海納百川》醫療暴力再現 照護體系的制度斷裂（王勝）
https://www.chinatimes.com/opinion/20251118003563-262110?chdtv

醫療暴力再現：當照護體系斷裂，生成式 AI 必須成為「制度級護欄」

近年台灣多起醫療暴力事件，一再發生在門診走廊、急診室與病房。
最新一起，是一位已司法定讞、清白無虞的高齡醫師，在門診遭到攻擊——他一輩子投入臨床、教學與行政，卻仍無法免於暴力風險。

社會輿論每次都會譴責加害者，但討論多停留在「情緒」與「個案」，忽略了一個更核心的問題：

醫療暴力不是偶發衝動，而是照護體系「預警失靈」與「人力過載」的系統性結果。

在生成式 AI 快速進入醫療場域的此刻，我們如果只把 AI 用在寫病歷、生成文書，而不處理「安全」與「風險治理」，其實是錯失了一個關鍵機會。

本文嘗試從社工個案管理、醫療治理與生成式 AI 的交會點，討論：
AI 應該如何從「好用工具」進化為「制度護欄」，保護醫師、護理師與社工？

一、醫療暴力是什麼？是「系統錯過了一連串可以介入的時刻」

在社工專業中，莫克斯利（Moxley, 1997）提出的個案管理模式，強調四個核心功能：

• 服務連結（Linkage）
• 倡導（Advocacy）
• 風險監測（Monitoring）
• 持續追蹤（Follow-up）

理想狀態下，高風險個案在踏進醫院之前，就應該被系統性評估、串聯並持續追蹤；
但現實是：

1. 資訊斷裂：法院、社福、醫院、長照之間資訊無法流通，高風險歷史被切成一段一段。
2. 人力耗竭：醫療社工與護理師花大量時間在行政、填表、系統重複 key 資料。
3. 預警缺位：除非個案當場失控，否則難以在高壓環境中即時察覺「不對勁」。

最後我們看到的暴力事件，往往是：

一連串被錯過的求救訊號，累積成一個爆點。

二、生成式 AI 不該只是「寫病歷」，而是「放大早期危險訊號」

很多醫療機構已經在使用生成式 AI（Generative AI, LLM）做三件事：

• 協助撰寫病歷摘要
• 生成衛教說明
• 協助整理研究或 guideline

這些都很有價值，但如果僅止於此，其實只是在「既有流程」上灑一層 AI 的糖霜。
在醫療暴力與高風險個案管理的脈絡中，生成式 AI 更重要的角色是：

幫系統「看見」第一線人員看不完、看不及、記不住的訊號。

以下用四個具體場景說明。

三、四個可落地的應用場景：從語意雷達到風險儀表板

1. 「公開訊息 × 語意雷達」：提早偵測危險敘事

在嚴格遵守隱私與法規的前提下，生成式 AI 可以被用來：

• 分析 公開留言板、投訴信件、匿名評論 中的語意模式
• 偵測以下類型的文字：
  • 長期反覆點名特定醫師或醫院
  • 持續出現「報復」、「教訓」、「我要討回公道」等暴力傾向字眼
  • 情緒曲線逐漸升高（從失望 → 憤怒 → 威脅）

這並不是在「監控人民」，而是在已公開的文字中，
讓系統提早標記可能需要社工或醫院窗口「關心一下」的個案。

AI 的角色不是「抓壞人」，而是幫忙把本來埋在資料海裡的紅色旗幟拉出來。

2. 「異常行為 × 多源資料」：門禁與出入模式的早期警示

在合規的資安前提下，醫院本來就會記錄：

• 進出門禁記錄
• 某些敏感區域（如醫師辦公室）的出入頻率
• 夜間或例外時間的異常停留

生成式 AI 不需要看到個人姓名與完整身分，只需要閱讀「模式」：

• 是否有人頻繁在診間外徘徊但不掛號？
• 是否出現不尋常的進出動線組合？
• 是否與過往已知的高風險行為模式相似？

這類分析過去需要工程師、統計與 IT 反覆合作，
生成式 AI + 向量資料庫的組合，已經可以讓：

• 社工 / 安管 / 護理長 直接用自然語言詢問：
  • 「過去三個月，在 X 樓反覆出現且有投訴紀錄的對象有哪些模式？」
  • 「幫我整理與某醫師糾紛案件相關的出入紀錄與投訴內容摘要。」

3. 「行政減壓 × 智能表單」：讓專業人力從文書抽身

醫療暴力事件背後一個被忽略的現實是：

第一線人員已經過載，再多一個表單，就是再少一份注意力。

生成式 AI 可以做的不是再多一套填報系統，而是：

• 將既有表單 語音化 + 對話化：
  • 社工或護理師描述情境，AI 自動完成 70% 以上紀錄
• 自動整合：
  • 住院紀錄、門診紀錄、投訴紀錄、社工紀錄摘要
  • 變成一頁「高風險個案快照」

讓專業人員不用在多個系統 tab 之間切來切去，
也比較有餘裕去觀察真正的「人」，而不是只看「資料」。

4. 「事件後 × AI Debrief」：把痛苦經驗變成系統學習

每一次醫療暴力事件，對當事醫師、護理師與社工都是創傷。
過去這些經驗多停留在口耳相傳或內部會議簡報，難以被系統化整理。

生成式 AI 可以協助：

• 整理事件經過、訪談、會議紀錄，產出：
  • 一份結構化的 「事件地圖」
  • 重新標出哪個時間點原本可以有不同介入
• 匿名化後，納入院內或跨院的 安全教材庫

久而久之，醫院內就會累積一套「活的」風險情境庫，
讓新進人員不只是看冷冰冰的 SOP，而是看到真實故事中的關鍵分岔點。

四、AI 能做什麼，也必須清楚寫出「AI 不可以做什麼」

如果要讓生成式 AI 真正被現場接受，而不是被視為監控工具，
有幾條紅線必須在一開始講清楚，而且寫進制度：

1. AI 不直接下結論，只提供「需要關注」提示
   • 不貼「危險人物」標籤，只提供「請社工評估」的提醒。
2. 不做秘密監聽或違法蒐集資料
   • 僅限合法取得的公開訊息或既有院內系統資料。
3. 所有風險評估結果，必須留有「人工覆核」權限與流程
   • 任何處置（如通報、列管）都不能完全由 AI 觸發。
4. AI 模型與規則需要定期校正與外部審查
   • 避免對特定族群（例如精神疾病患者或特定族裔）產生偏見性標記。

簡單說：AI 是社工與醫護的副駕，不是裁判，更不是警總。

五、從小規模試點開始：醫院可以怎麼走第一步？

對多數醫療機構來說，不需要一開始就打造「全院級 AI 安全平台」，
更務實的路徑是：

1. 選一個場域試點
   • 例如：精神科門診、長期爭議較多的專科、急診或高齡醫師門診。
2. 明確定義一個小問題
   • 例如：「如何在門診前，提前標記有多次投訴紀錄且情緒逐漸升高的個案？」
3. 用既有資料 + 小型生成式 AI 服務 PoC
   • 不必一開始自建大模型，可用企業級 LLM API + 院內資料庫。
4. 把社工、護理、醫師、資安一起拉進來共設計
   • 讓 AI 不是 IT 部門的專案，而是「照護團隊的工具」。
5. 尊重現場經驗，允許調整與下架
   • 若某種風險提示被第一線認為不實用，就要能快速調整策略或關閉。

六、結語：保護醫護與社工，是整個系統的「最低倫理要求」

醫療暴力不應該被視為「醫療文化的一部分」。
每一次攻擊事件，都同時傷害了：

• 一個人的身心
• 一個團隊的士氣
• 一個制度的信任

在生成式 AI 興起的這個時間點，如果我們只把科技用在「效率」與「行銷」，
而沒有用在「保護人」與「降低結構性風險」，那才是真正的錯位。

真正的數位轉型，不是讓醫護更快下班而已，而是讓他們「有安全感地繼續留下來」。

生成式 AI 不會自動讓醫療暴力消失，
但它可以讓本來被淹沒在資訊海中的紅色旗幟浮上檯面，
讓社工、護理與醫師不再孤軍奮戰。

當我們用 AI 把這些「可以提早介入的時刻」重新接起來，
我們做的不只是技術創新，而是替整個照護體系補上一道 制度級的護欄 ——
這是高齡醫師、第一線護理與社工，都應該獲得的基本保障。

https://www.chinatimes.com/opinion/20251118003563-262110?chdtv