Q1、目前在臺灣已有一個機制，稱為 CIRB，主要用於加速藥物臨床試驗的倫理審查流程， 這樣的審查機制，是否也適合延伸應用到 AI 相關研究？特別是像 AI 模型驗證（validation）、臨床效益評估（clinical impact study），還是模型開發（model development）的研究設計。 AI 研究在本質上與傳統藥物試驗不同，例如具有動態更新、資料依賴性高、以及跨機構資料整合等特性。在這樣的前提下，是否適合沿用 CIRB 這種以「一次性審查、固定 protocol」為核心的機制？
現行的 CIRB (聯合人體試驗委員會) 機制是為「標準化、不輕易變動」的流程設計的。根據這個特性，這三種 AI 研究的適合程度如下：
一、外部驗證研究 (Validation Study) — 最適合
- 原因：這類研究通常是「收案、去識別化、跑模型、比對結果」，流程極度標準化。
- CIRB 優勢：AI 模型需要跨院（Multicenter）數據來證明通用性，CIRB 能一次解決多間醫院的行政審查，大幅加速數據收集與驗證的效率。
- 關鍵：只要模型版本在驗證期間保持固定，它是目前最能直接套用 CIRB 的類別。
二、實務叢集隨機對照試驗 (Pragmatic Cluster RCT) — 部分適合
- 原因：這類試驗是在真實臨床流程中比較「有 AI」與「無 AI」的差異，通常以「病房」或「醫院」為隨機分配單位。
- CIRB 挑戰：雖然多中心審查有助於擴大規模，但每間醫院的臨床流程（Workflow）不同，AI 嵌入的方式可能需微調。
- 結論：適合使用 CIRB 建立核心倫理架構，但各醫院仍需保留對其「流程變更」的最終核准權。
三、AI 模型開發研究 (Development Study) — 最不適合
- l 原因：開發階段具有高度迭代性（Iterative）。工程師可能每天都在調整參數、更換特徵（Features）或清洗數據。
- l CIRB 衝突：傳統 CIRB 要求「一次性核准固定 Protocol」。如果每次微調模型都要跑一次中央變更申請（Amendment），研發進度會被行政流程拖垮。
- l 建議：這類研究較適合由單一機構的 IRB 進行彈性滾動式審查，而非透過集中的 CIRB 處理。
| 研究類型 | 適合程度 | 核心理由 |
|---|---|---|
| 外部驗證 | ★★★★★ | 流程固定，最需跨院數據整合。 |
| 實務 RCT | ★★★ | 倫理框架一致，但需兼顧各院流程差異。 |
| 模型開發 | ★ | 變動太快，行政審查速度趕不上開發速度。 |
Q2、在傳統推論型 AI 中，外部驗證相當重要。因此我們於衛生福利部設置了 AI 外部驗證中心，用於收集各類疾病的病患資料，以建立兼具族群平衡與區域平衡的全國性代表性資料集，用來支持 AI 的驗證。請問在這種多中心研究情境下，倫理審查的重點為何？又應如何加速審查流程？
當驗證中心具備「資料合成」、「族群平衡」與「區域平衡」等功能時，IRB 委員會最關注以下面向：
一、資料代表性與公平性 (Algorithmic Fairness)
- 審查重點：驗證中心如何定義「平衡」？是否涵蓋了罕見疾病、偏鄉族群或不同醫療體系（醫學中心 vs. 基層診所）的資料，以避免 AI 在落地後產生偏見。
二、去識別化與重識別風險 (Re-identification Risk)
- 審查重點：即使是合成資料（Synthetic Data），仍需審查其原始特徵是否可能被「反向推論」出真實病患。必須有第三方技術審計確保去識別化程度。
Q3、AI 可分為傳統推論型（例如 XGBoost、CNN）、生成式 AI（Generative AI），以及代理人 AI（Agentic AI）。請問這三種類型的 AI，在倫理審查上的重點分別為何？
| 研究階段 | 推論型 AI (XGBoost, CNN) | 生成式 AI (GenAI, LLM) | 代理人 AI (Agentic AI) |
|---|---|---|---|
| 1. 模型開發 (Development) | 重點：資料正義性 1. 訓練資料的代表性（有無偏見）。 2. 標註者的資歷與一致性。 3. 原始資料的去識別化與隱私授權。 |
重點：隱私與真實性 |
重點：任務範圍與安全邊界 1. 定義 Agent 可自主執行的「任務清單」。 2. 推理過程的記錄機制（Traceability）。 3. 模擬環境（Sandboxing）中的安全測試。 |
| 2. 模型驗證 (Validation) | 重點：外部效能與可解釋性 1. 跨院驗證的穩定度。 2. 醫師是否能理解決策邏輯（SHAP/LIME 等工具）。 3. 效能基準（Baseline）的定義。 |
重點：產出安全性與幻覺監控 1. 用「挑戰者」的角度去測試：生成錯誤資訊（hallucination） 2. 輸出有害內容（例如仇恨言論） 3. 被誘導違反規範（例如教人做違法事情） 4. 洩漏敏感資訊。 5. 醫療正確性與專家共識對比。 6. 輸出過濾機制（Filter）的有效性。 |
重點：決策鏈與干預機制 1. 測試 Agent 在複雜場景下的決策路徑。 2. 人工接管（Override）的觸發速度測試。 3. 長時間運作下的邏輯穩定性。 |
| 3. 模型落地 (Implementation) | 重點：臨床效益與偏移監測 1. 對醫師決策行為的影響。 2. 效能漂移（Drift）的定期通報流程。 3. 輔助診斷與最終醫療責任的歸屬。 |
重點：責任歸屬與醫病溝通 1. 病患是否有權知悉正在與 AI 互動。 2. 醫師對產出內容的簽章核對（Final Sign-off）機制。 3. 誤導性醫學建議的即時下架機制。 |
重點：自主權限與問責體系 1. 建立權限分級（例如：輔助建議 vs. 自主執行）。 2. 事件發生時的「決策黑盒子」還原機制。 3. 系統自主權對醫療常規造成的倫理衝擊評估。 |
Q4、關於資料去辨識以及資料不出院的原則，請問在美國，電子病歷相關研究的倫理審查是如何進行的？其具體要求為何？對這些標準是否有嚴格的規範？
一、美國電子病歷相關研究的倫理審查作法
在美國，電子病歷（EHR）相關研究的倫理審查主要由 HIPAA（醫療保險流通與責任法案） 與 Common Rule（聯邦人體試驗保護法規） 兩大架構共同規範。「資料去辨識」與「資料不出院」原則，美國的執行邏輯非常嚴謹且高度標準化，其核心在於「風險分級」與「法律責任」。
i.安全港法 (Safe Harbor Method) — 最嚴格的清單法
- 要求：必須移除 18 項特定的個人辨識碼（包括姓名、詳細地址、電話、傳真、所有早於「年」的日期、MRN、身分證號等）。
- 特性：這是最常見的路徑。其標準極度明確，IRB 審查時只要確認清單中的 18 項確實移除，程序非常快。
- 缺點：會大幅降低資料的臨床研究價值（例如無法分析 30 天內的再入院率，因為日期被刪除）。
ii. 專家判定法 (Expert Determination Method) — 基於風險的統計法
- 要求：由具備統計學背景的專家證明「剩餘資料被重新辨認的風險極小（Very Small Risk）」。
- 特性：允許保留部分研究必要的細節（如具體入院日期）。這在 AI 模型開發中非常常見，但需要專家的統計證明報告供 IRB 備查。
二、 資料不出院原則：有限資料集 (Limited Data Set, LDS)
當研究需要保留較多資訊（如 5 碼郵遞區號或完整日期），導致無法完全達到上述去辨識標準時，美國通常採取 「資料不出院 / 受控輸出」 的邏輯：
i.簽署資料使用協議 (Data Use Agreement, DUA)：
- 這是法律文件。研究者必須承諾資料僅用於特定目的、不嘗試重新辨認身分、且具備完善的安全保護措施。
ii.電子安全邊界 (Digital Firewall)：
- 許多醫學中心（如 Stanford 或 Mayo Clinic）會建置 「安全研究環境」(Secure Research Environment)。研究者透過遠端桌面登入醫院伺服器運算，「原始資料不出院，僅產出結果可下載」。這與您在衛福部推動的外部驗證中心邏輯高度一致
三、 倫理審查 (IRB) 的具體流程與要求
美國 IRB 在審查 EHR 研究時，重點不在於「是否利用資料」，而在於「知情同意的豁免」。
- 審查重點：
- 隱私風險極小：是否有完善的去辨識化或 DUA 協議？
- 研究不具可行性：若不豁免知情同意（例如要找回十年前的萬名病患簽字），研究是否就無法進行？
- 對受試者權益無不良影響。
- 嚴格程度：非常嚴格。如果研究者未經許可將 PHI 帶離醫院，醫院將面臨巨額民事罰款甚至刑事責任，因此醫院 IRB 通常會要求使用醫院內部的安全運算平台。
| 項目 | 美國標準 (HIPAA/Common Rule) | 臺灣現狀/趨勢 |
|---|---|---|
| 去辨識標準 | Safe Harbor (18項) 或 專家判定 | 依個資法及衛福部去識別化指引 |
| 日期處理 | 嚴格限制（Safe Harbor 僅能留年份） | 臨床研究常需具體日期，審查較彈性 |
| 資料外傳 | 必須簽署 DUA，否則極難跨機構 | 去辨識並詳細說明資料保管，使用權限，使用目的。 |
| 技術配套 | 強調 Secure Enclave (研究沙盒) | 規劃推動衛福部資料研究用多中心電子病歷暫存伺服器 |
Q5、如果是務實性隨機臨床試驗（pragmatic randomized trial），且採用群組隨機設計（cluster randomized trial），在許多情況下逐一取得個別受試者的知情同意有困難。請問目前國際上通行的倫理原則為何？特別是當研究以醫師為單位進行隨機分配（例如分為使用 AI 輔助與未使用 AI 輔助兩組）時，在這種情境下，個別病人是否仍需要簽署知情同意書？此外，國際上（如倫理指引或專業學會）對於此類 cluster randomized trial 的倫理審查作法為何？
針對「群組隨機對照試驗（Cluster Randomized Trial, CRT）」且以「醫師/單位」為隨機分配對象的情境，國際通行的倫理指引主要參考 《渥太華聲明》（The Ottawa Statement）。
一、核心倫理原則：誰才是「受試者」？
在 CRT 中，倫理審查的第一步是界定「受試者（Human Subject）」的身分。這直接決定了是否需要取得知情同意（Informed Consent）：
- 醫師作為受試者：如果研究僅是觀察 AI 是否改變醫師的開藥行為、診斷準確度，且不涉及收集病人的私密個資，醫師才是主要受試者。此時通常僅需取得醫師同意。
- 病人作為受試者：如果研究會收集病人的預後（如住院天數、死亡率）或介入措施直接影響病人的健康風險，病人即被視為受試者。
二、何時可以「豁免個別知情同意（Waiver of Consent）」？
根據 CIOMS 指引 與美國 Common Rule，若 CRT 符合以下條件，IRB 通常允許豁免個別病人的書面同意：
i.風險極小（Minimal Risk）：AI 僅作為「輔助決策」，最終決策權仍在醫師手中，且該 AI 建議符合現行臨床指引（Standard of Care）。
ii.研究不具可行性（Impracticability）：在務實性試驗中，若要逐一對數萬名門診病人進行招募與簽署，會產生嚴重的「選擇性偏差（Selection Bias）」，導致研究結果失去科學價值。
iii.不影響受試者權益：豁免同意不會對病人的治療權利或隱私造成實質損害。
iv.專業實務： 在以醫師為單位的 AI 研究中，常見的做法是「告知而非取得簽署」。例如在診間張貼告示或在掛號系統顯示：「本院正進行 AI 輔助診斷研究，您的醫師可能會參考 AI 建議，如您有疑慮可告知醫師」。
三、國際專業學會與指引的審查作法
i.《渥太華聲明》（The Ottawa Statement)
這是全球首部專門規範 CRT 倫理的指引，強調：
- 區分介入對象：區分「群組成員（病患）」與「群組守門人（醫護/院長）」。
- 群組守門人（Gatekeepers）的角色：當個別病患難以簽署時，必須由醫院主管或科主任作為守門人，審查該研究是否符合該群體（如全體病患）的利益。
ii.學習型醫療系統（Learning Healthcare System）框架
美國醫學研究院（NAM）提倡，當 AI 驗證已成為提升醫療品質的「常規活動」時，倫理審查應趨向簡化。只要資料受到嚴格保護，且 AI 介入不超過臨床標準，應視為「品質改善（Quality Improvement, QI）」而非傳統研究，從而簡化同意程序。
| 比較項目 | 傳統藥物 RCT | AI 務實性群組試驗 (pCRT) |
|---|---|---|
| 隨機分配單位 | 個人 (Individual) | 群組 (Cluster, 如醫師、診間、病房) |
| 研究環境 | 高度受控的實驗環境 (Explanatory) | 真實臨床工作流 (Pragmatic / Real-world) |
| 介入性質 | 實驗性藥物或侵入性治療 | 資訊介入 (AI 建議) |
| 知情同意 | 必須逐一簽署 | 常採「豁免簽署」或「告知選擇制」 |
| 風險程度 | 通常較高 (藥物副作用未知) | 通常為極小風險 (Minimal Risk) |
| 受試者定義 | 僅為病患 | 包含醫師 (介入對象) 與 病患 (預後對象) |
| 資料來源 | 專案收集的 CRF 數據 | 自動化提取 電子病歷 (EHR) 數據 |
| 主要倫理挑戰 | 受試者安全性與臨床盲性 | 自主權豁免的理據與群體公平性 |
