AWS 在 ２０２６ 年 ５ 月公開 Amazon Connect Health 的技術設計，這是一個值得關注的醫療 AI 訊號。
它的重點不是再說「AI 可以幫醫師節省時間」，而是更具體地回答一個醫療場景最難的問題：這個 AI 為什麼值得信任？
醫療 AI 不能只看生成品質。它要能說明來源、對齊臨床流程、避免幻覺、處理例外、保留人工審查，還要在錯誤成本很高的情境下穩定運作。
Amazon Connect Health 做哪些事？
AWS 把 Amazon Connect Health 分成幾個 point-of-care 與 patient-facing 能力。
| 場景 | 功能 |
|---|---|
| Pre-visit | 整理病患歷史、近期事件、活躍疾病與照護缺口 |
| During visit | 用 ASR 轉錄醫病對話，產生臨床筆記 |
| Post-visit | 從醫療筆記產生 ICD、CPT、modifier 與編碼證據 |
| Patient engagement | 語音 agent 處理身份驗證、保險查核、預約、改期和取消 |
這些任務不是一般聊天助理能直接處理的。
它們需要結構化輸出、臨床規則、醫療資料整合、來源追蹤和人工升級。
為什麼 evidence mapping 很重要？
AWS 反覆強調 evidence mapping 和 source tracing。
原因很直接：醫療 AI 的問題不是只要回答看起來合理，而是每個結論都要能追到原始病歷、醫療筆記或臨床對話。
例如醫療編碼時，AI 不只是丟出 ICD 或 CPT code。它還要把每個 code 連回支持它的醫療筆記句子，並給出 confidence score。
這讓人類 coder 或醫療團隊可以檢查：
- 這個診斷碼是否有證據。
- 這個處置碼是否符合醫療必要性。
- ICD 與 CPT 是否互相支持。
- 模型是不是把不存在的資訊補進去了。
可信醫療 AI 不是「模型說了算」，而是「模型提出可查核草稿」。
小模型微調為什麼反而重要？
AWS 提到一個很實際的結果：在 ambient medical documentation 任務裡，domain fine-tuned 小型 LLM 比大型通用 foundation model 更適合。
原因不是小模型比較聰明，而是任務更窄、格式更明確、資料更專業。
醫療筆記需要：
- 符合醫師偏好的 template。
- 足夠完整但不能太冗長。
- 對齊 Assessment and Plan。
- 能支持後續治療和 billing。
- 低延遲。
- 可控成本。
在這種場景，專門微調的小模型可能比泛用大模型更穩、更快、更便宜。
這對企業 AI 很有啟發：不是每個任務都要用最大模型。高價值垂直場景常常需要 domain training、固定評估集和流程整合。
Patient-facing agent 為什麼要用決策樹式設計？
Amazon Connect Health 的病患互動 agent 會處理身份驗證、保險確認、預約、改期、取消和查詢。
這種任務不能讓 agent 自由發揮。
AWS 描述的是 decision-tree-style reasoning-action design：每一步檢查條件，符合才進下一狀態，需要時呼叫 MCP tools，並在高風險或不確定情境升級人工。
這很重要。
病患可能講錯資訊、情緒激動、提出醫療緊急問題，或試圖繞過身份驗證。Agent 必須知道什麼時候不能繼續自動處理。
醫療 AI 的基本安全層
從 AWS 的設計可以整理出可信醫療 AI 的幾個基本層：
- Domain-specific training。
- 結構化 template。
- 來源證據映射。
- Automated evaluation。
- Manual clinical specialist review。
- Guardrails。
- Output format validation。
- Human escalation。
- Role-play evaluation。
- 持續監控與版本審查。
這些層加起來，才是「可信」。
只把通用 LLM 接到病歷資料庫，不叫可信醫療 AI。
對一般企業有什麼啟發？
即使你不做醫療，這個案例也有參考價值。
醫療場景只是把 AI 產品的要求放大：
- 結論要有來源。
- 高風險動作要人工確認。
- 小模型加微調可能更划算。
- 任務要拆成狀態和工具。
- 評估不能只看一次 demo。
- 例外情境比成功案例更重要。
這些原則同樣適用於金融、法務、客服、人資和資安。
結論
Amazon Connect Health 的訊號很清楚：高風險產業的 AI 不會靠「最大模型」取勝，而會靠「可查核工作流」取勝。
模型只是其中一層。
真正的產品能力在於證據鏈、評估、人工審查、guardrails、工作流狀態管理，以及能否把 AI 輸出接回專業責任系統。