診所導入 AI 病歷整理踩雷：資料沒對齊反而更亂

一間看診量不小的家醫科診所，三位主治醫師，一天門診量加起來破百人。院長長期被一個問題困擾：每位醫師的病歷寫法不一樣，有人習慣簡短條列，有人喜歡寫成完整敘述，轉診或衛教資料要彙整時，護理人員得花大量時間逐筆翻找、重新謄寫。剛好那陣子 AI 病歷摘要、語音轉文字工具在診所圈子裡討論度很高，廠商展示的 demo 也確實漂亮：錄下醫病對話，幾分鐘內自動生成結構化病歷，還能依照主訴、現病史、處置分段。院長心想，這正好解決長年的痛點，而且投入成本比想像中低，幾乎是「馬上上線、馬上省時間」的等級，便拍板決定全面導入。

為什麼上線第一個月就開始卡關

問題不是出在語音辨識準不準，而是出在「對齊」這件事。診所原本的電子病歷系統欄位設計是十幾年前建的，和新導入的 AI 工具之間沒有標準化的資料介接，AI 產生的摘要格式跟診所原本電子病歷的欄位對不起來，護理人員還是得手動把 AI 生成的內容剪貼、調整順序，才能塞進原本的病歷系統。更麻煩的是三位醫師的問診習慣差異太大，AI 抓取重點的邏輯是用同一套邏輯處理，結果某位醫師習慣先聊生活作息再切入主訴，AI 常常把閒聊內容誤判成現病史的一部分，摘要出來的病歷反而比醫師自己手寫的還要冗長、還要花時間校對。原本設定的目標是把每筆病歷紀錄時間縮短一半，結果第一個月反而多花了將近一倍的時間在「檢查 AI 有沒有寫錯」。

真正的問題：不是 AI 不準，是資料和流程沒有先整理好

回頭檢討才發現，診所在導入之前沒有先做兩件事。第一是沒有統一病歷欄位的資料格式，舊系統的欄位定義本來就鬆散，不同醫師填寫習慣不同，AI 工具是拿著一套通用邏輯去套用在不統一的輸入上，自然容易誤判。第二是沒有先建立審核流程，原本以為 AI 生成內容「大致正確」就能直接用，但醫療紀錄牽涉到病人安全與法律責任，任何一筆摘要都需要醫師本人二次確認，而診所一開始並沒有把這道確認手續明確排進看診流程，導致醫師在看下一位病人前，還得回頭補做這件原本以為 AI 能省掉的工作。技術本身沒有問題，問題是資料沒有先對齊、人的工作流程也沒有跟著重新設計。

這段過程付出的代價

最直接的代價是時間成本，護理人員與醫師加班校對病歷的狀況持續了將近兩個月，原本預期能減少的行政工時不減反增。其次是信任成本，有醫師開始對 AI 摘要產生質疑，乾脆恢復原本手寫或口述給護理人員謄寫的舊方法，導入的工具形同閒置，前期教育訓練與工具訂閱費用變成沉沒成本。還有一項比較隱性但更麻煩的代價，是曾經有一筆病歷摘要遺漏了病人自述的藥物過敏史，雖然在下一次回診前被護理人員發現並補上，沒有釀成實際醫療事故，但也讓診所團隊意識到，病歷這種攸關病人安全的資料，一旦把 AI 生成內容直接當作最終版本使用，風險遠比想像中高。

後來怎麼調整

診所後來沒有放棄 AI 工具，而是把導入範圍縮小。先花了三週時間，把三位醫師的病歷欄位與慣用格式統一成一套簡化的標準模板，再要求 AI 工具只負責生成「初稿摘要」，由醫師在看診結束後用一到兩分鐘快速確認、修正，而不是期待 AI 直接產出可以照單全收的正式病歷。同時把病歷語音記錄限定在幾種病症單純、對話結構固定的門診類型先試行，例如慢性病回診領藥，而不是一開始就套用在所有科別、所有問診情境上。半年後，團隊評估這套做法確實省下了行政時間，但院長也坦言，如果一開始就先做好欄位標準化與審核流程設計，原本可以少走至少兩、三個月的冤枉路。

避雷清單：導入前先確認這幾件事

診所導入 AI 病歷整理這件事，技術本身多半不是問題，真正決定成敗的是資料有沒有先整理乾淨，以及人的工作流程有沒有跟著重新設計。如果評估階段只看到 demo 展示的效率，卻沒有先盤點自己診所病歷資料的一致性，也沒有規劃好誰來把關、什麼時候把關，那麼上線初期多半會經歷一段「越用越亂」的陣痛期。看到護理人員或醫師開始私下繞過系統、恢復舊方法，通常就是該喊停、重新盤點流程的訊號，而不是硬撐著等系統自己變準。