AI 在醫學知識答題已超過多數住院醫師（USMLE、TWMLE 模擬考過及格），但仍會「自信地編造」——編造不存在的論文、給過時建議、誤譯關鍵字。本文以腫瘤科醫師視角整理：AI 能做什麼、不能做什麼、怎麼問才不被誤導、哪些情境絕對要找真人專業。並提供 8 個高風險情境清單（藥物劑量、急症判讀、保險理賠依據等）。
閱讀對象
本文設定讀者為使用 ChatGPT / Claude / Gemini 查醫療資訊的病友與家屬，以及第一線醫療同仁的衛教輔助。本文整理一般使用原則，不取代個別醫療決策。
AI 在醫療資訊上的能與不能
AI 適合的場景（綠燈）
| 場景 | 為什麼 |
|---|---|
| 解釋醫學名詞 | 「dMMR 是什麼意思？」 — 知識相對穩定、容易驗證 |
| 翻譯英文論文摘要 | 翻譯品質高，但專有名詞要核對 |
| 整理常見副作用清單 | 對標準藥物資訊整合度高 |
| 生成「該問醫師的問題」 | 幫病人組織思緒 |
| 白話解釋已知治療策略 | 「什麼是新輔助治療？」這類概念題 |
| 練習對話／預演就診 | 安全感、降低焦慮 |
AI 容易出錯的場景（紅燈）
| 場景 | 問題 |
|---|---|
| 引用論文與 DOI | hallucination 比例 10–40%，常見「看似真實但不存在」的論文 |
| 最新指引與試驗結果 | 訓練資料有 6–18 個月延遲；2024 後試驗常缺失 |
| 罕見癌、罕見變異 | 訓練資料少、容易混淆 |
| 個別藥物劑量、藥物交互作用、過敏 | 缺乏個人病歷與檢驗值 |
| 台灣健保給付條件 | 多數 AI 不熟悉台灣本土規範 |
| 保單理賠條款細節 | 條款逐字判讀超出 AI 能力 |
| 影像判讀（X 光、CT、病理） | 通用聊天 AI 沒有專科認證、無責任歸屬 |
8 個「絕對找真人」的高風險情境
紅旗清單
以下情境不要靠 AI 拍板，直接找主治醫師、24 小時專線或急診：
- 急性症狀：發燒、呼吸困難、胸痛、嚴重出血、抽搐、意識變化
- 化療相關副作用 ≥ CTCAE Grade 2
- 新藥劑量、停藥決策、藥物交互作用
- 過敏 / 不耐受處置
- 保單理賠資料準備（保險公司只認診斷書、病理報告）
- 重大治療決策（要不要手術、要不要參加試驗、要不要安寧）
- 遺傳諮詢（BRCA、Lynch、CDKN2A 等檢測結果解讀）
- 末期照護決定（DNR、AD、安寧轉介）
Hallucination：AI 為什麼會「編造」？
Hallucination 是 LLM（大型語言模型）的根本特性，不是 bug。模型生成文字時不是「查資料」而是「預測下一個字最可能是什麼」。當被問到不確定的細節（例如某個試驗的精確 PFS 數字、某個 DOI），AI 會用「最像答案的東西」生成內容——可能完全正確、可能部分錯、可能完全虛構。
常見 hallucination 模式
| 類型 | 範例 |
|---|---|
| 虛構論文 | 「KEYNOTE-XXXX 試驗（Smith et al, NEJM 2023）」— 試驗號或作者不存在 |
| 錯誤 DOI | DOI 結構正確但 doi.org 解析 404 |
| 混淆藥名 | 把 olaparib（PARPi）與 osimertinib（EGFR TKI）混淆 |
| 過時數字 | 引用 2018 試驗，但 2022 已有更新版本 |
| 錯誤適應症 | 把 A 藥的適應症套到 B 藥 |
| 編造健保條件 | 「健保 2025 年起給付 XXX」— 實際沒有 |
怎麼驗證？
| 想驗證 | 工具 |
|---|---|
| 論文 DOI | doi.org 直接貼 |
| 試驗 NCT 編號 | clinicaltrials.gov 搜尋 |
| 藥物適應症 | TFDA 仿單、FDA label、Drugs@FDA |
| 健保給付 | 健保署網站「藥品給付規定」 |
| 治療指引 | NCCN（要會員）、ASCO、ESMO、台灣腫瘤醫學會 |
| 醫院個案經驗 | 主治醫師或個案管理師 |
5 個提問技巧（讓 AI 答得更準）
要求引用具體來源
例：「依 NCCN 2026 或 UpToDate，乳癌術後 5 年內復發風險的數據是多少？請列出 DOI。」AI 在被要求引用時較不敢編造（但仍需驗證）。
指定日期範圍
例：「以 2024 年後發表的試驗為準。」減少過時資訊。
改問「我該問醫師什麼」
把「我該怎麼治療」換成「我要去看醫師，該問哪些問題？」這類提問風險較低、AI 表現較穩。
分段問、不要一次塞太多脈絡
一次給 10 個檢驗值 + 5 個用藥 + 3 個症狀，AI 容易出錯。一次一個重點。
核對關鍵數字
AI 列出的 ORR、mPFS、DOI、健保條件，全部要在原始來源驗證。
不同類型 AI 工具的差別
| 工具類型 | 範例 | 是否為醫療器材 | 用途 |
|---|---|---|---|
| 通用聊天 AI | ChatGPT、Claude、Gemini | 否 | 衛教查詢、翻譯、整理問題 |
| 臨床決策支援系統（CDSS） | UpToDate、DynaMed、BMJ Best Practice | 部分通過醫療器材認證 | 醫師臨床決策 |
| 影像 AI | Aidoc、Lunit、Mirai | 多通過 FDA / TFDA | 影像輔助診斷（醫師判讀） |
| 病理 AI | PathAI、Paige | 部分通過認證 | 病理輔助 |
| 語音轉病歷 | Abridge、Nuance DAX | 工具類 | 醫師效率工具 |
病人最常接觸的是通用聊天 AI——這是「搜尋引擎升級版」，不是醫療器材，沒有臨床責任。把它當圖書館員，不當醫師。
OpenEvidence 與其他「醫療 AI 搜尋引擎」
近年出現專為醫療設計的 AI 工具（如 OpenEvidence、Glass Health、Consensus）：
| 特色 | 評估 |
|---|---|
| 引用真實論文 | 較不易 hallucination，但仍需驗證 |
| 醫師為主要使用者 | 對病人不夠直觀 |
| 訓練資料偏歐美 | 台灣健保、亞洲族群數據較少 |
| 多為訂閱制 | 一般民眾不易使用 |
這類工具對醫師有用，對病人仍建議透過醫師轉述。
適用對象 / 不適用對象
本文適用
- 使用 ChatGPT / Claude / Gemini 查病情的病友與家屬
- 想了解 AI 風險的醫療同仁
- 第一線衛教師資
本文不適用
- 取代專業醫療諮詢
- 醫院 / 機構 AI 系統評估（需專業驗證）
結語：AI 是助手，不是醫師
| 該做 | 不該做 |
|---|---|
| 用 AI 整理「該問醫師的問題」 | 用 AI 決定「要不要做手術」 |
| 用 AI 翻譯英文衛教 | 用 AI 自我診斷急症 |
| 用 AI 練習對話、降低焦慮 | 用 AI 計算藥物劑量 |
| 用 AI 解釋醫學名詞 | 用 AI 判讀影像 / 病理 |
| 驗證 AI 引用的論文與數字 | 直接相信沒有來源的數字 |
參考文獻
- Singhal K, et al. Large language models encode clinical knowledge. Nature. 2023;620(7972):172–180. doi:10.1038/s41586-023-06291-2
- Goodman RS, et al. Accuracy and Reliability of Chatbot Responses to Physician Questions. JAMA Netw Open. 2023;6(10):e2336483. doi:10.1001/jamanetworkopen.2023.36483
- Ayers JW, et al. Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Intern Med. 2023;183(6):589–596. doi:10.1001/jamainternmed.2023.1838
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56. doi:10.1038/s41591-018-0300-7
- Walters WP, et al. Fabrication and errors in the bibliographic citations generated by ChatGPT. Sci Rep. 2023;13:14045. doi:10.1038/s41598-023-41032-5
- US Food and Drug Administration. Artificial Intelligence and Machine Learning in Software as a Medical Device. fda.gov/AI-medical-devices
引用整理協力：Singhal Nature 2023、Ayers JAMA Intern Med 2023、Goodman JAMA Netw Open 2023、Topol Nat Med 2019、FDA AI/ML SaMD 指引 (2026/05/12)。
Related posts
仿單外使用（off-label）：醫師為什麼會建議？病人能不能用？
off-label = 藥物用於「未經主管機關核准的適應症、劑量、年齡或給藥途徑」。腫瘤領域 off-label 比例極高（30–50%），原因包括 NCCN compendium 已收錄但 FDA / TFDA 尚未核准、罕見癌缺臨床試驗、新適應症在他國已核准。本文整理 off-label 與 unapproved 的差別、健保 / 自費 / PAP 給付邏輯、IRB 與 informed consent。
4 min read五年存活率到底是什麼意思？怎麼解讀才不被嚇到
「五年存活率 30%」≠「我只剩五年」。本文用病人語言拆開 5 年存活率的算法：相對 vs. 絕對、淨存活、有條件存活、SEER 資料庫、領先時間偏差，並說明為什麼 5 年數字是 5 年前診斷的人的歷史紀錄、不代表今天的你。
3 min read早期 HR+ 乳癌的 CDK4/6 輔助治療：abemaciclib 與 ribociclib 怎麼選
monarchE 5 年追蹤顯示 abemaciclib + 內分泌治療在高風險 N1+ 早期 HR+/HER2− 乳癌絕對降低 7.6% IDFS 事件；NATALEE 再把 ribociclib 推廣到 II/III 期較廣的族群；palbociclib 於 PALLAS 與 PENELOPE-B 均為陰性。本文整理選藥邏輯、副作用差異與健保現況。
6 min read