林暘策、林朝順

新竹國泰醫院急診醫學科

    凌晨兩點，一位 75 歲的女性病患由家屬推進急診。檢傷主訴寫著「肚子痛與全身無力」。你在床邊問診時，阿婆的敘述非常跳躍，一下抱怨肚子悶痛，一下抱怨這幾天累到沒去老人會；一旁的家屬焦急地插嘴：「她昨天好像有點喘啦！」隨後阿婆又把話題拉回她十年前的胃潰瘍病史。此時，隔壁床的生理監視器正瘋狂作響，診間電話響起護理站詢問是否要收治住院的催促。

    在這種資訊極度碎片化、充滿視覺與聽覺干擾的環境下，急診醫師的認知負荷極大，特別是面對高齡或無法清楚表達的病患時，我們的大腦為了快速處理資訊，不自覺地將注意力鎖定在「腹痛」與「胃潰瘍病史」上，而將家屬隨口提起的「有點喘」視為雜訊過濾掉，認定這只是一般的腸胃炎或潰瘍復發，開立症狀治療藥物便讓病患離院。然而，那個被忽略的「喘」，背後藏著的可能是非典型的心肌梗塞，或是致命的肺栓塞。

    在時間壓力與無止盡的資訊超載下，急診醫師的認知頻寬（Cognitive Bandwidth）經常在交班前就被消磨殆盡。這種大腦資源的枯竭，常導致職業倦怠，也常造成診斷上的認知錯誤（Cognitive Errors）包含了診斷過早結案（Premature closure）、錨定效應（Anchoring bias），或因疲勞而遺漏了關鍵的病史線索。

    近年來，隨著環境臨床智慧（Ambient Clinical Intelligence, ACI）與生成式Artificial Intelligence (AI)的飛速發展，並進化為具備自主性與推理能力的代理式人工智慧（Agentic AI, 代理式AI）。引入具備強大推理能力的AI輔助，已被證實，能有效減少這類診斷錯誤，提升決策精準度。

    為了讓讀者明白代理式AI如何在急診看診的各個階段建立防呆機制、強化臨床決策支援，我拆解為四個工作階段說明如下：

一、就診前，病史摘要與預警：病患剛完成檢傷，AI就已經在背景啟動。過去我們得耗費寶貴的時間在老舊的 HIS  (Hospital Information System)系統中翻找過去病史、雲端藥歷與近期的出院摘要。現在透過多模態搜尋與 LLM  (Large Language Model)的整合，可以做到在一瞬間整理龐雜的圖表、影像與檢驗報告，並生成一份病患的過去病史摘要。例如，在病人掛完號走入診間前，AI已經主動提示這名 75 歲女性一個月前曾因深部靜脈栓塞就診。這種看診前的情報，能打破醫師預設的認知盲點，在接觸病人前，就先展開更寬廣的鑑別診斷。

二、就診中，即時資訊捕捉：這是環境AI發揮最大價值的時刻。在取得病患同意後，系統會在背景聆聽對話並捕捉醫病交流。面對病患與家屬散亂敘述，audio-text AI 可以吸收並過濾出關鍵的臨床線索（腹痛、喘、無力）防止醫師因多工處理而遺漏致命細節。

三、就診後，病歷結構化與邏輯化：問診結束後，代理式AI會在幾分鐘內將剛剛混亂的對話，重新組織成條理分明的present illness，打破過去急診病歷常出現的複製貼上或冗長的現象。專為醫療優化的AI模型（如OpenAI推出的ChatGPT醫療照護版），甚至能比對醫學實證與院內指引，草擬出院摘要與衛教指示。如此一來，醫師的文書任務轉化為單純的審閱和編輯，研究指出這顯著減少了醫師補病歷的時間以及職業倦怠。更重要的是，審閱的過程本身就是一道認知防線，讓醫師能再次檢視自己的診斷邏輯是否與AI整理的客觀跡象相符。

四、交班前，客觀蒐集摘要，避免資訊斷層：急診交班向來是資訊遺漏與醫療糾紛的高風險節點。傳統交班常受限於疲勞、潦草的手寫筆記或缺乏結構的口頭速報。AI系統能自動統整病患病史、處置進度與生命徵象變化，快速生成一份嚴謹的交班摘要，排除了人為記憶的隨機誤差，確保高危險病患照護的連續性。

    以上是根據目前國內外臨床上實際應用，整合進入急診工作流的範例，許多技術目前理論上都已到位；然而為什麼沒有馬上廣為醫療院所應用呢? 因為醫療AI在現實上，想要實際落地應用比想像的困難多了，當科技已到位，但想要嫁接到臨床層面，依照每個單位的規模，預算，人力，資安系統，以及使用者接受度，有各種不同的考量，因此要讓想像成真，還有最後一段路要完成，下回我將更進一步說明。

參考文獻 (References)

1. Preiksaitis C, Alvarez A, Winkel M, Karamatsu M, Brown I, Sama N, Morris L, Lee JY, Gubbels A, Wahl E, Frye A, Rose C. Ambient Artificial Intelligence Scribe Adoption and Documentation Time in the Emergency Department. Ann Emerg Med. 2026 May;87(5):569-574.

2. Webb J, Chu L, Turer RW, Chen C, Rousseau JF, Salter A, Courtney DM, Higashi RT, Guzman N, Chapman WW, Willett D, McDonald SA. Crossover Evaluation of Two Ambient AI Scribe Tools in the Emergency Department. Appl Clin Inform. 2026 Jan;17(1):118-126.

3. Marquis T, Kopp M, Anderson JS, Napoli AM, Brown LL, Berlyand Y. AI-Powered Ambient Scribe Technology Experiences Among Emergency Physicians: Cross-Sectional, Mixed Methods Pilot Survey Study. JMIR Form Res. 2026 Mar 3;10:e80401.

4. Shah SJ, Devon-Sand A, Ma SP, Jeong Y, Crowell T, Smith M, Liang AS, Delahaie C, Hsia C, Shanafelt T, Pfeffer MA, Sharp C, Lin S, Garcia P. Ambient artificial intelligence scribes: physician burnout and perspectives on usability and documentation burden. J Am Med Inform Assoc. 2025 Feb 1;32(2):375-380.

5. Goh E, Gallo RJ, Strong E, Weng Y, Kerman H, Freed JA, Cool JA, Kanjee Z, Lane KP, Parsons AS, Ahuja N, Horvitz E, Yang D, Milstein A, Olson APJ, Hom J, Chen JH, Rodman A. GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial. Nat Med. 2025 Apr;31(4):1233-1238.