一位注重健康的創辦人如何以 AI 作為證據引擎擊退意外罹癌
目錄
你可能想知道
個人資料和現代 AI 工具能否實質改變個人面對罕見、侵襲性癌症診斷時的抉擇方式？
一位有決心的病人可以採取哪些實際步驟，將臨床照護與數位工具結合，以改善決策和結果？
主要議題
Conno Christou 長期把自己的身體當成一個良好儀器化的實驗。他用 Whoop 手環追蹤睡眠、戴 Oura 戒指，並依循延長壽命研究的程序每年訂購完整的生物標誌物檢測。35 歲、正在創辦第二家公司時，他優化補充品、晝夜節律例行和大量營養素。2025 年的健康檢查看起來非常好——直到一次運動後出現不相關的症狀，進一步臨床檢查發現胸骨後有一個 11 × 11 × 8 公分的腫塊。
切片檢查顯示為一種侵襲性、快速生長的非霍奇金淋巴瘤——這是一種由隨機基因突變驅動而非生活習慣因素造成的罕見、隨機性癌症。腫瘤很可能僅在幾個月前形成；若未被偵測，將會進展為晚期疾病。Christou 稱這是在不幸中的幸運，因為該腫塊是在檢查血栓時偶然被發現的。
接下來的過程突顯了當代醫療實踐的優勢與侷限。兩位備受尊重的腫瘤科醫師提供了不同的治療建議：一位偏向較輕的化療方案，對 Christou 的病例估計成功率約為 60%；另一位則建議更積極的住院持續輸注療法，成功率約為 85%。面對相互矛盾的專家意見，Christou 並未接受第一個建議或完全退讓；他尋求更多意見。
在兩天內，他透過個人網絡和國際專家收集了共 12 項專業意見。十二票中有十一票建議採取較積極的方案。決定採行該方案反映了他的資料導向思維和存在性風險的考量，而非想表現勇氣：正如他所述，這是一個優化問題，邊際利益極為重要。
在六個月的化療期間，Christou 將注意力限制在少數核心變數：睡眠、營養和心理。他使用像 Whoop 這類穿戴裝置預測免疫低谷，並以語音轉錄記錄症狀。他追蹤血液檢查和影像，並將這些資料流集中管理。最值得注意的是，他把所有離散及縱向資料——檢驗、掃描、穿戴裝置輸出和日誌條目——餵給一個 AI 助手（Claude），作為補充的證據引擎。
專家警告通用型聊天機器人可能不夠準確，且尚未經過全面驗證以用於個人化診斷；Christou 同意 AI 並未取代臨床醫師。相反地，模型幫助他提出更好的問題並識別在常規診療中可能被忽略的可能性。對於罕見表現型，暴露於廣泛醫學文獻和病例報告的 AI 能夠顯示單一臨床醫師因個案量與專科限制可能不易回想的模式。
一個說明性的例子出現在治療結束時。他的最後一次 PET 掃描結果不明確，腫瘤醫師建議進一步治療，包括在重要結構附近的放射治療。Christou 發現對於該淋巴瘤亞型，治療結束時 PET 掃描的假陽性率可能相當高——這在現代腫瘤學中是一個令人驚訝的統計數據。透過將多次掃描和臨床背景輸入模型，模型建議以他的年齡和掃描特徵來看，有很高的機率（大約 90%）該表面活性為胸腺反彈——一種在較年輕病患化療後胸腺良性再活化的現象——而非殘留惡性腫瘤。
他隨後尋求更多人為意見並獲得確認：該表現與胸腺反彈相符，且不需額外放射治療。這避免了可能有害且不必要的介入。此事件概括了如何結合嚴謹的臨床諮詢、資料彙整與模型驅動的假設產生，進而導致實質不同的決策。
Christou 的方法將治療重新構想為一系列可衡量的週期。他利用穿戴裝置預測脆弱期，保持詳盡的紀錄以協助症狀管理，並優先心理取向——避免像「為什麼是我」這類無益的問題，而是專注於流程遵循。結果不僅是緩解，還有價值觀的重新定位：他現在刻意保留時間休息與在場，認識到以生產力為中心生活的極限。
這項關鍵見解對患者主導決策的理解具有重大影響：當病人整理臨床資料、徵詢多方專家意見，並將 AI 作為證據匯聚工具——而非替代臨床醫師——他們能識別出合理的替代解釋、量化概率，並降低不必要治療的風險。
Christou 的經驗也突顯了照護提供中的操作性低效率。他觀察到臨床醫師和護理人員被行政工作與標準化流程所累，這些流程並不總是依個別風險做出區別，導致一刀切的方案。他創立了一家以 AI 驅動的公司，解決醫療實務中的行政自動化問題，而他作為病人的經歷強化了技術卸載非臨床工作、讓人力專注於個別化照護的潛力。
最後，他的故事為病人與臨床醫師提供了一個文化層面的教訓：積極尋求資訊，並以對機率結果的謙遜與協作決策相結合，能在高風險情境中改善選擇。先進工具的存在並不保證較佳結果，但當經過有見識的病患謹慎使用並整合進多學科諮詢時，它們可以將天平向更個人化、符合證據的照護傾斜。
關鍵見解表
| 面向 | 描述 |
|---|---|
| 早期發現背景 | 在評估不相關症狀時的偶發發現揭露了一個侵襲性且快速生長的淋巴瘤。 |
| 決策策略 | 尋求了 12 位專家意見，依共識選擇了模型化成功率較高的更積極化療方案。 |
| 個人資料的使用 | 追蹤睡眠、症狀、檢驗和掃描；整合資料以告知副作用的時機與管理。 |
| AI 的角色 | 以 AI 助手作為證據匯聚者來產生假說（例如胸腺反彈），並優先列出需向臨床醫師追問的問題。 |
| 結果 | 在多學科審查確認為良性胸腺反彈後避免了不必要的放射治療；完成化療並進入緩解期。 |
後續…
展望未來，數項技術與系統面向值得進一步探索。改進經嚴格驗證以支援決策的臨床級 AI 工具，能協助臨床醫師與病患詮釋複雜且模糊的資料，例如治療後影像。將縱向個人健康資料（穿戴裝置、檢驗、病人回報結果）進一步整合到可互通的臨床紀錄中，將可促成更精準、個人化的照護路徑，而非採用預設的、不分年齡的方案。
在操作層面，自動化臨床環境中的行政負擔可以讓醫療從業人員專注於細緻判斷與共享決策。對於可解釋的 AI 與標準化評估框架的研究將很重要，以確保在模型影響高風險決策時的透明度、可重現性與信任。最後，培養醫療文化鼓勵尋求第二意見與病人主導的資料知情參與，能改善治療強度與個人價值之間的對齊。
嚴謹的自我追蹤、多學科臨床諮詢與謹慎使用 AI 作為補充證據工具的結合，為今天面對罕見或模糊診斷的病人提供了可行的範本。