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五期「AI說應該做電腦斷層」：急診醫病互動的新挑戰與教學準備本會期刊台灣急診醫學通訊台灣急診醫學通訊第九卷第五期刊登日期：2026/10/30 Taiwan Emergency Medicine Bulletin 9(5) : e2026090507回上頁點閱次數：357 PDF下載次數：1 「AI說應該做電腦斷層」：急診醫病互動的新挑戰與教學準備王慧婷高雄長庚紀念醫院急診醫學科一、當AI建議走進急診急診夜班不難遇到這樣的場景：凌晨兩點，一位七十多歲男性因胸悶到急診，生命徵象穩定，初步心電圖未見急性變化。女兒拿出手機，畫面是她把父親症狀輸入生成式人工智慧後得到的十多頁報告，列出急性冠心症、肺栓塞與主動脈剝離等各種可能性，並建議「立即安排心臟超音波及胸部血管電腦斷層」。她問：「可是AI說要做電腦斷層啊？」醫師一面等抽血、重複評估疼痛，一面還要處理候診區與救護車送來的新病人。真正困難不只是怎麼回應安排檢查的決策，而是如何在幾分鐘內分辨AI資料中哪些關係到立即安全、哪些會改變今天的處置，甚至還要照顧到家屬的焦慮。這類情境正把傳統的醫病二方互動，推向醫師—病人—AI的三方關係。二、從e-patient到醫師—病人—AI三方關係早在病人帶著Google搜尋結果來診間的年代，e-patient研究就指出，網路資訊一方面讓病人更願意提問、參與決策，另一方面也增加醫師解釋與查核的時間；比起直接否定，先理解病人為何搜尋、共同檢視真正影響決策的內容，再提供可信來源，較能維持合作關係¹。生成式人工智慧把這個現象放大：它能在短時間產生語氣完整、結論明確的個人化答案，病人因而更容易帶著既定診斷或檢查期待進入診間。醫師訪談也顯示，臨床人員擔心反覆查核AI、低價值檢查要求與工作量增加，但也看見病人參與醫療資訊討論的可能性²。因此，近期文獻將AI視為已進入照護關係的第三方，強調醫師仍須維持獨立的診療判斷、說明意見分歧之處，並為最終決策負責^3,4。目前對於專屬急診場域的AI-醫-病三方互動研究仍不多，但方向已相當清楚：病人與家屬使用AI是時代的趨勢，我們必須盡早建立一套，能在時間限制下，合理安全回應的臨床能力。三、Every Minute Counts：急診沒有逐頁查核的餘裕急診的特殊性在於病況變化快、資訊不完整、醫護任務轉換頻繁，在急診的每一分鐘都有機會成本。第一，AI報告可能很長，但醫師無法逐頁審稿；第二，即使引用真實文獻，也可能不適用於眼前病人的年齡、共病、用藥與疾病嚴重度；第三，家屬可能因AI的肯定語氣，把「可能性」理解為「一定要檢查」，甚至已自行停藥、加藥或延後就醫；第四，若醫師只說「不要相信AI」，很容易讓討論變成權威競爭，病人也可能隱瞞後續使用。實務上，可採取「風險導向的選擇性查核」。先了解病人看完 AI 資訊後是否已經採取行動，再請病人或家屬指出目前最擔心的一至三項問題。接著將這些內容依臨床優先順序分成三類：是否涉及立即安全、是否會改變當日的檢查、治療或去向，以及是否可以延後處理。對於前兩類資訊，再進一步確認 AI 的原始說法、引用來源是否存在、相關證據是否適用於目前病人，以及是否遺漏重要禁忌症或潛在傷害。至於不影響當日安全與處置的內容，可以明確說明目前尚未完成查核，並安排後續確認。這樣的做法，是把病人帶來的 AI 資訊重新放回臨床脈絡中，作為決策時需要評估的一項資訊來源。四、師資培育 Tips：把現有實證轉成急診可做的教學目前尚無研究直接驗證「病人帶著生成式 AI 報告進入急診」的標準課程；可用證據主要來自 e-patient 研究、醫師訪談、生成式 AI 臨床能力論述與標準化病人訓練。以下是依現有證據轉譯而來的教學建議。 Tip 1 先理解病人的擔心，再討論 AI 內容。 Lu 與 Schulz 納入 22 篇研究的系統性回顧指出，面對帶著網路醫療資訊就診的病人，醫師採取參與式回應，包括了解病人搜尋資訊的原因、共同檢視內容及提供可信來源，較有助於維持醫病合作；直接否定或拒絕討論則屬較防禦性的回應1。因此，教學時可以先訓練學員問：「這份資料裡，您現在最擔心的是哪一點？」先掌握病人的疑慮，再進一步討論 AI 資訊是否適用。 Tip 2 把大量 AI 資訊聚焦成今天需要處理的問題。 Allen 等人的研究顯示，醫師擔心 AI 帶來額外的查核工作，也可能面對病人依 AI 建議要求特定檢查的情況²。在急診有限的時間內，學員需要練習把大量資訊重新排序：病人最在意的是哪一至三項問題？看完 AI 後是否已經停藥、加藥或延後就醫？其中哪些內容會改變今天的檢查、治療或去向？這樣的聚焦方式可將龐雜的 AI 資訊轉成急診當下可以處理的臨床問題。 Tip 3 教學重點放在「是否適用於這位病人」。使用生成式 AI 時，維持獨立的臨床推理，並妥善處理 AI 建議與臨床判斷不一致的情況⁴，仍是十分重要的臨床能力。因此，回饋學員時，除了看他是否找出 AI 的錯誤，更要觀察他能否把這些資訊重新放回病人的病史、身體診察、共病、用藥與檢查風險中，進一步判斷哪些內容可以採用、哪些仍需確認，以及哪些並不適用於眼前的病人。 Tip 4 用情境演練，把「知道」轉成「做得到」。 Herrmann-Werner 等人以 46 名高年級醫學生進行隨機交叉研究，發現混成學習結合標準化病人演練後，學員在專家評分與標準化病人評分上均有改善⁵。急診教學可以沿用這個概念，設計「胸痛病人帶著十多頁 AI 報告，要求立即接受電腦斷層」等情境，讓學員實際練習。回饋時可聚焦幾項關鍵行為：是否理解病人使用 AI 的原因與已採取的行動、能否完成安全與決策排序、是否做到必要的資訊查核、能否將 AI 內容放回個別病人的臨床脈絡，以及最後有沒有形成清楚的共同計畫與安全網。這些項目目前較適合作為形成性教學與回饋的重點。參考文獻 1. Lu Q, Schulz PJ: Physician Perspectives on Internet-Informed Patients: Systematic Review. J Med Internet Res 2024;26:e47620. 2. Allen MR, Webb S, Mandvi A, et al: Navigating the doctor-patient-AI relationship: a mixed-methods study of physician attitudes toward artificial intelligence in primary care. BMC Prim Care 2024;25:42. 3. Fraile Navarro D, Lewis M, Blease C, et al: Generative AI and the changing dynamics of clinical consultations. BMJ 2025;391:e085325. 4. Lewis M, Fraile Navarro D, Blease C, et al: Clinical competencies for using generative AI in patient care. BMJ 2025;391:e085324. 5. Herrmann-Werner A, Weber H, Loda T, et al: “But Dr Google said…”—Training medical students how to communicate with E-patients. Med Teach 2019;41:1434-1440. 回上頁

第九卷第五期
刊登日期：2026/10/30
Taiwan Emergency Medicine Bulletin 9(5) : e2026090507回上頁

點閱次數：357 PDF下載次數：1

「AI說應該做電腦斷層」：急診醫病互動的新挑戰與教學準備

王慧婷

高雄長庚紀念醫院急診醫學科

一、當AI建議走進急診

急診夜班不難遇到這樣的場景：凌晨兩點，一位七十多歲男性因胸悶到急診，生命徵象穩定，初步心電圖未見急性變化。女兒拿出手機，畫面是她把父親症狀輸入生成式人工智慧後得到的十多頁報告，列出急性冠心症、肺栓塞與主動脈剝離等各種可能性，並建議「立即安排心臟超音波及胸部血管電腦斷層」。她問：「可是AI說要做電腦斷層啊？」醫師一面等抽血、重複評估疼痛，一面還要處理候診區與救護車送來的新病人。真正困難不只是怎麼回應安排檢查的決策，而是如何在幾分鐘內分辨AI資料中哪些關係到立即安全、哪些會改變今天的處置，甚至還要照顧到家屬的焦慮。這類情境正把傳統的醫病二方互動，推向醫師—病人—AI的三方關係。

二、從e-patient到醫師—病人—AI三方關係

早在病人帶著Google搜尋結果來診間的年代，e-patient研究就指出，網路資訊一方面讓病人更願意提問、參與決策，另一方面也增加醫師解釋與查核的時間；比起直接否定，先理解病人為何搜尋、共同檢視真正影響決策的內容，再提供可信來源，較能維持合作關係¹。生成式人工智慧把這個現象放大：它能在短時間產生語氣完整、結論明確的個人化答案，病人因而更容易帶著既定診斷或檢查期待進入診間。醫師訪談也顯示，臨床人員擔心反覆查核AI、低價值檢查要求與工作量增加，但也看見病人參與醫療資訊討論的可能性²。因此，近期文獻將AI視為已進入照護關係的第三方，強調醫師仍須維持獨立的診療判斷、說明意見分歧之處，並為最終決策負責^3,4。目前對於專屬急診場域的AI-醫-病三方互動研究仍不多，但方向已相當清楚：病人與家屬使用AI是時代的趨勢，我們必須盡早建立一套，能在時間限制下，合理安全回應的臨床能力。

三、Every Minute Counts：急診沒有逐頁查核的餘裕

急診的特殊性在於病況變化快、資訊不完整、醫護任務轉換頻繁，在急診的每一分鐘都有機會成本。第一，AI報告可能很長，但醫師無法逐頁審稿；第二，即使引用真實文獻，也可能不適用於眼前病人的年齡、共病、用藥與疾病嚴重度；第三，家屬可能因AI的肯定語氣，把「可能性」理解為「一定要檢查」，甚至已自行停藥、加藥或延後就醫；第四，若醫師只說「不要相信AI」，很容易讓討論變成權威競爭，病人也可能隱瞞後續使用。實務上，可採取「風險導向的選擇性查核」。先了解病人看完 AI 資訊後是否已經採取行動，再請病人或家屬指出目前最擔心的一至三項問題。接著將這些內容依臨床優先順序分成三類：是否涉及立即安全、是否會改變當日的檢查、治療或去向，以及是否可以延後處理。對於前兩類資訊，再進一步確認 AI 的原始說法、引用來源是否存在、相關證據是否適用於目前病人，以及是否遺漏重要禁忌症或潛在傷害。至於不影響當日安全與處置的內容，可以明確說明目前尚未完成查核，並安排後續確認。這樣的做法，是把病人帶來的 AI 資訊重新放回臨床脈絡中，作為決策時需要評估的一項資訊來源。

四、師資培育 Tips：把現有實證轉成急診可做的教學

目前尚無研究直接驗證「病人帶著生成式 AI 報告進入急診」的標準課程；可用證據主要來自 e-patient 研究、醫師訪談、生成式 AI 臨床能力論述與標準化病人訓練。以下是依現有證據轉譯而來的教學建議。

Tip 1

先理解病人的擔心，再討論 AI 內容。 Lu 與 Schulz 納入 22 篇研究的系統性回顧指出，面對帶著網路醫療資訊就診的病人，醫師採取參與式回應，包括了解病人搜尋資訊的原因、共同檢視內容及提供可信來源，較有助於維持醫病合作；直接否定或拒絕討論則屬較防禦性的回應1。因此，教學時可以先訓練學員問：「這份資料裡，您現在最擔心的是哪一點？」先掌握病人的疑慮，再進一步討論 AI 資訊是否適用。

Tip 2

把大量 AI 資訊聚焦成今天需要處理的問題。 Allen 等人的研究顯示，醫師擔心 AI 帶來額外的查核工作，也可能面對病人依 AI 建議要求特定檢查的情況²。在急診有限的時間內，學員需要練習把大量資訊重新排序：病人最在意的是哪一至三項問題？看完 AI 後是否已經停藥、加藥或延後就醫？其中哪些內容會改變今天的檢查、治療或去向？這樣的聚焦方式可將龐雜的 AI 資訊轉成急診當下可以處理的臨床問題。

Tip 3

教學重點放在「是否適用於這位病人」。使用生成式 AI 時，維持獨立的臨床推理，並妥善處理 AI 建議與臨床判斷不一致的情況⁴，仍是十分重要的臨床能力。因此，回饋學員時，除了看他是否找出 AI 的錯誤，更要觀察他能否把這些資訊重新放回病人的病史、身體診察、共病、用藥與檢查風險中，進一步判斷哪些內容可以採用、哪些仍需確認，以及哪些並不適用於眼前的病人。

Tip 4

用情境演練，把「知道」轉成「做得到」。 Herrmann-Werner 等人以 46 名高年級醫學生進行隨機交叉研究，發現混成學習結合標準化病人演練後，學員在專家評分與標準化病人評分上均有改善⁵。急診教學可以沿用這個概念，設計「胸痛病人帶著十多頁 AI 報告，要求立即接受電腦斷層」等情境，讓學員實際練習。回饋時可聚焦幾項關鍵行為：是否理解病人使用 AI 的原因與已採取的行動、能否完成安全與決策排序、是否做到必要的資訊查核、能否將 AI 內容放回個別病人的臨床脈絡，以及最後有沒有形成清楚的共同計畫與安全網。這些項目目前較適合作為形成性教學與回饋的重點。

參考文獻

1. Lu Q, Schulz PJ: Physician Perspectives on Internet-Informed Patients: Systematic Review. J Med Internet Res 2024;26:e47620.

2. Allen MR, Webb S, Mandvi A, et al: Navigating the doctor-patient-AI relationship: a mixed-methods study of physician attitudes toward artificial intelligence in primary care. BMC Prim Care 2024;25:42.

3. Fraile Navarro D, Lewis M, Blease C, et al: Generative AI and the changing dynamics of clinical consultations. BMJ 2025;391:e085325.

4. Lewis M, Fraile Navarro D, Blease C, et al: Clinical competencies for using generative AI in patient care. BMJ 2025;391:e085324.

5. Herrmann-Werner A, Weber H, Loda T, et al: “But Dr Google said…”—Training medical students how to communicate with E-patients. Med Teach 2019;41:1434-1440.