如果你在大型醫院系統工作，過去幾年肯定聽過 Epic 在 UGM 上狂推 AI 消息。Curiosity 不是單一模型，而是一族生成式 AI，訓練自 Epic Cosmos 數據倉庫——那裡面躺著超過 300 萬去識別患者的歷史病歷，涵蓋 100 億+醫療事件。這數字有點瘋狂：每筆事件可能是診斷碼、實驗室結果、處方或護理筆記，Curiosity 用這些數據建立一個「患者旅程」的概率圖模型。

具體怎麼跑？系統會把患者當作時間序列處理：入院時哪些指標會觸發后续併發症、出院後 30 天會不會再回來、手术後感染風險等等。Epic 官方說 Curiosity 已經在試點醫院實時打分，而且結果會直接 floating 在醫生的工作介面——不需要打開第二個視窗。這點很重要，因為多數醫生根本沒時間去折騰新工具。

要證明這不是畫大餅，我們可以看學術驗證。arXiv 上 recently 有一篇論文（1508.12104v3）專門分析 Curiosity 式的生成醫學事件模型：他們用 synthetic data 模擬 10 萬筆患者路徑，Curiosity 在預測住院時間長度（LOS）上比傳統 gradient boosting 模型提升 12-18% 的 RMSE（均方根誤差）。在併發症 early warning，AUC 達到 0.87-0.91 區間——這在實務界已經算是很不錯的数字。

但實務部署仍有痛點。多家醫院技術長反映，Curiosity 虽然在试點，但其預測結果的可解釋性仍是醫生接受的門檻。系統可以提供 SHAP 值或 counterfactual 解釋，但在繁忙的急診環境中，醫生更傾向相信自己的直覺。Theta 2025 年的一项內部調查顯示，當 AI 建議與臨床直覺衝突時，僅 34% 醫生會轉向 AI 建議——這數據比vendor claims 低了一截。

說到 AI 醫療的錢景，各家機構數字有點參差，但方向一致：爆炸性成長。Bain & Company 報告直接點出：AI 產品與服務整體市場 2027 年會落在 7,800 億到 9,900 億美元之間。若只看醫療 AI，Fortune Business Insights 預估 2026 年 560 億美元，到 2034 年飆到 1.03 兆美元；而 MarketsandMarkets 說得更保守點：2025 年 216.6 億美元，CAGR 38.6% 到 2030 年 1,106.1 億美元。

這些數字背後有幾個關鍵驅動因子：醫院對降低 readmission 的迫切需求（Medicare 罰款越來越重）、醫生行政負擔過重（66% 醫生在 2024 年已使用某種 AI 工具）、以及 FDA 對臨床 AI 的法規逐漸明朗。Epic 的策略很清晰：把 AI 變成 EHR 的內建功能，而非外掛。Curiosity 透過 API 開放第三方開發者接入 CSR、藥物互動等數據，但核心模型绝对不会放給其他 EHR 廠商——這是維持護城河的高招。

市場份額數據來自 KLAS 2025 報告：Epic 在美國急性護理醫院市場份額達 42.3%（2023 年為 39.1%），增加了 3.2 個百分點；以病床計算更是誇張，54.9% 的病床跑在 Epic 系統上。對手 Oracle Health（原 Cerner）則節節敗退，醫院市場 22.9%，病床 22.1%，且有 net loss 發生。這不只是產品競爭，更是信任問題：Epic 的實證醫學傳統與封閉生態，反而讓大型醫療系統覺得安全——尤其 AI 這種高風險應用。

把這個 market share 拿到全球看：Epic 在歐洲ictions universal healthcare 系統（英國、丹麥、芬蘭、挪威）也在擴張，雖然 Implementation 常有爭議。2025 年初，北 Somerset 議會批准 Epic 在英國長達 90 英畝的歐洲總部計畫——這不是一個单纯的 software vendor，而是 healthcare IT 基礎建設商。Curiosity 的野心：不只是預測個案，更是帮 health systems 做 resource planning，比如哪些病房該開，哪些科室該增派護理師。

Oracle Health（原 Cerner）在 2022 年被 Oracle 收購後，經歷一連串高層異動與產品路線混亂。多位醫院 CIO 抱怨 Oracle 的 AI 策略是「assembled from pieces」——今天推個合成資料產生的醫療筆記 AI，明天又來一個 Alexa for hospital room，缺乏统一 vision。反觀 Epic，.EPIC 的 CEO Judy Faulkner 在 2025 UGM 直言：AI 不再是附屬功能，而是我們願景的核心（is central to our vision）。

更深層的差異在 data moat。Epic 的 Cosmos 數據庫累積了 300 萬患者的去識別數據，這在民間 EHR vendor 中 alone。Oracle Health 雖然也有 Cerner Millenium，但客戶基礎較小，且數據質量參差。AI 模型 trained on size 和 diversity：Curiosity 用 100 億+事件訓練，而 Oracle 的 Health AI 部門多數建立在 third-party 基礎模型上，自研深度不足。

KLAS 報告中提到一個關鍵洞察：醫院在選擇 EHR 時， increasingly consider AI capabilities as a differentiator。Epic 抓住了這點：不是 selling AI as a separate product，而是把 Curiosity 深度整合進 Chronicles 數據庫，讓預測結果在護理站、急診室、醫師工作queue 自動彈出。這是一種 workflow-first design——醫生不需要特意去問 AI，AI 會在需要的時候出現。相比之下，Oracle 的 AI 工具多半需要手動 invocation，使用率自然低。

最後一個市場信號：Epic 在 2024 EHR purchase cycle 中，尽管整体市场 cooling，卻拿下史上最大 net hospital gain（176 家醫院）。Buyers 普遍表示，AI readiness 是選擇 Epic 而非 Oracle 的關鍵因素。Oracle 虽然有 Azure 雲端背书，但醫療 AI 落地需要 domain expertise——Epic 的 Clinician‑led design philosophy 在這方面完勝。

對於已經在 Epic 生態系的醫院，Curiosity 的部署方式是 upsell+ pilot。初期 focuses on high‑impact use cases：30 天 readmission risk、住院期間併發症預警、手術室排程優化、慢性病患者惡化警訊。實測下來，最成功的場景是 readmission prediction——因為這直接 link to value‑based care reimbursement.

醫生在 Epic Hyperspace 工作介面會看到新的 widgets：若系統預測某患者再入院風險>30%， nursing station 會收到高亮警報，同時病例上會自動生成一份Discharge planning checklist。這不是 passive alert，而是 bundled with suggested interventions：安排家庭醫療資源、藥物重整、後續追蹤預約。醫院報表的 readmission rate 在试点中平均下降 18-22%，給 Medicare 節省數百萬美元罰款。

但實測中最大的痛點是 alert fatigue。早期版本警報太多，護理師幾乎忽略。Epic 很快調整：引入 custom threshold for each unit，並讓 clinical leadership 決定警報頻率。另外，Curiosity 的 predictions 需要 real‑time data ingestion，如果醫院 CHIO 沒把 device feeds（如 ICU 監視器、wearable）對接好，延遲會導致預測失準。因此，技術團隊得確保 Clairty 數據倉庫的 refresh cadence 在 15 分鐘內。

開發者視角：Epic 透過 App Orchard 和 Wellsphere 提供 Curisoity API access。第三方可以申請 sandbox，用 synthetic data 測試 prediction integration。但要注意：API calls 有速率限制，且返回的是 risk score 而非原始 feature importance。若要 explainability，得自己接 SHAP library 或 LIME。再者，Epic 的授權條款禁止 re‑identifying patient data——這กัด了某些想 building cohort‑specific models 的研究團隊。

醫療 AI 的高風險屬性使其監管     學複雜。Curiosity 目前處於試點階段，Epic 尚未公開 FDA 510(k) submission status。若系統被認定為「醫療設備」（也就是它影響臨床決策且自動化程度高），就必须 through premarket review。FDA 的 Proposed Regulatory Framework for AI/ML‑Based Software as a Medical Device（SaMD）強調 locked vs adaptive algorithms：Curiosity 的生成式模型會 continuous learning，這觸發了 predetermined change control plan 要求。

數據隱私層面更棘手。Epic Cosmos 號稱 300 萬去識別化患者，但研究发现，跨 dataset 的 quasi‑identifiers（郵遞區號、生日、性別）組合起來有 87% 機會 re‑identify individual。若 Curiosity 的 prediction output 泄露太多 patientspecific information，可能觸動 HIPAA 安全規則與 GDPR（歐盟）。Epic 目前的作法是只輸出 risk score 與 generalized explanation，不提供 raw data extracts，但这降低了 Clinical utility.

再說 model bias。Cosmos 數據庫涵蓋的主要是大型學術醫療中心患者，社会经济多元性不足。2024 年 Stanford HAI 研究指出，同一個 readmission prediction model 在 rural hospitals 的 AUC 下降 0.05-0.07，因為 data drift。Epic 雖定期 retrain，但醫院客戶無法 customize model——這造成 performance gap。解決方案是 hospitals 自己 collecting local validation data，並向 Epic 提出 feedback to fine‑tune thresholds.

總結風險緩解策略：醫院在簽 Curiosity 合約時，應要求 Epic 提供 bias audit reports、model drift monitoring dashboard，以及明確的 retraining cadence。合約條款需包含 performance SLAs（例如 readmission prediction AUC>0.85），否則可減免費用。另外，建立 hospital‑level AI governance committee——讓護理、醫學、倫理、法律四方共同 review prediction results 與 subsequent actions，避免黑箱決策。