當一位病人走進急診室，醫院必須在極短時間內做出一個關鍵決定：這位病人應該住院觀察，還是可以當天離開？這個看似簡單的判斷，背後牽動的是美國每年數十億美元的醫療支出。判斷錯誤，不僅可能影響病人照護品質，還會導致保險公司拒絕給付，讓醫院承擔巨額損失。

這正是「住院管理」（Utilization Management）領域長期面臨的難題。如今，一家名為Xsolis的AI公司用三篇同行評審論文給出了答案。四月一日，Xsolis宣布其AI平台Dragonfly已在美國三大醫療體系完成獨立驗證，結果發表在三本學術期刊上，這是該領域首次獲得如此規模的臨床實證支持。

在Baylor Scott & White Health的研究中，Dragonfly的「AI照護等級評分」在判斷病人是否需要住院時，準確率達到86%，表現優於傳統的人工篩查工具。這意味著每十位病人中，AI能正確分類將近九位，大幅減少了因分類錯誤而產生的行政爭議與資源浪費。

Yale New Haven Health的研究則揭示了另一個亮點。導入AI後，該體系的觀察病人出院率從16.69%降至12.75%，降幅接近四個百分點。這個數字背後的意義是：AI幫助醫療團隊更精準地識別病人的共病狀況和醫療必要性，讓原本可能被錯誤歸類為「觀察」的病人獲得適當的住院照護。

最令人印象深刻的或許是Mayo Clinic Health System的數據。AI對診斷相關群組（DRG）的預測準確率達81%，而住院天數的預測誤差僅為0.14天，幾乎與實際結果一致。這種精度對醫院的資源調配和財務規劃具有革命性意義，因為住院天數的準確預測直接影響床位管理、人力配置和預算編列。

值得注意的是，Dragonfly並非取代醫療人員的決策，而是嵌入現有的住院管理工作流程中，作為即時決策支援工具。它透過分析病歷數據，即時計算醫療必要性評分，讓負責審查的護理師和醫師能更快、更準確地做出判斷。Xsolis執行長Joan Butters指出：「醫療體系領導者問的問題已經不是AI是否有前景，而是它在實務中是否真的有效。這些研究用數據而非預測回答了這個問題。」

美國醫療系統每年在行政管理上的浪費估計高達數千億美元，其中住院管理的低效率是主要原因之一。隨著AI工具獲得越來越多的臨床實證支持，醫療機構將更有信心大規模部署這類技術。對於全球醫療產業而言，這三篇論文傳遞的訊息很明確：AI在醫療領域的價值，已經從「概念驗證」正式進入「臨床驗證」階段。