從運動科學，走進更高風險的場域

在上一章，我提到自己實際參與打造一個國家級運動數據平台的經驗——那讓我看見，運動科技表面上在追求更好的成績，深層其實是在探索如何讓科技增強人類能力，AI 扮演的是協作者的角色，幫助教練在更完整的資訊下做判斷。

這套思考之所以值得延伸，是因為運動科學與醫療高度相似，都面對大量資訊、高度不確定與有限時間下的重大決策，差別在於代價——醫療決策的錯誤成本更高。

我曾實際參與一間醫學中心的藥品管理專案，這一章，我想把同一套思考方法帶進醫療照護這個更高風險的場域；讓接下來的討論，不只是理論推演，而是從真實現場的觀察出發。

這幾年，AI 產品常被形容成「很聰明」——能快速讀懂大量資料、辨識影像、整理病歷，某些任務的表現甚至已經超越人類。這種能力放進一般產品裡，通常能直接轉化成效率與便利。但當 AI 走進醫療現場，我反而會先問一個問題：這套系統值得被信任嗎？

核心問題：可信任，是準確率，還是能不能提早介入？

我認為「醫療 AI 是否可信任」這件事，真正該問的問題，是使用者能不能在錯誤真正造成傷害之前，察覺異狀並介入——這比模型的準確率有多高更關鍵。

這個問法背後有一個前提：醫療錯誤通常是流程、資訊、環境與制度層層疊加的結果，很少單純是某一個人一時疏忽造成的——藥師漏看一個藥物交互作用，背後可能是排班太滿、系統介面設計不良，或當下同時處理太多病人。如果只用準確率衡量 AI「聰不聰明」，反而會忽略這整套系統性的風險。

這也代表 AI 進到醫療現場，不必然只會降低錯誤，它同樣可能因為過度自動化製造出新的錯誤——比如系統把某個步驟做得太順、太自動，反而讓人失去原本應有的警覺，或是在判斷出錯時，沒有留下足夠明顯的空隙讓人介入。

這也是為什麼我認為，Trust 不等於 automation bias。醫護人員「願意使用」一套 AI 系統，不代表這套系統值得信任；相反地，一套系統如果讓人不假思索地照單全收，反而是危險訊號。真正值得信任的系統，應該讓人保有懷疑與介入的空間，持續維持思考的能力。

那具體要怎麼做？這牽涉到幾件事：AI 呈現判斷時要不要標示不確定性，資訊來源能不能被追溯，誰要為最終決策負責任，系統要不要留一段時間讓人覆核，以及萬一判斷出錯，要怎麼安全地回復。這些設計問題，會是接下來幾篇文章要一一拆解的重點。

WHO 怎麼看這個問題

先看一個數字：WHO 估計，全球每年因用藥錯誤造成的醫療支出損失高達 420 億美元，平均每一間醫院每 23 小時，就會發生一起用藥錯誤——而藥物相關傷害，占了整個醫療體系中所有可預防傷害的一半左右。

這也是為什麼世界衛生組織（WHO）把藥物相關傷害列為醫療體系中「可預防傷害」的重點，並鎖定高風險情境、多重用藥、照護轉銜三大優先行動場域。

但這個框架真正值得注意的地方，是 WHO 開出來的藥方，比這幾個數字本身更值得留意——政策目標從頭到尾鎖定的是改善處方、調劑、給藥、監測與病人使用的整個系統，「導入 AI」從來不是重點，頂多是眾多可能手段中的一種。

換句話說，AI 只是眾多可能的介入工具之一，它能不能真正發揮價值，取決於它是否被放進對的位置，去支撐一個本來就存在、也本來就脆弱的系統。這也是我在思考醫療 AI 產品設計時，一直提醒自己的起點：先看系統的風險在哪裡，再問 AI 能做什麼。

醫護現場，遠比想像中容易出錯

要理解這個風險有多真實，最好的方式是看看世界各地醫護人員每天實際面對的狀況。

第一個問題是中斷與注意力碎片化。2025 年一篇涵蓋九個國家的 scoping review 納入 22 篇研究，其中 16 篇、也就是 73%，發現護理工作中的中斷與給藥錯誤呈現統計上的正相關。護理師在中國、沙烏地阿拉伯與南韓的醫院環境中，每小時可能被中斷約 6 到 14 次；中國與澳洲的觀察研究則發現，約 94.5% 到 99% 的給藥 rounds 曾受到中斷——換句話說，「不被打斷地完成一次給藥」，在很多現場其實是例外，不是常態。這些中斷可能來自其他醫護人員的臨時詢問、病人與家屬的需求、電話簡訊與警報通知，也可能來自藥品缺貨、資料缺漏或系統無法同步。

第二個問題是警示疲勞。現行的臨床決策支援系統常見的困境，通常在於提醒太多、太早、太不具體。當大量重複警示出現、嚴重度標示不清楚，醫護人員又剛好在處理另一個更急迫的病人時，長期下來很容易養成「override habit」——為了快速完成流程，直接關閉提醒。

第三個問題是資料與系統的不連續。許多醫院的 EHR、藥局系統、護理紀錄與檢驗系統並沒有完全整合，藥品名稱、縮寫與單位也未必一致；病人轉院、轉科或出院時，藥物清單經常無法完整同步。這代表一套 AI 即使在單一資料庫裡表現得很準確，也不必然能在真實的臨床流程中安全運作。

第四個問題是人力不足與高認知負荷。護理人員需要同時處理病人照護、給藥、紀錄、交班、家屬溝通與跨專業協作，疲勞、夜班、加班與任務切換都會直接影響注意力——這也代表，任何一套宣稱能「降低負擔」的系統，都值得被反覆檢視：它降低的究竟是真實工作量，還是只是把負擔換了一種形式。

第五個問題是地區與資源的不平等。高收入國家的困境，可能是 EHR 太複雜、警示太多、資料太過量；但資源較少的地區，面對的往往是醫療人力不足、連線與設備不穩定、藥品資料庫不完整，甚至系統由外部供應商設計，與當地實際工作方式並不匹配。同一套 AI 產品，放進不同的現場，可能解決的是完全不同層級的問題，也可能製造出完全不同的新風險。

這五個問題放在一起看，會發現它們指向同一件事：AI 會不會被放進一個本來就充滿中斷、警示過量、資料斷點與人力吃緊的現場，跟模型本身準不準確同樣關鍵。

醫療現場，早就有一套值得信任的機制

醫療現場本身就是一個高度重視風險管理的環境。以藥品調劑與給藥流程為例，藥師交出藥物前，會透過層層檢核，從處方、藥品、劑量到病人資訊逐一比對，盡可能降低人為疏失的機會。

換句話說，醫療體系早就建立了一套成熟的 Human-in-the-loop 機制。也正因如此，當 AI 開始進入這套流程，問題才變得真正有意思——AI 真正要面對的，是想清楚自己能為這套已經存在的把關機制，多補上什麼。

現行的 AI 產品，其實走的是不同的路線

如果把市場上與藥物、醫護管理相關的 AI 產品攤開來看，會發現它們分別站在系統的不同節點上，彼此處理的其實是不同層次的問題：

• 有些產品專注在藥物安全監測，透過異常值偵測，在病人整段旅程中找出可能被忽略的用藥風險；
• 有些專注在個人化劑量，用貝氏方法協助精準給藥與治療藥物監測；
• 有些解決的是藥局流程自動化，把處方輸入、藥物調和、事前授權這類行政工作簡化；
• 也有一些走臨床知識搜尋路線，協助醫護在龐雜的藥物資訊與臨床指引中快速找到答案；
• 還有一類專注在護理紀錄自動化，把護病互動轉成結構化紀錄，再交由護理師審核。

這幾條路線背後，其實對應著完全不同的問題假設：有的假設「風險藏在資料裡，人力搜尋不過來」，有的假設「風險藏在行政負擔裡，擠壓了照護時間」，有的則假設「風險藏在紀錄與資訊斷點裡」。

這也是為什麼我認為，討論「醫療 AI」不能只問「這個產品聰不聰明」，而要先問：它假設的風險在哪裡？它想站在系統的哪一個節點上？

下一個問題：醫藥流程真正卡在哪裡？

所以，討論 AI 如何進入醫療時，我認為最值得問的問題，比起「哪個環節可以被 AI 自動化」，更接近下面這一句：

在一個已經有多重人工檢核的高風險流程裡，AI 究竟該站在哪個位置，才能真正補上一層人原本做不到的安全保障？

這個問題，也把我的注意力拉回藥品管理本身。藥師每天面對大量處方、頻繁的藥品異動，以及需要即時確認的資訊——即使流程已經相當嚴謹，仍有大量工作需要人花時間搜尋、比對、判斷。

下一篇，我會從藥品管理的實際流程拆解起，看看在這套高度仰賴人工檢核的系統裡，還有哪些地方能透過 AI 降低錯誤與認知負荷。