AI 環境語音病歷:讓醫師門診少打字、自動生成 SOAP 病歷的落地做法與導入陷阱

上週三下午,我坐在一間區域醫院家醫科診間後面的角落。醫師看一個病人平均 8 分鐘,其中有將近 3 分鐘,他是低著頭打字的,眼睛盯著螢幕不是病人。病人講完主訴,他要回頭補打;開完藥,他要再補一段病程紀錄。門診結束是下午五點半,他真正離開座位是七點——那一個半小時,全花在補病歷。

這不是個案。這是台灣門診醫師的日常。而 AI 語音病歷,正是為了把這一個半小時搶回來。

AI 語音病歷到底是什麼

AI 語音病歷(ambient AI scribe,環境語音病歷)是一套在診間全程被動聆聽醫病對話、即時把口語轉成文字,再用大型語言模型結構化成 SOAP 病歷(主觀陳述、客觀檢查、評估、處置)的系統。關鍵字是「環境」與「被動」:醫師不對著機器下指令、不念關鍵字,系統像個安靜的助理,聽完整段自然對話,自己判斷哪句是病人主訴、哪句是理學檢查、哪句是醫囑。

它和傳統語音輸入的差別很大。語音輸入是「你說一句、它打一句」,你還是得逐字念出病歷內容。環境語音病歷是「你正常看診、它幫你寫」,產出的不是逐字稿,是已經分好段落、去掉閒聊、符合病歷格式的草稿。醫師的角色從「打字員」變成「審稿人」。

現場數字:文書工時到底降多少

先講我們自己看到的、以及國際上比較可信的數據,不灌水。

北美幾家導入 ambient scribe 的醫療體系(如 Kaiser Permanente、The Permanente Medical Group 大規模部署 DAX Copilot)公開的結果是:醫師平均每次看診節省約 1 分鐘文書時間,聽起來不多,但乘上一天 30、40 個門診,加上「pajama time」(下班後在家補病歷的時間)明顯下降。多數研究把醫師每日文書時間的降幅落在 20% 到 50% 之間,倦怠量表分數同步改善。

我們在台灣一家專科診所做的小規模試點,場景更接近本地:門診量大、看診節奏快、台語夾雜國語。頭兩週幾乎沒省到時間——因為醫師花在「檢查與修正 AI 草稿」的時間,和自己打字差不多。真正的轉折在第四週,當我們把常用診斷、慣用醫囑、科別詞庫餵進系統之後,單一病歷的完成時間從平均 4 分半降到 1 分 50 秒左右,審閱通過率(醫師不需大改就能簽署)從 55% 拉到 82%。

所以我的第一個誠實結論是:AI 語音病歷不是開箱即用,它是一條需要調校的導入曲線。 Demo 那天全場點頭的畫面,和第三週醫師想把麥克風丟掉的畫面,中間隔著一段沒人會在銷售簡報裡告訴你的路。

三個真正會卡住你的陷阱

陷阱	現場會發生什麼	我們的處理方式
口音與語言混雜	台語、客語、長輩的重音,加上國台語夾雜,轉錄錯字率飆高;「胸悶」聽成「凶猛」	用本地醫病語料重新微調聲學模型,建立台語常見症狀對照表,關鍵欄位強制醫師確認
專科術語與縮寫	心臟科的 STEMI、骨科的 THR、藥名劑量,通用模型常拼錯或漏字	每個科別建獨立詞庫與藥典白名單,劑量數字走結構化欄位而非自由文字
病歷正確性與責任	AI 會「腦補」——把沒發生的理學檢查寫進去(幻覺),或把病人否認的症狀寫成陽性	陰性陳述、關鍵數值一律不接受生成,只能來自實際對話;上線前設人工抽審關卡

第三個陷阱最要命,也最少被談。病歷是法律文件。一個語音病歷系統如果為了「讓病歷看起來完整」而自動補上「心肺聽診無異常」,但醫師其實沒聽診,這不只是品質問題,是醫療與法律風險。我們的硬規則是:寧可留白讓醫師補,也不讓 AI 生成任何未在對話中出現的臨床事實。 幻覺在寫行銷文案時是小事,在病歷裡是紅線。

導入時真正該做對的事

技術選型只是入場券。真正決定成敗的,是三件常被跳過的事。

一是同意與隱私。診間全程錄音,病人知情同意的流程要先設計好,錄音檔的儲存、去識別化、保存期限要符合個資法與醫療法規,這部分沒做好,後面全部歸零。

二是嵌進 HIS/EMR,而不是變成另一個要複製貼上的視窗。如果醫師得從 AI 工具把病歷複製回醫院系統,你等於多給他一個步驟,採用率會死。真正有用的整合是產出的 SOAP 直接寫回病歷欄位,醫師在原本的系統裡審閱、簽署。

三是科別分階段上線。不要一次全院推。先挑一個文書負擔重、對話結構清楚的科別(家醫、內科門診通常合適),跑順了、詞庫養好了,再複製到下一科。急診和精神科這種對話高度非結構化的場景,留到最後。

我們怎麼做

Tenten 做這類專案,不會丟一套平台給你就走。我們的工程師會進到診間,坐在醫師旁邊看他怎麼看診、聽他罵哪一段草稿最爛,把本地語料、科別詞庫、寫回 EMR 的整合一週一週調到能上線。Demo 很美不算數,是門診結束醫師能準時下班、而且他自己願意繼續用,才算真的落地。