WFU

2025/07/11

OpenEvidence :為醫療人員打造的 AI 引擎(Part 2) - 指定回應任務

在上一篇文章中,我們介紹了 OpenEvidence 這個專為醫師打造的 AI 實證搜尋引擎,並探討了其背後的技術架構與基本的 PICO 提問技巧。理論說再多,不如實際操作一次來得深刻。(笑)
 
OpenEvidence 2.0 提供了多種不同的特定輸出格式或應用:
  • 強化的診斷推理支援

  • 支援 50 多種廣泛使用的臨床計算器 (目前網站上無清單列表可參考)

  • 詳盡的藥物專論模型,以及依循指引的模型

  • 撰寫病患衛教手冊

  • 生成表格的功能

  • 行政工作,例如根據證據撰寫事前給付授權函(包含引用與參考文獻)

 
今天,我們就來進行一場實戰演練。假設我們在門診遇到一位需要調整治療計畫的慢性腎臟病(CKD)患者,看看 OpenEvidence 如何在整個臨床工作流程中,從查詢指引、計算風險,到撰寫衛教單張和事前授權信,成為我們的得力助手。

臨床情境 (Scenario) 


 一位 68 歲的男性患者,患有第三期慢性腎臟病(eGFR 35 mL/min/1.73 m²),尿蛋白與肌酸酐比(UPCR)為 2,500 mg/g。他沒有糖尿病,但有高血壓病史,目前使用 Valsartan 160mg/天,血壓控制良好。 

身為他的腎臟科醫師,我計劃為他開立 SGLT2 抑制劑,以減緩腎功能惡化並降低蛋白尿。 面對這個情境,我們在臨床上會有一連串的疑問和任務需要完成。現在,讓我們看看如何向 OpenEvidence 提問,來一一解決這些問題。 

---

任務一:查詢治療指引 (Ask about Guidelines) 

關鍵字:recommendations / guidelines 

首先,最基本的問題是:我的治療計畫是否符合最新的國際指引?

提問: What are the current KDIGO recommendations or guidelines for initiating SGLT2 inhibitors in patients with CKD without diabetes? (response in zh-TW)

這個問題能幫助我們快速確認,對於非糖尿病的 CKD 患者,使用 SGLT2 抑制劑的適應症、eGFR 門檻以及建議。 

任務一:查詢治療指引 (Ask about Guidelines)

示範圖:查詢治療指引 (Ask about Guidelines)


---

任務二:計算風險分數 (Calculate a Risk Score) 

關鍵字:Calculate _______ score

接下來,為了更精準地評估患者的預後,並與他溝通疾病的嚴重性,我們可以請 AI 計算風險分數。
 
提問:  Calculate this patient’s KDIGO CKD risk category based on eGFR 35 mL/min/1.73 m² and UPCR 2,500 mg/g. 

 OpenEvidence 應該能根據最新的 KDIGO 指引,直接告訴我們這位患者處於哪個風險級別(例如:紅色,非常高風險),讓我們能更有依據地制定治療策略。 


---

任務三:撰寫衛教單張 (Write a Patient Handout) 

關鍵字:patient handout

醫病共享決策(SDM)是現代醫療的核心。要讓患者安心地接受新藥物,一份清晰易懂的衛教單張不可或缺。

提問:  Write a clear, patient-friendly handout (in zh-TW) explaining why and how to start an SGLT2 inhibitor in CKD stage 3—cover benefits , possible side effects  monitoring, and when to call the clinic. 

這個功能真的非常實用!AI 可以快速生成一份結構完整、語言友善的衛教資料,我們只需要根據患者的具體情況稍作修改,就能省下大量時間。 系統還設置有下載成 .docx 格式的功能,真是貼心。


---

任務四:快速臨床諮詢 (Quick Curbside Consult) 

(無特別關鍵字)

在使用新藥物時,總會有些細節需要考量。例如,這位患者已經在使用 ARB,再加上 SGLT2 抑制劑,是否會增加急性腎損傷的風險?
 
提問:  Given the patient’s baseline eGFR of 35 and current use of valsartan, should we repeat labs after SGLT2 initiation to assess for acute eGFR drop? (response in zh-TW)

這個問題模擬了我們向專家請教的情境,AI 會根據現有文獻,提供關於監測頻率和方法的建議。 

---

任務五:表格呈現 (Table) 

關鍵字:Make a table

表格的整理,易於吸收與了解。可適時使用表格來呈現資訊。例如,這位患者若想轉換對應 valsartan 的其它 ARB 藥物劑量,可以這樣問…

提問: Make a table for the equivalent doses of other ARBs corresponding to 160 mg of valsartan. 

不管是要整理不同種類的藥物劑量(例如:類固醇),還是要整理鑑別診斷的表表,適時使用「Table」都可幫助思緒更清楚。




---

任務六:草擬事前授權信 (Write a Prior Auth Letter) 

關鍵字:Prior Auth Letter

這功能在台灣用不到,但在美國,處理保險公司的藥物事前授權(Prior Authorization)是一大痛點。
 
提問:  Draft a prior authorization letter requesting coverage for empagliflozin (10 mg daily) for CKD progression from the patient’s insurer (e.g., Cigna), including clinical justification, labs (eGFR 35, UPCR 2500), and supporting guideline references. 

 AI 能自動生成一封格式完整、論點清晰、並附上文獻證據的信件,這無疑能大大減輕醫師的行政負擔。



用英文問?用中文問?



目前 OpenEvidence 支援多國語言,用英文問會用英文回答,用中文問會用中文回答。我個人的使用經驗,「英文」提問的品質會比較好一點,我個人建議使用「English」來提問,特殊回應格式的關鍵字也會比較明確,可在提問中直接指定「中文」輸出(我習慣寫 "zh-TW" 或 ”response in zh-TW”),這樣回應就會是中文為主的內容了。

結語


經過以上認真無厘頭的分析後,我們可以看到,像 OpenEvidence 這樣的 AI 工具,其價值不僅僅是「找答案」。它更有潛力融入我們整個臨床工作流程,從知識獲取、風險評估、醫病溝通,到行政工作,全方位地提升醫療效率與品質。

不過一定要牢記,AI 不是萬能的,它也有其限制與風險,幻覺還是會有的,而且模型的回應方向會因為提問者的發問而順勢轉彎。盡信書、不如無書;同樣的,盡信 AI、不如無 AI。