醫療業的生成式 AI：
病歷文件、衛教內容與行政減負

凌晨一點，值班住院醫師終於看完最後一床，卻還不能休息——今天的病歷還沒補完。交班摘要、病程紀錄、出院衛教單，一份一份等著他。這是全球醫療現場共同的困境：醫護人員把大量時間花在螢幕與鍵盤，而不是病人身上。Topol 在《Deep Medicine》裡直指，過度的行政與文書負擔，正是醫療「去人性化」的根源之一，而 AI 的真正價值，應該是把時間還給醫病關係^[1]。這正是生成式 AI 在醫療業最該先做的事。

先畫紅線：哪些交給 AI，哪些永遠留給醫師

生成式 AI 在醫學知識上的表現確實驚人。Singhal 等人在《Nature》發表的研究顯示，大型語言模型能編碼相當程度的臨床知識，在醫學問答基準上達到接近專業水準的表現^[3]。但「答得像醫師」不等於「可以取代醫師判斷」。Rajpurkar、Chen、Banerjee 與 Topol 在《Nature Medicine》的回顧中強調，醫療 AI 的落地必須嵌入臨床工作流程、並保留人的監督，才談得上安全與可信^[2]。加上語言模型固有的幻覺問題——它會生成看似合理、卻無法驗證的內容^[4]——結論很清楚：把文件、摘要、衛教這類行政性任務交給 AI，把診斷、處方、臨床決策這條線牢牢留在醫師手上。

場景一：病歷與交班文件的草擬

病歷書寫、病程摘要、交班紀錄、出院摘要——這些是最典型的「格式固定、重複性高、吃掉臨床時間」的文書。讓 AI 根據看診對話或既有紀錄生成初稿，醫護只需覆核、修正與簽名，能省下可觀的時間。這類「AI 生初稿、人覆核」的模式，在其他知識密集產業也已有生產力實證：客服現場的大規模實驗顯示，AI 助手讓生產力提升約 14%，且對新手幫助最大^[6]——放到醫療，正對應「讓年輕醫護更快完成合格文書」的場景。但鐵律不變：涉及診斷與處置的內容，AI 只做記錄整理，判斷與責任仍在醫師。

場景二：衛教內容——把專業講成病人聽得懂的話

衛教是醫療溝通的最後一哩，也最耗心力：同一個衛教要點，要為不同年齡、教育背景、疾病階段的病人講成不同版本。生成式 AI 很擅長「改寫語氣與難度」，能把艱澀的醫學說明轉成白話、多語言、圖文並茂的衛教素材，大幅減輕衛教護理師的負擔。關鍵同樣是接地：衛教內容必須基於院內審核過的正確資料，用檢索增強生成（RAG）把每一句話對應到可查證的來源，再由專業人員審閱後才對病人發布^[5]。這樣既享受 AI 的效率，又守住醫療資訊的正確性。

場景三：行政減負——排程、表單與跨部門查詢

醫院的行政複雜度不輸臨床：保險申報、轉診文件、各類同意書、跨科室的規定查詢。把院內的作業規範、健保規則、表單範本做成一個 RAG 知識庫，讓行政與醫護人員用自然語言問、系統回答並附上出處，能省下大量翻文件的時間。要注意的是，RAG 答不準多半不是模型問題，而是文件切塊與檢索沒做好，我們在〈RAG 知識庫為什麼答不準〉裡有完整拆解。同樣講求嚴謹查證的金融法遵場景，思路是相通的，可參考〈金融業導入生成式 AI〉。

怎麼開始：從最安全的文書場景試點

醫療業的導入節奏應當保守而務實。選一個不涉及臨床決策、容錯較高的場景（衛教改寫或行政查詢）做試點，建一組真實案例的評測集來衡量正確性，確認站得住腳再擴大。這套「試點→評測→人工把關」的方法，我們寫在〈企業導入生成式 AI〉，也整理在〈生成式 AI 解決方案總覽〉。醫療的特殊性在於錯誤成本極高，但這不是拒絕 AI 的理由，而是「先從文書、把臨床留給人」的理由。把時間從鍵盤還給病人——這才是醫療 AI 最值得追求的成效。