人工智慧生成的出院日期與住院患者出院日期預估準確度
作者： Havish S. Kantheti、Connor Dolan、Jordan Dale
期刊： JAMA Network Open
發表日期： 2026 年 9 月 3 日
摘要／研究重點
準確預測住院患者何時可以出院，有助於醫院進行病床規劃、患者流動管理，以及出院後照護安排。
目前機器學習可以利用電子健康紀錄（EHR）資料預測患者的預期出院日期，而且這類商業工具已逐漸被醫院採用。然而，過去大多數研究只是把 AI 預測與患者「實際出院日期」比較，而沒有與臨床上真正負責出院規劃的個案管理師（case manager）預估結果直接比較。
因此，本研究比較：
*AI 所預測的出院日期
*個案管理師預測的出院日期
*患者實際出院日期
並且分別在入院時、出院前 48 小時、出院前 24 小時進行比較。
研究方法
這是一項品質改善研究（quality improvement study）。
研究對象來自美國休士頓 Methodist Hospital，納入的住院病例，其出院日期介於：
2023 年 8 月 1 日至 2024 年 2 月 28 日。
研究共包含：
*22,349 次住院紀錄
*17,173 位患者
研究使用一套與電子病歷整合的商業臨床輔助 AI 工具來產生預測出院日期。
同時，個案管理師在日常臨床工作中，也會獨立記錄他們預期患者何時可以出院。
研究人員再將這兩種預測與電子病歷中患者實際出院日期進行比較。
研究比較三個時間點：
1. 入院時
2. 出院前約 48 小時
3. 出院前約 24 小時
研究主要使用兩種指標評估準確度：
平均絕對誤差（MAE）
Mean Absolute Error，MAE。
簡單來說，就是預測日期與實際日期平均相差幾天。
數字越小越準確。
平均差異（Mean Difference）
也就是：
預測日期 − 實際出院日期
如果是負值，代表預測的出院日期通常太早；如果是正值，代表預測日期通常太晚。
研究結果
一、入院時：AI 與個案管理師差不多
在患者剛入院時：
| 預測方法 | 平均絕對誤差 |
|---|---|
| AI | 4.20 天 |
| 個案管理師 | 4.27 天 |
兩者相當接近。
換句話說，患者剛住院時，AI 的表現與個案管理師大致相當。
但是，如果要求預測日期必須非常接近實際日期，個案管理師表現比較好：
* AI：40.8% 的預測在實際出院日期 ±1 天內
* 個案管理師：46.3% 在 ±1 天內
如果要求「完全預測正確」：
* AI：15.3%
* 個案管理師：23.6%
所以即使在入院時兩者的 MAE 很接近，個案管理師仍然比較常能準確抓到真正的出院日期。
二、出院前 48 小時：個案管理師開始明顯勝過 AI
到了出院前約 48 小時，差距開始變得明顯。
| 預測方法 | MAE |
|---|---|
| AI | 1.59 天 |
| 個案管理師 | 1.29 天 |
也就是說，個案管理師平均誤差約 1.29 天，AI 約 1.59 天。
如果要求預測落在實際日期 ±1 天：
* AI：41.7%
* 個案管理師：63.6%
完全預測正確：
* AI：13.6%
* 個案管理師：24.7%
兩者差異均具有統計學意義（P < .001）。
三、出院前 24 小時：差距非常大
這是研究最重要的結果。
到了患者真正要出院前約 24 小時：
| 預測方法 | MAE |
|---|---|
| AI | 1.93 天 |
| 個案管理師 | 0.98 天 |
也就是：
AI 平均誤差接近 2 天，而個案管理師平均誤差不到 1 天。
更令人注意的是「±1 天」的準確率：
* AI：37.9%
* 個案管理師：79.5%
也就是說，在出院前一天：
將近 8 成的個案管理師預測落在實際出院日期 ±1 天內，但 AI 只有約 4 成。
如果要求完全預測正確：
* AI：7.8%
* 個案管理師：33.6%
因此，越接近真正出院時間，個案管理師的優勢越明顯。
四、AI 的預測方向也發生改變
研究還發現一個很有意思的現象。
在入院時，AI 平均差異是：
−2.74 天
也就是 AI 傾向於認為患者會比實際情況更早出院。
但是到了出院前 24 小時：
+1.24 天
變成 AI 傾向於認為患者會比實際情況更晚出院。
相較之下，個案管理師的預測在接近出院時非常接近實際日期：
+0.04 天
也就是幾乎沒有系統性的偏差。
五、AI 與個案管理師的預測，在入院時高度相關，但後來不再相關
在入院時：
相關係數 r = 0.92
這代表 AI 與個案管理師的預測高度相關。
但是到了接近出院時：
r = 0.12
也就是兩者幾乎沒有什麼相關性。
作者特別提醒：
入院時 AI 與個案管理師的預測高度相關，不能因此認為 AI 在整個住院過程中都掌握了與臨床人員相同的資訊。
這一點相當重要。
六、不同住院天數的患者，AI 表現不同
研究進一步分析不同住院時間（length of stay, LOS）。
住院 1–2 天
AI 比個案管理師差：
* AI：1.66 天
* 個案管理師：0.89 天
住院 5–7 天
反而 AI 比個案管理師好：
* AI：1.49 天
* 個案管理師：2.24 天
住院超過 14 天
兩種方法的表現都比較差。
因此，AI 並不是「全面都比人差」；它似乎在某些中等住院天數的患者身上具有一定優勢。
七、不同病房也有差異
研究發現：
- 在產科病房，個案管理師明顯比 AI 準確。
- 在加護病房（ICU），AI 與個案管理師兩者表現都不理想。
- 不同個案管理師之間的準確度也有很大的差異。
這表示「人 vs AI」並不是簡單的二分法；臨床環境、病房類型、患者住院型態，以及個別工作者的經驗，都可能影響結果。
討論
作者的主要結論是：
AI 在患者剛入院時，預測出院日期的能力大致與現行照護相當；但是越接近實際出院時間，個案管理師的預測明顯優於 AI。
而這恰好是一個很重要的時間點。
因為對醫院而言，真正需要準確知道「明天誰可以出院」的時候，通常就是患者已經接近完成住院治療的時候。
因此，雖然 AI 在入院時看起來表現不錯，但這並不代表它在床位管理（bed management）上一定能取代臨床人員。
研究限制
作者指出幾項重要限制。
1. 單一醫院研究
研究只在 Houston Methodist Hospital 進行，因此結果未必能直接套用到其他醫院。
2. 研究的是「預測準確度」，不是患者結果
研究沒有證明：
使用 AI 或個案管理師預測，最後是否真的能改善病人結果、降低住院天數或提高醫院效率。
因此這項研究主要是產生假說（hypothesis-generating），而不是證明 AI 應該或不應該被使用。
3. 個案管理師可能具有「資訊優勢」
個案管理師的預測屬於日常照護流程，而且其他醫療團隊成員可以看到這些預測。
因此，個案管理師的預測可能會影響團隊的行動，甚至在某種程度上形成「自我實現預言」。
換句話說：
個案管理師預測患者明天出院 → 團隊按照這個目標準備 → 患者真的明天出院。
因此，這種比較並不完全是「盲測」。
4. AI 並沒有自動啟用
AI 的預測雖然存在於電子病歷中，但並不是自動提供給所有臨床人員。
因此，目前研究結果不能直接代表「如果 AI 被完整整合進臨床流程，效果會如何」。
5. 個案管理流程並未完全標準化
不同個案管理師的表現差異很大，因此「個案管理師」本身並不是一個完全一致的標準。
百聯醫學評論:
本研究探討人工智慧（AI）與個案管理師預測住院患者出院日期的準確度，最大的亮點是將AI與現行臨床照護中的「人」直接比較，而非僅與實際出院日期比較。研究納入22,349次住院紀錄，結果顯示入院時AI與個案管理師表現相近，但越接近出院，個案管理師明顯較準；在出院前24小時，個案管理師有79.5%的預測落在實際出院日期±1天內，而AI僅37.9%，顯示臨床人員所掌握的即時病況及社會、照護等脈絡資訊，可能是AI目前難以取代的重要因素。
研究亮點在於研究問題具高度臨床實用性，且樣本數大，並進一步分析不同住院天數及病房類型。然而，本研究仍有重要限制，包括單一醫學中心、缺乏患者基線人口學資料，且屬回溯性品質改善研究，無法證明AI是否能改善實際臨床結果。此外，個案管理師的預測屬於日常照護流程，可能影響後續出院決策，而AI並未完全融入臨床工作流程，因此兩者比較未必完全公平。整體而言，本研究不代表AI無用，而是顯示未來更值得探討的是「AI如何輔助臨床人員」，而非單純取代人類判斷。
https://youtube.com/shorts/9tA6V7Jin3Q
Reference: Artificial Intelligence–Generated Discharge Dates and Estimation Accuracy in Hospitalized Patients
Reviewer: PI-Union Medical Science Ltd.
* E-mail: piunion@pi-union.com
* Official Website: https://pi-union.com/
* Facebook: www.facebook.com/piunion2020
* Youtube: www.youtube.com/@pi-union
* Instagram: www.instagram.com/piunion2020
* LINE: @654eukag