上一篇談的是「可信任」這個抽象問題，這一篇我想把它落到一條具體的流程上。

藥品從開立到送到病人手中，中間要走過處方、調劑、核對、給藥、紀錄、監測、交班轉銜等多道關卡，每一關都由不同角色把關，也各自有機會出錯。這篇文章會沿著這條完整流程，逐段拆解錯誤可能發生在哪裡、現在由誰把它接住，以及 AI 在每一關該扮演提醒、阻止、排序，還是只留下紀錄的角色；接著透過 Swiss Cheese Model 說明錯誤如何在層層防線中悄悄穿透系統。

最後回到一個核心問題：AI 加進來之後，究竟能不能補上人力原本接不住的那一塊。

一顆藥，要走過多少道關卡

完整拆解的話，這條流程大致可以分成八段：處方 → 藥物調劑 → 藥品準備 → 身分核對 → 給藥 → 紀錄 → 監測 → 交班／轉銜。

每一段我都想問三個問題：

• 這裡可能發生什麼錯誤？
• 現在由誰發現錯誤？
• AI 應該提醒、阻止、排序，還是只留下紀錄？

處方：醫師依病人狀況決定用藥、劑量、頻率與服用方式，容易出現藥品選擇不當、劑量誤植、頻次錯誤，或忽略過敏史與交互作用。這一關通常要等到藥師核對處方時才會被發現。這個階段醫師仍握有最終專業判斷，AI 比較適合的角色是提醒——把可能的異常標記出來，交給醫師與藥師確認，而不是直接攔下。

藥物調劑：藥師依處方決定要調配的藥品、劑型與數量，可能涉及稀釋、混合等操作，容易出現劑型錯誤、單位換算錯誤，或調配內容與處方不符。這一關通常由複核藥師發現。因為同時要處理的處方量往往很大，AI 在這裡適合做的是排序——把風險較高的處方往前標示，讓複核的注意力先放在最需要的地方。

藥品準備：包括分包、貼標籤等實體作業，容易碰到藥名相似、包裝相似、規格混淆的問題。這一關通常在給藥前，由護理師核對標示時發現。這是視覺辨識容易出錯的環節，AI 適合的角色是提醒——針對外觀相似的藥品組合主動示警。

身分核對：確認病人身分是否與處方相符，容易出現同名同姓、床位錯置等問題。這一關理論上要在給藥前、由護理師透過腕帶或條碼核對時攔下。因為身分錯誤的後果通常很直接，這裡是少數適合讓 AI阻止流程繼續的環節——條碼比對不符時，直接中斷給藥動作，而不是只留下提醒。

給藥：即使前面每一關都順利完成，仍然需要再次確認病人、藥品、劑量、時間與途徑，容易出現時間誤差、途徑錯誤，或重複給藥。這一關的最後防線，是給藥當下的護理師自我核對。AI 在這裡可以同時扮演提醒與阻止——在時間窗口或途徑明顯不符時提示，遇到高風險組合時才真正攔下。

紀錄：給藥後需要完整記下時間、劑量與執行者，容易出現忘記記錄、記錄時間與實際給藥時間不符的落差。這通常要等到交班或事後稽核才會被發現，屬於比較晚才浮現的錯誤。這個階段 AI 適合的角色單純是留下紀錄——自動帶入時間戳與結構化欄位，減少人工輸入的機會，不介入臨床判斷。

監測：給藥後持續觀察病人反應，容易出現沒能及時發現不良反應，或生命徵象追蹤延遲的問題。這一關依賴值班人員持續留意，也可能靠病人或家屬主動反映。因為同時要照顧的病人數量往往超過負荷，AI 在這裡適合做的是排序——依風險程度整理出此刻最需要優先查看的病人清單。

交班／轉銜：病人轉科、轉院或出院時，容易出現藥物清單沒有完整同步、遺漏用藥資訊的問題。這一關通常要等到接手的醫療團隊，或病人自己與家屬發現落差時才會浮現。AI 在這裡適合同時做提醒與留下紀錄——自動比對轉出與轉入的用藥清單差異，並把比對結果留下軌跡。

整條流程，很像一張由層層防線交織而成的網，每一關都在替下一關降低風險。

流程已經如此嚴謹，錯誤為什麼還是會發生？

如果把錯誤簡單歸咎於「一時疏忽」，最後很容易導出一個聽起來合理、卻難以真正解決問題的結論：提醒使用者更加小心。但人在真實工作場景中，很難長時間維持同樣的專注力——藥師可能同時要應付大量處方、臨時插件、病人提問與其他任務，當同樣的作業反覆執行，注意力自然會逐漸下滑。

拆開來看，錯誤的成因大致可以歸納成四個層面：

• 人的層面：疲勞、工作記憶的負荷、時間壓力，都會影響判斷品質。
• 資訊的層面：關鍵資訊或許存在於系統之中，卻沒有在對的時機出現；使用者得在多個畫面之間來回切換，才能拼湊出完整脈絡。
• 流程的層面：不同角色接手同一項任務時，資訊未必能被完整交接，前一位經手人清楚的事，下一位未必第一時間就能掌握。
• 介面的層面：當重要資訊與一般資訊被放在相同的視覺層級，系統即使「有提醒」，使用者也可能漸漸把它當成背景雜訊。

更麻煩的是，這幾個層面很少各自獨立運作，通常會彼此疊加、互相放大。

Swiss Cheese Model：錯誤是怎麼一路穿透系統的？

高風險系統領域有一個經典概念，叫做 Swiss Cheese Model（瑞士起司模型）。

可以把它想像成好幾片瑞士起司疊在一起：處方檢查、藥師核對、調劑確認、給藥前確認，每一關都是其中一片，而每一片都存在自己的「孔洞」——有時是資訊沒被顯示出來，有時是使用者當下沒能注意到，有時是流程本身沒有設計再次確認的機制。

正常情況下，這些孔洞的位置不會完全對齊，所以就算前面某一關出了差錯，後面的防線通常還有機會攔截。真正危險的，是這些孔洞恰好連成一條直線：某個藥名與另一個藥品極為相似，系統卻沒有特別標示；當天工作量特別大，藥師只能快速核對；介面又把規格資訊放在不容易被注意到的角落；後續流程也沒有提供有效的二次確認機制。單獨看，每一個環節都只是個小缺口，但當缺口串連在一起，一個原本應該被攔下的錯誤，就可能一路穿透整個系統。

這也代表，高風險系統的設計不能只停留在「使用者會不會犯錯」，更該追問的是：當使用者犯錯的那一刻，系統有沒有機會把它接住？

從「提醒人小心」到「讓系統協助發現異常」

假設某類藥品特別容易被混淆，最直覺的做法或許是在介面上加一個警告。但如果所有高風險情境都套用同一種紅色警示，畫面最終只會被大量警告淹沒——當每件事都被標成「重要」，真正重要的事反而失去了辨識度。

比起把所有資訊再彙整一遍，系統真正能幫上忙的地方，往往是協助人快速鎖定「此刻最該留意的重點」。

舉例來說，當藥師正在處理某張處方時，系統可以主動整理病人相關資訊，讓藥師不必自己在不同頁面間東奔西跑；一旦系統偵測到處方存在某種異常，也能把這個異常適時放進決策流程中對的位置。而這，正是 AI 開始有機會發揮作用的地方。

AI 的價值，或許就藏在「第二道檢查」裡

如果把現有的藥品管理流程看作一連串人工防線，AI 最有價值的角色之一，或許就是成為額外加上去的一層風險檢查——協助梳理龐大的資訊量，找出人容易忽略的關聯性，例如：

• 病人過去的用藥紀錄與這次處方相比，是否存在值得留意的變化？
• 這次的劑量，對照過去的紀錄，是否顯得異常？
• 不同藥品之間，是否存在需要進一步釐清的交互關係？
• 這張處方本身，是否帶有某些高風險特徵？

這些任務有一個共通點：資訊量可能相當龐大，但真正需要人來判斷的，是這個異常究竟有沒有臨床上的意義。AI 在醫療場域真正值得探索的角色，關鍵在於讓 AI 成為多一雙眼睛，協助人看見原本容易被忽略的風險，而這比單純讓藥師做得更快更重要。

AI 本身，也可能是新的風險來源

問題也隨之而來。一旦把 AI 放進本來就已相當嚴謹的醫療流程，AI 的輸出本身，就必須被視為一種新的風險來源。AI 有可能漏掉真正重要的異常，也可能發出過多缺乏意義的警告——如果 AI 每次都跳出提示，藥師最後很可能養成習慣性關閉警告的反射動作；如果 AI 給出的結論看起來十分篤定，背後卻缺乏足夠依據，使用者也可能因此過度依賴，失去該有的警覺 (Day 4：Day 04｜從 HCI 研究看：人開始無法判斷時，依賴 AI 的策略與風險會有何不同？。

於是問題就從「AI 能不能找出錯誤」，演變成：AI 找出風險之後，人該如何理解它、驗證它，並做出最終決定？

高風險場域真正需要的，是一套能讓人與 AI 一起檢視資訊、交換判斷、共同處理不確定性的系統——單向的「AI 說了算」沒有辦法承擔這個責任。

下一步：把防錯做得更細緻

回頭看整條藥品管理流程，有一個觀察我覺得特別重要：現行的醫療流程其實已經非常謹慎。藥師受過扎實的專業訓練，流程中設有多重核對機制，醫院有明確的標準作業程序，系統也持續加入各種警示與檢查功能。問題在於，當資訊量不斷攀升、醫療工作日益複雜，原本仰賴大量人工注意力來維持的安全機制，也開始承受新的壓力。

下一階段的醫療產品設計，值得思考的問題會變成：我們能不能讓系統真正理解流程中潛藏的風險，主動協助人找到此刻最該留意的地方？如果傳統系統的作法，是在每一道關卡都要求人「再確認一次」，AI 系統或許可以往前多想一步：當它能夠理解當下情境，能不能在對的時間，提供對的資訊，協助人做出一次更好的判斷？

當 AI 真正走進藥品管理流程，我們究竟該讓它幫藥師做到什麼程度？又該在哪裡畫下界線？

Day 15，我會從這裡繼續往下談 Human-in-the-loop：討論如何應用 Google AI 去創建醫療人員的 Decision Support System