醫療人工智能侵權損害保險救濟制度研究

摘 要：醫療人工智能技術的輔助性質、內在的“黑箱”復雜度，以及其自我學習與半自主運行的特點，共同構成了在涉及此類技術的醫療損害案件中認定責任主體與確定救濟路徑的重大障礙。其凸顯出現行法律制度在應對新興科技挑戰時的滯后性以及醫療人工智能侵權受害人的法律救濟困境，如風險源頭和責任主體認定難、證明過錯及因果關系難等。鑒于傳統侵權損害賠償救濟制度適用于醫療人工智能侵權損害救濟的缺陷，有必要引入保險救濟制度，通過該制度在風險分攤和加速賠付方面的優勢，解決醫療人工智能侵權損害賠償責任認定的技術依賴性和結果不確定性問題，為受侵害者權益提供及時便利的保障，推進醫療人工智能技術的研發、生產和應用，增進社會整體利益。

關鍵詞：智能醫療；侵權行為；責任主體；救濟措施；保險制度

中圖分類號：D923；TP18""" 文獻標識碼：A"" 文章編號：1001-4225（2024）08-0018-08

2022年7月29日，科技部、國家衛生健康委等六部門聯合發布了《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》，強調推廣應用人工智能治療新模式，建立快速精準的智能醫療體系①。自此，人工智能逐步發展應用于醫療領域，特別是在醫療影像分析、手術機器人操作、遠程醫療、康復護理、智能輔助決策以及新藥研發等方面。人工智能技術在醫療領域的應用有效提升了醫療服務的效能[1]，但也產生了醫療人工智能侵權時受害人權利救濟困境。造成這一困境的主要原因包括人工智能技術固有的“黑箱”特性、智能醫療風險的多源性及責任認定的技術依賴性和不確定性。醫療人工智能的上述特性使得傳統侵權損害救濟路徑適用于救濟智能醫療侵權受害人時陷于理論與實踐雙重困境。理論上，醫療人工智能法律定位不清，無論是擬制法律人格說、有限法律人格說、人格減等說等“主體說”，抑或是工具說、動物說等“客體說”均難以證成[2]；司法實踐中，無論是適用產品責任、醫療損害責任，還是高度危險責任均存在邏輯缺陷。

醫療人工智能侵權損害保險救濟制度的設立，能夠發揮保險的風險分攤功能，破解智能醫療風險多源及責任主體認定難等困境，彌補傳統侵權損害救濟路徑不暢之缺失。不僅如此，保險救濟制度還能夠解決醫療人工智能侵權救濟遲緩之困和歸責難題，并有助于將事前不確定之風險轉化為當事人可以內化的成本，從而有效轉移風險負擔，提升救助效果。比較法視角看，將責任保險制度引入疫苗生產和核能利用等新興產業在域外已有實踐。1986年美國《國家兒童疫苗損害賠償法》在疫苗產業中設立了賠償信托基金，減輕了生產商的訴訟負擔，暢通了受疫苗傷害患者的賠償渠道[3]。類似地，歐盟在《機器人民事法律規則》中提議設立強制性保險項目，旨在分散最終責任承擔者的風險[4]。

一、醫療人工智能風險類型

醫療人工智能自主或半自主運行、自我學習的特性[5]，以及對大規模醫學數據的依賴，構成了醫療人工智能獨特的風險譜系。其在無需人工干預的情況下，依據算法獨立分析醫療信息[6]，模擬臨床決策過程，通過持續學習，不斷優化自身的推理邏輯，以適應不斷變化的環境和信息[7]。但這一過程中，每次醫療互動或數據輸入都可能影響其內在的判斷邏輯，帶來一定的不可預見性[8-9]。同時，醫療人工智能的這種內在復雜性、對數據及技術的高度依賴性，引發了人們對其安全風險的深度關切[10]。

（一）個性化醫療可靠性風險

個性化醫療可靠性風險較為典型的情形是醫療人工智能實際應用效果與宣傳不符的問題。以美國IBM公司開發的醫療人工智能系統Watson為例，其技術本質為自然語言處理，服務于臨床決策支持系統（CDSS，即Clinical Decision Support System），旨在通過病例大數據，為醫生決策提供輔助信息。該系統在推廣時承諾提供基于最新醫學研究的個性化治療方案，然而在實際應用中，一些醫療機構發現其推薦的部分治療方案并非最新或并不適用于特定病例。印第安納大學健康中心曾因“沃森腫瘤”提供的治療建議與標準治療方案不符而停止使用該系統。2022年4月，IBM的一份內部文件提及Watson經常給出錯誤的癌癥治療建議，比如給一個已經大出血的癌癥病人開了有可能會導致出血的藥①。這些事件折射出醫療人工智能在提供個性化醫療建議時可能存在的準確性問題。

（二）算法設計缺陷與技術失誤風險

此類風險是弱人工智能階段無法避免的問題。算法設計缺陷、系統故障或技術失誤等情形會導致診斷錯誤、治療建議不當，或在手術、藥物劑量推薦等環節產生錯誤，從而對患者造成傷害。2015年2月，英國首例機器人“達芬奇”在心臟瓣膜修復手術中，因技術失誤而錯誤地放置病人心臟，甚至戳穿其大動脈，最終導致患者一周后過世，造成無法挽回的終局性損害。此外，醫療人工智能存在一些顯著缺點，如沒有觸覺反饋，無法及時通知或警示醫生、機器人代替醫生或加大患者緊張感等不足②。

（三）智能體產品缺陷風險

智能體產品缺陷是指智能體產品本身設計或制造缺陷，較為典型的是手術機器人產品缺陷引發的風險。以“達芬奇”“醫療”“侵權”“醫療損害”“機器人”等作為關鍵詞在中國裁判文書網上檢索可得的相關判決書80份，但判決中多關注操控者的責任，對機器人本身的缺陷引起的損害鮮有提及。原因主要有下列幾個方面：手術機器人處于弱人工智能階段，使用者操作規范性原因力較大；醫療器械致損通常與醫療產品責任和醫療損害責任競合；醫療損害案件著眼點通常在醫療機構或醫務人員上，對醫療器械產品的檢測和分析不到位；對于患者而言，追究醫療機構或醫務人員的直接責任相較于追究醫療器械生產者的間接責任更加便捷有效，尤其是在具身智能體③這種新產品引發的糾紛中[11]。

（四）數據隱私與安全風險

谷歌DeepMind與英國國家衛生服務（NHS）合作的“Streams”應用，曾因非法處理160萬份患者機密醫療數據而面臨集體訴訟①。盡管DeepMind后來采取措施加強數據保護，但該事件仍凸顯了醫療人工智能在處理敏感醫療數據時可能存在的隱私泄露風險。“新冠疫情”期間，美國一名黑客黑入北京慧影醫療科技有限公司系統，將公司內部新冠檢測技術和數據在暗網上公開出售，嚴重侵犯了數據權利主體的個人信息權。伴隨新型數據權利的法律確認，如知情同意權、被遺忘權、限制處理權等等，醫療人工智能面臨的數據隱私與安全風險挑戰將會更加嚴峻②。

（五）算法歧視與偏見風險

醫療人工智能中的算法歧視主要源于三個核心問題：首先是數據集的不完整性或存在錯誤[12]，這直接影響算法的評估準確性；其次是數據集本身的不足或偏差，導致算法無法全面適用于所有人群；最后是算法通過學習帶有偏見的數據模式，無意中延續并放大了這些不公平現象，即所謂的“反饋回路歧視”[13]。特別是針對弱勢群體，他們的醫療記錄往往是零散和不完整的，如健康數據③、生物特征數據等④，這導致人工智能算法無法準確識別其疾病或健康風險。此外，低收入群體可能更多地依賴記錄不夠詳盡的私人診所，從而增加了算法評估的誤差[14]。算法選擇性歧視的現象，即算法在設計和測試階段就存在偏差，尤其是當測試數據主要來自某一特定群體時，算法的普適性受到質疑[15]。

（六）“黑箱”問題

醫療人工智能決策過程的不透明性，使得在發生侵權時難以追溯決策邏輯。這種缺乏透明度的問題不僅會影響醫務人員向患者履行告知義務，也會影響醫務人員履行再判斷義務[16]。首先，算法的不透明性阻礙了醫務人員對機器決策的直接驗證，限制了風險緩解措施的采取；其次，基于數據相關性的算法決策難以用傳統循證醫學方法進行逆向驗證，影響了醫務人員對機器判斷的準確性評估[17]。此外，算法黑箱可能帶來主體關系及溝通信任秩序的混亂，導致主體之間更嚴峻的信任風險，進而破壞醫療體系良性運行的基礎[18]。

總體而言，醫療人工智能侵權風險的涉眾廣泛，涵蓋了患者、醫療機構、醫療人工智能開發者、制造商、供應商、數據提供者、數據控制者及處理者、醫務人員、監管機構、技術維護與支持服務提供者、患者家屬或監護人，以及第三方評估機構等。每個主體在醫療人工智能的應用周期中扮演著不同角色，同時也承擔著相應的義務。侵權風險點遍布醫療人工智能的整個應用周期中，不僅限于診療階段，還存在于技術開發、數據收集與處理、產品測試、市場推廣、臨床使用及后期維護等。因此，醫療人工智能領域的風險分散與救濟機制中，保險制度扮演著關鍵角色。它不僅為潛在的技術失誤和操作風險提供經濟緩沖，還確保患者能夠迅速獲得必要的救濟。

二、侵權法救濟路徑之困

（一）產品責任適用困境

首先，從產品識別的角度看，傳統產品責任法主要聚焦于有形物，而醫療人工智能產品往往以軟件或算法形式存在，或與服務緊密捆綁，如基于云服務的醫療輔助診斷軟件常用于為用戶提供決策建議、預測參考等信息內容[19]339-340。我國相關法律規定軟件為產品，《民法典》第1223條也規定了醫療器械侵權損害產品責任，這當然適用于醫療人工智能[20]。但人工智能輸出的信息是否構成產品存在爭議，因為這些信息往往被醫務人員用于提供醫療服務。因此，在大多數侵權糾紛案件中，裁判者多適用醫療損害賠償法中的過錯責任原則進行歸責，而非產品責任法中的無過錯責任或嚴格責任原則[21-22]。即便在一些案例中，尸檢結果顯示有未明的傷害，或是手術機器人技術過于先進，超出了常規鑒定專家的能力范圍，法院依然傾向于關注手術規劃的合理性、醫生的具體操作手法以及是否履行了必要的注意義務等方面，從而主張適用醫療損害責任歸責[23]①。

其次，醫療人工智能產品的特性，如自主學習能力、升級更新的持續性需求，以及與其他醫療設備或服務的交互性，使得傳統產品缺陷的判斷標準適用困難。產品缺陷的認定亟待制定一套國家標準、行業標準，其安全場景應為產品的整個生命周期[24]。此外，基于我國法律規定，醫療人工智能產品責任通常適用無過錯責任歸責原則，即患者或被害人在訴訟中不需要證明生產者有過錯，只需要證明產品存在缺陷以及因缺陷造成的損害，生產者或開發者需要證明自己存在法定免責事由。然而醫療人工智能的復雜性和輔助性質可能增加證明缺陷和因果關系的難度。同時，產品責任適用嚴格責任，被侵權人如想請求懲罰性賠償，需要證明侵權人存在主觀故意，這對于被侵權人而言本身就存在相當大的困難；如果只請求補償性賠償，被侵權人又會受到司法制度、原因力、訴訟能力、訴訟意愿等多方面的限制。

另外，現有法律對于免責事由的設定，例如發展風險抗辯[25]和開源抗辯的適用，尚未充分考慮到醫療人工智能的特殊性。在醫療領域，開源軟件的廣泛使用促進了技術共享和創新[26]，但如何在鼓勵創新與保護患者利益間找到平衡點，尤其是在開源軟件引發產品缺陷的情況下如何歸責，法律尚無明確規定。盡管有觀點認為開源軟件提供者在特定條件下可以減輕或免除責任，但這可能導致責任分配不公，特別是在醫療產品關乎生命安全的背景下，過度寬松的免責規則可能損及公眾利益。

（二）醫療損害責任適用困境

第一，醫療人工智能的法律地位與責任歸屬問題亟待明確。盡管醫療人工智能被界定為輔助工具，且醫務人員在決策中占據主導，其實際上卻扮演著提供專業建議的“知識顧問”角色，具備超越人類認知的潛力[27]。醫務人員往往基于對技術的信任，采納人工智能推薦的治療方案。這導致醫師的注意義務從審慎注意自身行為轉向對醫療人工智能系統的審查、檢驗、監督和接管，但相關法律尚無明確規定。司法實踐中，法院普遍裁定醫務人員或醫療機構承擔侵權責任，將醫療機器人視為無主體性的“物”，從而加重了醫務人員與醫療機構的責任負擔。

第二，醫療損害因果關系認定困難。醫療人工智能的算法復雜且不透明，其決策過程難以追溯，這使得在損害發生時，證明人工智能錯誤與患者損害之間的因果關系變得極其困難且具有極大的不確定性。患者往往難以獨立完成舉證責任，特別是在醫療人工智能的輔助決策導致錯誤時，因果鏈的審查復雜，增加了證明難度。另有觀點指出，具有自我學習能力和適應能力的人工智能經后天迭代造成的損害可以成為一項免責事由[11]，然而這項免責事由卻會進一步加劇患者尋求救濟的難度，不利于保護受害人。

第三，過失判斷標準面臨前所未有的挑戰。這些挑戰主要源自醫療人工智能的輔助性質、技術特性和法律框架的適應性問題。首先，醫療人工智能輔助定位與責任界限模糊。傳統的醫療過失標準，如“當時醫療水平標準”[28]，可能不足以準確界定責任，因為醫務人員的判斷已經融入了人工智能的因素。醫務人員需要在尊重人工智能建議的同時，進行風險效益評估，這要求他們在掌握患者病情、人工智能建議的可靠性、以及替代方案等多方面因素的基礎上做出決策。其次，存在設計缺陷與合理期待的困境。由于診療人工智能屬于專業醫療器械，其設計標準不同于一般消費品，簡單套用消費者期待標準或理性人標準均不合適。再次，證據與證明難度增加。這不僅涉及到技術的復雜性和算法的不透明性，還包括如何區分醫務人員的過失與人工智能本身的缺陷，或是兩者的共同作用。因此，如何合理分配舉證責任，確保患者權益得到有效保護，也是過失判斷標準面臨的挑戰之一。

（三）高度危險責任適用困境

醫療人工智能適用高度危險責任具有一定的合理性，主要體現在其風險與利益平衡功能及風險預防功能兩個方面。基于“風險收益一體化”原則，高度危險責任確保風險制造者對其活動帶來的損害負責，特別是在技術復雜性和潛在不可預測性可能導致嚴重損害的情況下，適用高度危險責任可以實現風險與利益的合理分配。在風險預防方面，通過設定嚴格責任，能夠促使人工智能制造商和使用者在設計、生產等環節采取更謹慎和安全的措施，減少技術失誤和系統漏洞，符合社會對高科技醫療產品安全性的期待。然而，從司法裁判的現狀看，法院很少適用高度危險責任，這是由于其適用面臨著下列雙重困境。

第一重困境是高度危險責任立法缺失。民法典第1236條規定的高度危險責任有兩種類型，一種是高度危險作業致損，另一種是高度危險物致損，二者均適用無過錯責任歸責原則[29]。如果適用高度危險責任，首先面臨的問題是難以確定醫療人工智能屬于高度危險物還是高度危險作業。醫療人工智能本身并不存在高度危險性，而是在其使用和工作期間可能產生高度危險。其次，根據王利明教授的觀點，高度危險作業具備損害嚴重性大、損害難以控制、損害的異常性及存在社會價值四要素[30]。這意味著高度危險責任條款不適用于所有危險責任，因為并非所有醫療人工智能致損都能達到高度危險的程度。

第二重困境是因果關系認定困難。高度危險責任屬于自己責任，需要證明行為人的行為與損害事實之間存在直接的因果關系。由于技術復雜性、“黑箱效應”、數據多源性、數據偏差以及患者個人因素的影響，難以確定具體哪個環節直接造成損害結果。這同時導致責任主體模糊，進而使得醫務人員需要具備極高的注意義務。但人工智能自主或半自主運行、自主學習特性，使得醫務人員即使盡到合理注意義務，也難以避免損害發生。且損害一旦發生，作為智能體占有人、使用人、活動經營者的醫療機構難辭其咎，而其開發者、生產者可能脫責[3]。因此，在沒有特別立法的情況下，司法實踐中一般將醫療人工智能侵權責任認定為高度危險責任。

三、保險救濟制度設立的正當性

（一）彌補傳統侵權損害救濟機制之不足

基于醫療人工智能風險的多源性（涉及產品設計、生產、銷售、使用全鏈條和多環節），責任主體認定的技術依賴性和不確定性，傳統侵權損害救濟路徑（無論是產品責任、醫療損害責任，還是高度危險責任等）呈現顯著的不適應性。醫療人工智能侵權損害保險制度能夠發揮保險的風險分攤優勢化解其風險多源及責任主體認定不確定等缺陷，彌補傳統侵權損害救濟路徑不暢之缺失，為受害者提供更加及時和有效的保障。不僅如此，責任保險風險分擔機制的引入，還能夠在技術創新和商業活動中積極防范和規避法律風險及社會風險，降低社會治理成本，增進社會整體利益，促成法律目的價值的實現[31]。

（二）有效維護受害人合法權益的需要

傳統侵權損害救濟路徑在處理醫療人工智能損害賠償案件時，可能因險源不明、責任主體難以認定、因果關系難以證明，以及救濟路徑不暢等等原因而陷入困境，導致醫療人工智能侵權受害人的合法權益不能獲得及時和合理的保障。在此背景下，醫療人工智能侵權損害保險制度的引入，能夠借助保險制度的賠付功能優勢，為受害人提供及時的救助和防范損失的進一步擴大或矛盾的激化。保險制度還有助于減輕受害者的舉證責任，提高救濟效率，更周全保障受害者權益[32]。此外，保險公司基于風險評估設定的保費標準和保險條款，激勵醫療人工智能的相關責任主體采取更為嚴格的安全措施，這種預防性措施有助于提升智能醫療的質量，減少侵權事件的發生，增進患者的福祉。

（三）技術推廣與應用的需要

將保險制度引入智能醫療是基于醫療人工智能的特殊風險和傳統救濟方式之不足的基礎之上的。立法者依據醫療人工智能的風險特征設立相應的責任分擔機制是法律適應技術進步的必然，也是法律推進技術進步的應然[33]。這是因為，法律不是靜態的規范集合，而是隨著技術進步和社會變遷而不斷演進的動態體系[34]。醫療人工智能侵權損害保險制度的設立正是對現有法律體系進行適應性調整的一種體現，目的在于彌補傳統侵權救濟制度在處理智能醫療侵權案件時的不足。此外，保險救濟制度的引入能夠降低醫療人工智能研發人、生產者、經營者、使用者的風險，推進醫療人工智能技術的進步[35]。而保險制度的風險分攤機制、賠付的及時性和確定性等優勢還有助于增強患者對醫療人工智能的信心，促進醫療人工智能的應用和推廣。

四、保險救濟制度的設計

（一）險種設計

醫療人工智能侵權損害保險可以作為一個新型險種，旨在專門針對醫療領域內由人工智能輔助系統引起的侵權損害提供風險保障[36]。此險種可分為兩大類：第一，直接責任保險。該險種主要覆蓋由人工智能系統直接引發的患者損害，如誤診、治療錯誤等；第二，附加責任保險。該險種涉及因人工智能系統故障導致的間接損害，例如數據泄露對患者隱私的侵犯。該險種設計上強調對醫療人工智能特有風險的識別與防范，如算法偏見、系統黑箱效應等，確保保險覆蓋的全面性與針對性。

（二）適用范圍

1. 技術應用場景

技術應用場景包括但不限于為醫生提供影像識別、病理分析等診療輔助系統；幫助制定個性化治療方案的治療規劃工具，如腫瘤放療計劃、精準手術導航等；用于持續監測患者生命體征、預測疾病進展的智能監控系統；提供個性化健康管理建議、營養配餐、運動指導的人工智能應用健康管理平臺；在新藥開發過程中運用人工智能技術進行化合物篩選、臨床試驗設計的藥物研發與篩選系統等。

2. 責任主體

責任主體應覆蓋醫療人工智能技術全鏈條參與者，包括但不限于負責人工智能算法設計、軟件開發及硬件制造的開發商與生產者；適用人工智能技術進行診斷、治療、護理的醫院、診所等；直接操作人工智能設備或依據人工智能建議提供醫療服務的醫生、護士等；涉及醫療數據手機、存儲、分析的第三方數據處理方。

3. 損害類型

保險應針對由醫療人工智能技術引發的不同類型損害提供保障，包括因人工智能誤診、治療錯誤直接導致患者身體損傷或健康狀況惡化的直接身體傷害；患者因人工智能技術應用不當遭受的心理創傷等精神損害；患者因人工智能錯誤導致的額外醫療費用、誤工費及其他直接經濟損失；醫療人工智能系統處理患者數據過程中發生的個人隱私泄露事件。

（三）賠付項目

保險法的根本特點是補償原則[37]。對受害者而言，索賠處理的便捷性極為關鍵，直接影響其體驗滿意度[38]。它涵蓋了直接與間接的損失，旨在全面恢復受害者至損害發生前的狀態，或盡可能地減輕其因人工智能技術應用不當造成的不利影響。

1. 直接醫療費用

直接醫療費用包括因人工智能技術錯誤導致的初次治療、后續復健、手術、藥物及醫療設備使用等所有必要醫療支出；若損害導致患者生活自理能力下降，需支付護理、輔助器具購置或改造生活設施的費用，即輔助生活費用；為恢復身體功能及心理健康所需的康復訓練、心理咨詢及治療費用。

2. 間接經濟損失

間接經濟損失主要包括：收入損失，即患者因傷害所致誤工損失，以及未來預期收入減少的補償（根據職業評估及傷殘程度確定）；照護成本，即家庭成員因照顧患者而產生的誤工費或聘請護工的費用；生活補助，在治療及恢復期間，為維持原有生活水平提供的經濟補助；特別情況的費用與后續關懷支出，如對于造成永久性傷害或嚴重殘疾的情況，提供長期的生活護理與醫療支持費用；若損害導致患者不幸離世，向其家屬提供喪葬費用、依賴親屬的生活費及精神撫慰金等。

（四）后續追償及其程序設計

基于損失補償原則、公平原則和不真正連帶債務原理，保險賠償完成后，保險公司享有代位求償權，有權向責任明確的最終責任主體追償[39]。追償機制需明確劃分責任歸屬，確保公平合理。

1. 責任主體的認定

追償責任主體及其責任承擔份額的認定適用《民法典》過錯責任原則。在此基礎上，通過大數據調查結果及技術分析等精準鎖定追償對象，明晰過錯程度，確定責任份額。無論是醫療人工智能系統的制造商、軟件開發者、維護服務商，還是直接操作的醫務人員，均需根據其行為的過錯程度承擔相應責任。這一過程不僅需要嚴謹的法律分析，還涉及到技術鑒定、醫療專家意見等專業評估，確保追償的科學性與精確度。

2. 追償程序

追償程序的設計應靈活多元，涵蓋調解、協商、仲裁及訴訟等多種途徑，旨在高效解決爭議，減少不必要的法律成本。調解作為首選方案，旨在促進雙方在第三方調解機構的協助下達成和解，這有利于維護行業合作關系，減少對抗性①。然而，當調解無果時，仲裁或訴訟則成為必要的法律武器，確保權利主張得以落實。

完善的后續追償機制及其程序設計對于醫療人工智能產業的正向激勵作用不容忽視。一方面，它促使醫療人工智能產業鏈的各參與主體更加注重技術研發與質量控制，通過提高產品和服務的安全性來降低賠償風險，這實質上是市場機制對技術創新與質量提升的內在驅動。另一方面，通過追償實踐積累的案例與數據，為行業提供了寶貴的風險管理經驗，促使相關主體建立更加科學的風險預警與防控機制，有效減少了未來侵權事件的發生，為醫療人工智能技術的健康發展提供更加有效的保障。

結" 語

數據經濟時代，人工智能技術在醫療服務領域的推廣和應用是大勢所趨。無論是法學理論界還是實務界都必須正視這一現實并深入該課題的研究，以推進相關立法進程和司法實踐的統一，在推動智能醫療發展的同時，更有效應對其中的風險和挑戰。醫療人工智能風險的多源性、責任主體認定的技術依賴性及不確定性等特征要求我們突破傳統侵權損害救濟機制的局限，尋求與其風險特征相適應的救濟路徑，為醫療人工智能侵權受害人提供更加及時和周全的保障。保險制度的風險分攤機制和賠付能力優勢為醫療人工智能侵權損害救濟提供了可行的選擇，其不僅能夠彌補傳統侵權損害救濟機制之不足，有效維護受害人合法權益，還有助于推進醫療人工智能技術的推廣與應用。但醫療人工智能侵權損害保險救濟制度價值的實現還依賴于科學的制度設計，包括險種設計、適用范圍、賠付項目、追償及其程序設置等。此外，司法工作者應充分了解醫療人工智能的風險特征，認識到傳統侵權損害救濟措施適用的困境，以積極司法突破現行法律框架之拘囿，推進醫療人工智能侵權損害保險救濟制度的立法進程。

參考文獻：

［1］韓曉光，朱小龍，姜宇楨，等.人工智能與機器人輔助醫學發展研究[J].中國工程科學，2023，25（5）：43-54.

［2］王軼晗，王竹.醫療人工智能侵權責任法律問題研究[J].云南師范大學學報（哲學社會科學版），2020，52（3）：102-110.

［3］景荻.自動駕駛汽車侵權責任研究[D].西南政法大學，2019：95.

［4］賈章范，張建文.智能醫療機器人侵權的歸責進路與制度構建[J].長春理工大學學報（社會科學版），2018（4）：40.

［5］彭沛菲.醫療人工智能侵權責任適用問題研究[D].重慶大學，2023：3.

［6］孟亞楠.人工智能醫療產品侵權中的責任主體問題探究[J].東南大學學報（哲學社會科學版），2019（12）：91.

［7］張童.人工智能產品致人損害民事責任研究[J].社會科學，2018（4）：104.

［8］許可.人工智能的算法黑箱與數據正義[N].社會科學報，2018：3-29.

［9］司曉，曹建峰.論人工智能的民事責任：以自動駕駛汽車和智能機器人為切入點[J].法律科學（西北政法大學學報），2017（5）：170.

［10］何煉紅，王志雄.醫療人工智能影像診斷侵權損害賠償法律問題[J].政治與法律，2020，（3）：27-37.

［11］朱鐘銳，馬輝.手術機器人主體地位及其侵權責任承擔[J].中國衛生法制，2023，31（6）：71-76.

［12］Brakenhoff TB， van Smeden M， Visseren FLJ， et al. Random measurement error： Why worry？ An example of cardiovascular risk factors[J]. PLOS ONE， 2018， 13（2）： e0192298[2024-05-23].https：//doi.org/10.1371/journal.pone.0192298.

［13］David Casacuberta. Bias in a Feedback Loop： Fuelling Algorithmic Injustice[EB/OL].（2018-05-09）[2024-05-

23]. https：//lab.cccb.org/en/bias-in-a-feedback-loop-

fuelling-algorithmic-injustice/.

［14］趙偉.數字時代的醫療算法歧視及其法律規制[J].上海法學研究，2022，7（1）：177-199.

［15］Craig Konnoth. Health Information Equity[J]. Colorado Law Scholarly Commons， 2017， 165： 1317. https：//scholar.law.colorado.edu/faculty-articles/701.

［16］Helen Smith， Kit Fotheringham. Artificial intelligence in clinical decision-making： rethinking liability[J]. Medical Law International， 2020， 20（2）： 136.

［17］鄭志峰.診療人工智能的醫療損害責任[J].中國法學，2023（1）：203-221.

［18］Thomas P Quinn， Manisha Senadeera Stephan Jacobs et al. Trust and medical AI： the challenges we face and theexpertise needed to overcome them[J]. Journal of the American Medical Informatics Association， 2021， 28（4）： 890-894.

［19］[美]戴維·Ｇ·歐文.產品責任法[M].董春華，譯.北京：中國政法大學出版社，2012：339-340.

［20］Lise Aagaard. Artificial Intelligence Decision Support Systems and Liability for Medical Injuries[J]. Journal of Research in Pharmacy Practice， 2020， 9（3）： 125-127.

［21］趙西巨. 我國《侵權責任法》中的醫療產品責任立法之反思——以商品與服務二分法為視角[J].東方法學，2013（2）：102.

［22］楊立新，岳業鵬.醫療產品損害責任的法律適用規則及缺陷克服——“齊二藥”案的再思考及《侵權責任法》第59條的解釋論[J].政治與法律，2012（9）：121.

［23］朱鐘銳，馬輝.涉及手術機器人醫療損害糾紛案例分析[J].中國醫院，2024，28（5）：72-74.

［24］鄭志峰.人工智能產品責任的立法更新[J/OL].法律科學（西北政法大學學報），2024（4）：1-15[2024-06-27].

［25］張新寶.侵權責任法[M].第5版.北京：中國人民大學出版社，2020：212.

［26］Jose Javier González de Alaiza. Open Source， Free Software and Contractual Issues[J/OL]. （2006-07-27）[2024-05-25]. https：//law.bepress.com/expresso/eps/1475/.

［27］W. Nicholson Price II. Artificial Intelligence in Health Care： Applications and Legal Implications[J]. The SciTech Lawyer， 2017， 14（10）： 11-12.

［28］楊立新.侵權責任法：條文背后的故事與難題[M].北京：法律出版社，2011：203.

［29］馬俊駒，余延滿.民法原論[M].4版.北京：法律出版社，2016：175-176.

［30］王利明.論高度危險責任一般條款的適用[J].中國法學，2010（6）：152-164.

［31］劉云開.人工智能生成內容的著作權侵權風險與侵權責任分配[J].西安交通大學學報（社會科學版）：1-13.

［32］齊岳，廖科智，劉欣，等.創新創業背景下科技型中小企業融資模式研究——基于知識產權質押貸款ABS模式的探討[J].科技管理研究，2018，38（18）：127-132.

［33］魏瑋.利益平衡論及其在知識產權司法保護中的應用[J].法律適用，2004（11）：15-18.

［34］勞東燕.風險社會與變動中的刑法理論[J].中外法學，2014，26（1）：70-102.

［35］鄭智航.人工智能算法的倫理危機與法律規制[J].法律科學（西北政法大學學報），2021，39（1）：14-26.

［36］柴瑞娟.監管沙箱的域外經驗及其啟示[J].法學，2017（8）：27-40.

［37］[美]所羅門·許布納.財產和責任保險[M].陳欣等，譯.北京：中國人民大學出版社，2002：46.

［38］黃立強，沈宇，石浩.保險科技對保險價值鏈的沖擊與影響[J].經貿實踐，2018（14）：75-77+79.

［39］李中原.論民法上的補充債務[J].法學，2010（3）：78-91.