生成式 AI 於 ADL/IADL 失能評估中的角色

生成式 AI 在 ADL/IADL 失能評估中的角色：從資料收集到長期照護

章節大綱

1. 為什麼 ADL/IADL 是生成式 AI 介入復健評估的關鍵場域

• ADL/IADL 是失能評估的核心，反映個案在真實生活中的活動限制與參與困難。
• 傳統評估常依賴診間問答、量表、治療師觀察或照顧者回報。
• 這些資料常有三個限制：片段化、缺乏真實環境脈絡、難以長期追蹤。
• 生成式 AI 與 AI agents 的潛力在於將評估從「一次性診間事件」轉為「持續、情境化、可回饋的照護流程」。

2. 從固定清單到個案需求與優先順序

• ADL/IADL 評估不應從固定項目開始，而應先問個案最在意的生活任務。
• AI chatbot/agent 可協助釐清：
  • 個案最想改善的活動。
  • 哪些活動最影響獨立性、角色、尊嚴與生活品質。
  • 哪些活動最危險、最費力或最造成照顧負擔。
• AI 可產生 priority map，協助臨床人員與個案共同決定評估重點。

3. AI 作為適性訪員：PRO 與照顧者資料收集

• 生成式 AI 可進行適性訪談，而非僅呈現固定問卷。
• 可收集：
  • patient-reported outcomes。
  • caregiver-reported observations。
  • 疼痛、疲勞、害怕跌倒、認知困難、情緒壓力。
  • 協助需求與環境障礙。
• AI agent 可根據回答追問、澄清、改寫問題，並把自由敘述轉成結構化資料。

4. 真實環境資料：影片、語音與居家情境證據

• ADL/IADL 的失能最好在實際環境中理解。
• 個案或家屬可錄製短影片，例如移位、穿衣、煮飯、用藥、購物或外出。
• 多模態 AI 可初步整理：
  • 任務步驟。
  • 動作困難。
  • 安全風險。
  • 環境障礙。
  • 輔具或照顧者協助。
• 重點是 AI 先做整理與提示，不直接做最終判斷。

5. AI 對資料整合與臨床文件化的貢獻

• ADL/IADL 評估資料通常分散在訪談、量表、影片、照顧者敘述與病歷中。
• AI agent 可整合並輸出：
  • 臨床摘要。
  • ADL/IADL 任務表現紀錄。
  • ICF 對應。
  • PRO 與實際表現的一致/不一致。
  • 待臨床確認清單。
• 這部分是 AI 最可能快速接手的臨床功能之一。

6. 從評估到介入建議：AI 是否開始跨越臨床邊界

• AI 不只整理資料，也可能提出初步介入建議。
• 例如：
  • 環境調整。
  • 輔具建議。
  • 照顧者提醒。
  • 居家練習。
  • 安全策略。
  • 復健目標草案。
• 這是具爭議性的部分：當 AI 開始建議介入，臨床人員的角色從「產生建議者」轉為「審查、校正與負責者」。

7. AI 支援長期追蹤與形成性評估

• ADL/IADL 失能會隨疾病進展、復健、環境變化與照顧資源而改變。
• AI agent 可進行：
  • 定期或不定期追蹤。
  • 比較不同時間點的 PRO。
  • 比較居家影片變化。
  • 偵測惡化或新風險。
  • 提醒重新評估。
• 這使 ADL/IADL 評估從 summative assessment 轉為 formative, longitudinal assessment。

8. 哪些功能可能被 AI 接手，哪些仍需臨床人員

• AI 可能接手：
  • 初步訪談。
  • 資料收集。
  • 影片初步描述。
  • 文件初稿。
  • 追蹤提醒。
  • 低風險教育與建議草案。
• 臨床人員仍需負責：
  • 複雜判斷。
  • 風險與倫理決策。
  • 個案價值與優先順序協商。
  • 不一致資料的解釋。
  • 最終介入計畫與責任承擔。

9. 必要保障與設計原則

• 知情同意。
• 隱私與居家影像保護。
• AI 輸出可追溯。
• 臨床驗證。
• 跨障礙族群的公平性測試。
• 可近用設計。
• 個案與照顧者共同設計。
• 明確標示 AI-generated 與 clinician-endorsed 內容。

10. 小結：ADL/IADL 評估作為復健 AI 轉型的試金石

• ADL/IADL 評估顯示 AI 對復健的衝擊不只是效率提升。
• 它可能改變資料如何被收集、誰先解讀資料、誰提出建議，以及臨床責任如何分配。
• 因此，真正的問題不是 AI 能否取代復健臨床人員，而是哪些復健功能將被 AI 吸收，哪些人類角色必須被重新定義。