供幾種帶有特殊目得的回應格式，好加速幫忙醫療人員在診斷與處理文書作業。

就讓我們來看下一篇 Part 2 - 指定回應任務，繼續介紹下去～



標籤： ,