台灣急診醫學會 - 台灣急診醫學通訊


首頁本會期刊台灣急診醫學通訊第九卷第三期從現場到急診創傷照護：AI 作為到院前救護與創傷團隊早期風險警示工具的應用與挑戰本會期刊台灣急診醫學通訊台灣急診醫學通訊第九卷第三期刊登日期：2026/06/30 Taiwan Emergency Medicine Bulletin 9(3) : e2026090307回上頁點閱次數：253 PDF下載次數：1 從現場到急診創傷照護：AI 作為到院前救護與創傷團隊早期風險警示工具的應用與挑戰陳唯軒¹、江宗佑²、陳甄鴻¹、邱俊文^2,3,4、劉宜庭²、周志中^2,5、邱俊杰^2,3,6 1彰化縣消防局和美消防分隊 2彰化基督教醫院急診暨重症醫學部 3國立中興大學醫學院 4嘉義大學教育所 5中山醫學大學醫學系 6彰化師範大學教育研究所關鍵詞：人工智慧、到院前救護、創傷分流、出血性創傷、創傷照護一、前言根據衛生福利部113年統計，事故傷害為台灣十大死因第7位，全年共奪走6,924條生命 [1]。創傷死亡往往發生在院前或急診早期，因此，能否及早辨識高風險病人是左右結果的關鍵。但院前創傷現場資訊基本上片段且動態變化，例如，患者可能因疼痛或意識改變無法完整表達，初始血壓穩定不代表沒有持續內出血，外觀傷勢輕微也不排除腹腔出血或脊椎損傷，因此無法提供可信賴的檢傷依據。一項針對台北市醫學中心的回溯性研究顯示，現行院前分流指引的過度檢傷率（overtriage）達48.12%，檢傷不足率（undertriage）達12.03% [2]。針對上述挑戰，近年已有研究嘗試引入AI輔助創傷分流與出血性創傷照護；本文就現有證據、應用情境與台灣在地化挑戰進行討論。二、院前創傷分流：AI整合有限資訊以分流病人到院前創傷分流長期仰賴 EMS 人員的現場判斷與標準作業流程。然而，前述研究已指出，現行分流工具存在相當程度的過度檢傷與檢傷不足，單純依賴生命徵象與事故機轉的判斷有其系統性限制 [2]。為此，近年已有研究嘗試透過AI整合多源院前資料，以輔助分流判斷。一篇以系統性方式描繪AI應用於院前創傷照護現況的文獻回顧（scoping review），共納入49篇研究，發現AI能同時整合生命徵象、年齡、受傷機轉與派遣資料等多源變項，整體表現優於僅依賴少數變項的Revised Trauma Score等傳統評分工具；其原因在於AI能降低不同EMS人員間的決策差異、自動整合多源資料做成即時分析，以及可同時支援資深與資淺EMS人員臨床決策。然而，該文獻回顧61%的研究來自美國，且多數僅完成內部驗證，其結果能否外推至不同EMS制度與病人族群仍有疑慮 [3]。三、出血性創傷：AI提供急診團隊行動提示院前創傷分流的核心目標是辨識重大創傷病人，而出血性創傷照護則進一步需要預判病人所需的醫療資源。理想的院前通報不僅要告知病人即將到院，還進一步可以提前評估是否需要啟動備血、大量輸血流程、緊急外科評估或優先安排影像檢查。一篇系統性評估機器學習應用於出血性創傷照護現況的文獻回顧，搜尋PubMed及Google Scholar至2022年1月，共篩選出89篇文獻，依應用目的分為結局預測、風險評估與傷勢分級、輸血需求預測、出血偵測及凝血病變預測五大類別。整體而言，各類別機器學習模型均展現出優於現行臨床評分工具的預測能力，顯示AI應用於出血性創傷照護具有相當潛力 [4]。若能將上述預測模型整合於院前通報流程，即可在病人到院前預判出血嚴重度與所需資源，為創傷團隊提供更具體的準備依據。四、應用挑戰與台灣本土研究然而，AI 應用於台灣創傷照護，目前仍面臨以下多重挑戰。第一，多數研究為回溯性設計，缺乏外部驗證與前瞻性臨床研究；且國外模型未必適用於台灣的救護制度、創傷中心分布與病人族群。第二，院前資料可能不完整：現場生命徵象可能無法即時正確取得，文字紀錄格式與詳細程度亦因人而異。第三，若警示頻率過高，或警示結果未能連結具體臨床行動，可能導致第一線人員的警示疲乏與信任下降。第四，模型的可解釋性不足使臨床人員難以判斷警示是否可信，加上責任歸屬與資料安全等制度面問題尚未解決，均構成實際導入的障礙。台灣已有本土研究可作為未來發展的基礎。一項以台北市道路交通事故 119 派遣通話文字為資料來源的研究，利用建立機器學習模型，用以預測到院前重大創傷團隊啟動需求 [5]。研究結果顯示，整體準確率與派遣員相近（75.0% vs. 76.8%）；但在派遣員判斷較不確定的案例中，模型準確率高於派遣員（73.6% vs. 66.3%）。這項研究提醒我們，台灣若要發展創傷 AI 早期警示工具，關鍵不只是引進國外模型，而是累積中文派遣語料、消防救護紀錄、創傷登錄與急診結果，建立符合本土流程的驗證資料。五、結語本文回顧顯示，AI 在院前創傷分流與出血性創傷照護兩個場域均具應用潛力，但現有研究以回溯性設計為主，缺乏在台灣場域的前瞻性驗證。AI 警示工具的臨床價值，不僅取決於模型的預測準確度，更在於能否警示明確的照護流程——包括升級通報、啟動創傷團隊、備血或優先安排影像。期待未來累積台灣本土資料、建立前瞻性研究，並與消防救護及急診團隊共同設計警示後的標準作業流程，使AI輔助工具得以真正進入創傷照護。【參考文獻】 1. 衛生福利部統計處。113年國人死因統計結果。衛生福利部；2025年6月16日。URL: https://dep.mohw.gov.tw/DOS/lp-5069-113.html。查詢時間：2026-06-23 00:08（UTC+8）。 2. Chen WL, Ou JC, Ko SY, Li WC, Ma HP. Efficacy of the Protocol for Trauma Team Activation in Taipei: A Retrospective Study. Emerg Med Int. 2025;2025(1):9170229. doi:10.1155/emmi/9170229. URL: https://doi.org/10.1155/emmi/9170229。 3. Toy J, Warren J, Wilhelm K, Putnam B, Whitfield D, Gausche-Hill M, Bosson N, Donaldson R, Schlesinger S, Cheng T, Goolsby C. Use of artificial intelligence to support prehospital traumatic injury care: A scoping review. JACEP Open. 2024;5(5):e13251. doi:10.1002/emp2.13251. URL: https://doi.org/10.1002/emp2.13251。 4. Peng HT, Siddiqui MM, Rhind SG, Zhang J, da Luz LT, Beckett A. Artificial intelligence and machine learning for hemorrhagic trauma care. Mil Med Res. 2023;10(1):6. doi:10.1186/s40779-023-00444-0. URL: https://doi.org/10.1186/s40779-023-00444-0。 5. Chin KC, Cheng YC, Sun JT, Ou CY, Hu CH, Tsai MC, Ma MHM, Chiang WC, Chen AY. Machine Learning-Based Text Analysis to Predict Severely Injured Patients in Emergency Medical Dispatch: Model Development and Validation. J Med Internet Res. 2022 Jun 10;24(6):e30210. doi:10.2196/30210. URL: https://doi.org/10.2196/30210。回上頁

第九卷第三期
刊登日期：2026/06/30
Taiwan Emergency Medicine Bulletin 9(3) : e2026090307回上頁

點閱次數：253 PDF下載次數：1

從現場到急診創傷照護：AI 作為到院前救護與創傷團隊早期風險警示工具的應用與挑戰

陳唯軒¹、江宗佑²、陳甄鴻¹、邱俊文^2,3,4、劉宜庭²、周志中^2,5、邱俊杰^2,3,6

1彰化縣消防局和美消防分隊

2彰化基督教醫院急診暨重症醫學部

3國立中興大學醫學院

4嘉義大學教育所

5中山醫學大學醫學系

6彰化師範大學教育研究所

關鍵詞：人工智慧、到院前救護、創傷分流、出血性創傷、創傷照護

一、前言

根據衛生福利部113年統計，事故傷害為台灣十大死因第7位，全年共奪走6,924條生命 [1]。創傷死亡往往發生在院前或急診早期，因此，能否及早辨識高風險病人是左右結果的關鍵。但院前創傷現場資訊基本上片段且動態變化，例如，患者可能因疼痛或意識改變無法完整表達，初始血壓穩定不代表沒有持續內出血，外觀傷勢輕微也不排除腹腔出血或脊椎損傷，因此無法提供可信賴的檢傷依據。一項針對台北市醫學中心的回溯性研究顯示，現行院前分流指引的過度檢傷率（overtriage）達48.12%，檢傷不足率（undertriage）達12.03% [2]。針對上述挑戰，近年已有研究嘗試引入AI輔助創傷分流與出血性創傷照護；本文就現有證據、應用情境與台灣在地化挑戰進行討論。

二、院前創傷分流：AI整合有限資訊以分流病人

到院前創傷分流長期仰賴 EMS 人員的現場判斷與標準作業流程。然而，前述研究已指出，現行分流工具存在相當程度的過度檢傷與檢傷不足，單純依賴生命徵象與事故機轉的判斷有其系統性限制 [2]。為此，近年已有研究嘗試透過AI整合多源院前資料，以輔助分流判斷。一篇以系統性方式描繪AI應用於院前創傷照護現況的文獻回顧（scoping review），共納入49篇研究，發現AI能同時整合生命徵象、年齡、受傷機轉與派遣資料等多源變項，整體表現優於僅依賴少數變項的Revised Trauma Score等傳統評分工具；其原因在於AI能降低不同EMS人員間的決策差異、自動整合多源資料做成即時分析，以及可同時支援資深與資淺EMS人員臨床決策。然而，該文獻回顧61%的研究來自美國，且多數僅完成內部驗證，其結果能否外推至不同EMS制度與病人族群仍有疑慮 [3]。

三、出血性創傷：AI提供急診團隊行動提示

院前創傷分流的核心目標是辨識重大創傷病人，而出血性創傷照護則進一步需要預判病人所需的醫療資源。理想的院前通報不僅要告知病人即將到院，還進一步可以提前評估是否需要啟動備血、大量輸血流程、緊急外科評估或優先安排影像檢查。一篇系統性評估機器學習應用於出血性創傷照護現況的文獻回顧，搜尋PubMed及Google Scholar至2022年1月，共篩選出89篇文獻，依應用目的分為結局預測、風險評估與傷勢分級、輸血需求預測、出血偵測及凝血病變預測五大類別。整體而言，各類別機器學習模型均展現出優於現行臨床評分工具的預測能力，顯示AI應用於出血性創傷照護具有相當潛力 [4]。若能將上述預測模型整合於院前通報流程，即可在病人到院前預判出血嚴重度與所需資源，為創傷團隊提供更具體的準備依據。

四、應用挑戰與台灣本土研究

然而，AI 應用於台灣創傷照護，目前仍面臨以下多重挑戰。第一，多數研究為回溯性設計，缺乏外部驗證與前瞻性臨床研究；且國外模型未必適用於台灣的救護制度、創傷中心分布與病人族群。第二，院前資料可能不完整：現場生命徵象可能無法即時正確取得，文字紀錄格式與詳細程度亦因人而異。第三，若警示頻率過高，或警示結果未能連結具體臨床行動，可能導致第一線人員的警示疲乏與信任下降。第四，模型的可解釋性不足使臨床人員難以判斷警示是否可信，加上責任歸屬與資料安全等制度面問題尚未解決，均構成實際導入的障礙。

台灣已有本土研究可作為未來發展的基礎。一項以台北市道路交通事故 119 派遣通話文字為資料來源的研究，利用建立機器學習模型，用以預測到院前重大創傷團隊啟動需求 [5]。研究結果顯示，整體準確率與派遣員相近（75.0% vs. 76.8%）；但在派遣員判斷較不確定的案例中，模型準確率高於派遣員（73.6% vs. 66.3%）。這項研究提醒我們，台灣若要發展創傷 AI 早期警示工具，關鍵不只是引進國外模型，而是累積中文派遣語料、消防救護紀錄、創傷登錄與急診結果，建立符合本土流程的驗證資料。

五、結語

本文回顧顯示，AI 在院前創傷分流與出血性創傷照護兩個場域均具應用潛力，但現有研究以回溯性設計為主，缺乏在台灣場域的前瞻性驗證。AI 警示工具的臨床價值，不僅取決於模型的預測準確度，更在於能否警示明確的照護流程——包括升級通報、啟動創傷團隊、備血或優先安排影像。期待未來累積台灣本土資料、建立前瞻性研究，並與消防救護及急診團隊共同設計警示後的標準作業流程，使AI輔助工具得以真正進入創傷照護。

【參考文獻】

1. 衛生福利部統計處。113年國人死因統計結果。衛生福利部；2025年6月16日。URL: https://dep.mohw.gov.tw/DOS/lp-5069-113.html。查詢時間：2026-06-23 00:08（UTC+8）。

2. Chen WL, Ou JC, Ko SY, Li WC, Ma HP. Efficacy of the Protocol for Trauma Team Activation in Taipei: A Retrospective Study. Emerg Med Int. 2025;2025(1):9170229. doi:10.1155/emmi/9170229. URL: https://doi.org/10.1155/emmi/9170229。

3. Toy J, Warren J, Wilhelm K, Putnam B, Whitfield D, Gausche-Hill M, Bosson N, Donaldson R, Schlesinger S, Cheng T, Goolsby C. Use of artificial intelligence to support prehospital traumatic injury care: A scoping review. JACEP Open. 2024;5(5):e13251. doi:10.1002/emp2.13251. URL: https://doi.org/10.1002/emp2.13251。

4. Peng HT, Siddiqui MM, Rhind SG, Zhang J, da Luz LT, Beckett A. Artificial intelligence and machine learning for hemorrhagic trauma care. Mil Med Res. 2023;10(1):6. doi:10.1186/s40779-023-00444-0. URL: https://doi.org/10.1186/s40779-023-00444-0。

5. Chin KC, Cheng YC, Sun JT, Ou CY, Hu CH, Tsai MC, Ma MHM, Chiang WC, Chen AY. Machine Learning-Based Text Analysis to Predict Severely Injured Patients in Emergency Medical Dispatch: Model Development and Validation. J Med Internet Res. 2022 Jun 10;24(6):e30210. doi:10.2196/30210. URL: https://doi.org/10.2196/30210。