這個問題本身設定了一個錯誤的框架。 醫療不是單一任務，而是由數十個性質截然不同的工作環節組成，有的適合自動化，有的不行。把整個職業用「取代」或「不取代」來討論，等於沒有分析。

「取代醫生」的討論之所以一再出現，原因通常是某項 AI 工具在特定任務上的表現超越了平均醫師——例如辨識皮膚病變、讀取 X 光片、偵測心電圖異常。這類消息被放大解讀成「AI 可以取代醫生」，但這忽略了一個關鍵事實：那只是醫生工作中的一小部分，而且往往不是最占時間、最消耗注意力的那部分。

真正值得問的是：醫生每天的工時，有多少是花在這種可以自動化的任務上？剩下的呢？

世界衛生組織（WHO）在報告《Global strategy on digital health 2020-2025》中指出，全球醫療衛生人力短缺的核心問題之一，正是行政與文書工作過度佔用了臨床時間。WHO 報告建議各國政府評估數位工具在減輕非臨床負擔方面的潛力，但強調「工具的導入必須以流程重設計為前提，而非單純的疊加」。

這個觀察點出了問題的本質：討論的重點不該是取代，而是重新分配工作。

不是。 多項研究顯示，醫師在臨床實際接觸病人的時間，在總工時中佔比往往不到一半，其餘時間大量用於病歷記錄、行政作業、協調排班、回覆院內訊息，以及應對資訊系統的操作摩擦。

2016 年發表於《內科醫學年鑑》（Annals of Internal Medicine）的研究顯示，美國門診醫師每花 1 小時在病人身上，就需要額外花 2 小時在電子病歷（EHR）記錄上。這個比例在台灣雖因體制不同而有所差異，但結構性問題是一致的：資訊系統設計以資料儲存為優先，而非以醫師使用效率為優先。

這不只是時間分配的問題，而是注意力的問題。在高強度工作環境中，注意力是有限的資源。每一次切換到文書作業，就是一次對臨床判斷注意力的消耗。當醫師在問診時一邊盯著螢幕輸入，這種狀態本身就影響了溝通品質。

適合 AI 介入的，是規則明確且資料充足的任務；不適合的，是需要情境判斷、倫理責任或人際互動的環節。 這條界線不是技術能力的上限，而是責任分配的設計問題。

因為大多數導入只解決了技術部分，忽略了流程設計、角色責任與使用者接受度。 一個準確率很高的 AI 工具，如果在錯誤的時間點插入工作流程，或者輸出結果沒有明確的後續行動設計，它帶來的可能是更多的摩擦，而不是效率。

這個問題的根因，在於把「導入 AI」當成目的，而不是把「解決特定問題」當成目的。

醫療 AI 導入失敗的常見原因，可以分成五個層面：

這個框架說明的是：問題不是技術不夠好，而是導入方式沒有從問題出發。每一個失敗類型背後都有可以追查的根因，而這些根因在導入前通常是可以預判的。

讓醫生能把更多時間用在真正需要人做的事：判斷、溝通、承擔責任。 這不是技術願景，而是系統設計的目標。

「需要人的部分」不只是診斷，還包括三個層次：

一、需要情境判斷的複雜案例
同樣的症狀，在不同病患身上意義不同。病患的生活背景、心理狀態、家庭支持系統，都是診斷與治療計畫的重要資訊，而且這些資訊往往不在病歷上。這個層次的判斷，需要人在現場。

二、需要信任建立的溝通
壞消息的告知、治療選項的討論、對病患疑慮的回應——這些對話的品質，不只取決於資訊是否正確，還取決於病患是否感覺被理解、被尊重。這個部分，工具可以輔助（例如提供病情說明的參考資料），但核心是人的在場。

三、需要承擔後果的決策
當一個治療決策風險很高，或者有多個選項且各有代價，最終要有人做出判斷、承擔後果，並能向病患和家屬解釋。這個責任的核心是人的判斷力和可被追責性，不是技術能力。

這三個部分如果因為行政工作、低價值問答、重複輸入而被壓縮，醫療品質就會下降。這才是 AI 在醫療領域最有意義的應用方向——不是取代，而是騰出空間。

以 FHIR（Fast Healthcare Interoperability Resources，醫療資訊互通性資源）為例，這是 HL7 International 制定的醫療資料交換標準，目標是讓不同醫療系統的資料能夠互通。當資料能在系統間流通，醫師就不需要在每次問診前手動蒐集分散在各處的病歷資訊。這是一種技術基礎設施的改善，解決的不是臨床判斷問題，而是資料準備的低價值工作——把這部分時間還給醫師，讓醫師在問診開始時就已經有完整的病患背景，能把注意力放在需要判斷的地方。

這種設計邏輯適用於更廣泛的 AI 工具評估：一個醫療 AI 工具是否有價值，不看功能有多強，而看它把哪些低價值工作移走了，以及移走之後，醫師或病患的哪個需求得到了更好的服務。

這也是一個判斷標準：當評估任何一項醫療數位工具時，可以問「這個工具讓誰的什麼時間被釋放出來？釋放出來之後，那段時間被用在哪裡？」如果這兩個問題都有清楚的答案，這個工具的設計邏輯就是對的；如果答不出來，這個工具很可能只是在既有流程上疊加了一層複雜度。

慮病症的核心，是對疾病的持續性恐懼，且這份恐懼無法被正常的檢查結果所消解。 一般人擔心身體，通常在醫師確認「沒問題」後就可以放下；但慮病症患者的焦慮像是一個沒有出口的迴圈——確認過了，又開始懷疑，懷疑之後繼續回去查。

根據 DSM-5（精神疾病診斷與統計手冊第五版），疾病焦慮症的診斷標準包括：

• 對自己患有或將罹患嚴重疾病的強烈焦慮
• 身體症狀不存在，或僅有輕微症狀，但恐懼反應不成比例
• 高度的健康警覺行為（頻繁量測、上網查詢、尋求保證，或恰好相反地刻意迴避就醫）
• 症狀持續至少 6 個月，且嚴重影響日常生活

重要的是，慮病症的患者並非在誇大或捏造不適，他們感受到的恐懼和焦慮是真實的。問題在於大腦對身體訊號的解讀方式，而不是身體本身出了問題。

因為慮病症的問題不在身體，而在大腦處理不確定性的方式。 大腦的杏仁核（負責恐懼反應）在長期高警覺狀態下，會把身體的任何細微變化都解讀為威脅訊號，這與身體是否真的有問題無關。

把慮病症想像成廚房裡一個過度靈敏的煙霧偵測器：正常偵測器只在有火災風險時響，但調錯了靈敏度的偵測器，連炒菜的油煙、烤吐司的焦香都會觸發。醫師的「沒事」，等於幫你打開窗戶確認廚房沒有失火，但偵測器的靈敏度根本沒有被校準，油煙一來就繼續響。

這個靈敏度的問題，來自大腦前額葉（理性判斷）與杏仁核（情緒反應）之間的協調失衡，長期的焦慮狀態會讓這條「冷靜通道」愈來愈窄。

網路搜尋提供了豐富但缺乏脈絡的資訊，容易強化「症狀對應重病」的錯誤連結，形成查詢—恐慌—再查詢的惡性循環。 研究者把這個現象稱為「網路疑病症（Cyberchondria）」。

網路健康資訊的特性讓這個問題更棘手：

• 選擇性展示：搜尋引擎的演算法傾向顯示點擊率高的內容，而「症狀＋嚴重疾病」的組合往往比「症狀＋普通原因」更容易吸引點擊
• 缺乏個體脈絡：網路文章無法判斷你的年齡、其他症狀、生活習慣，症狀清單只是統計，不是診斷
• 短暫的確認效果：每次搜尋在短暫安慰之後，往往帶來更強的不確定感，驅使再次搜尋

研究顯示（BMC Psychiatry, 2020），反覆的網路健康搜尋行為與健康焦慮的嚴重程度顯著相關，且這個行為本質上與強迫症的確認儀式非常相似——每次執行都只是暫時緩解焦慮，卻讓焦慮的閾值愈來愈低。

認知行為治療（CBT）是目前實證最強、最被廣泛推薦的慮病症一線治療方式，目標是修正「把模糊症狀解讀為重病」的思維模式，並逐步減少安全行為（如頻繁就醫、自我監測）。 藥物治療則常作為輔助，尤其在焦慮程度已嚴重影響日常功能時。

日常的調整無法取代專業治療，但可以減少加重症狀的行為，讓焦慮迴路有機會稍微鬆動。 重點不在於「不要想」——強迫自己不想只會讓那個念頭更強——而是調整「怎麼回應那個想法」。