人工智慧在初診醫療服務中的應用與效益

Abstract

隨著臺灣社會快速邁入超高齡社會，人口結構變遷、慢性疾病盛行率上升以及多重共病患者比例增加，使整體醫療服務需求持續成長，醫療體系長期面臨醫護人力不足、工作負荷過重與服務量能受限等結構性挑戰。特別是在門診初診階段，病患往往因缺乏醫療專業知識，亦可能因病史、用藥資訊或相關檢查資料準備不足，導致誤掛科別、反覆轉診、診療流程中斷與等候時間過長等問題。此類情形不僅降低病患就醫體驗，也增加第一線醫護人員於問診與行政處理上的負擔，進而影響整體醫療品質與醫院營運效率。因此，初診流程作為病患進入醫療體系的第一個關鍵節點，其流程設計與資訊完整性，對後續診療決策、醫療資源配置與醫院管理成效具有高度關聯性。 近年來，人工智慧（Artificial Intelligence, AI）技術於自然語言處理、機器學習與臨床決策支援系統等領域快速發展，並逐步應用於醫療影像判讀、疾病風險預測、病歷分析與遠距醫療等場景，為醫療服務模式與流程再造提供新的可能性。特別是大型語言模型（Large Language Models, LLM）在語意理解、文本生成與資訊結構化方面的突破，使其具備協助病患進行症狀描述、病史彙整與初步分流建議的潛力。透過AI系統於初診前蒐集並整理病患相關資訊，可望降低診間重複問診與行政作業所耗費的時間，並提升醫師於看診時的決策效率。然而，目前國內外多數研究仍偏重於AI在診斷準確度或單一臨床應用上的表現，對於AI導入初診醫療服務流程後，在病患等候時間、醫護人員工作負荷與醫院管理效益等層面的整體性影響，仍缺乏系統性與實證性的分析。 基於上述背景，本研究以「人工智慧在初診醫療服務中的應用與效益」為題，聚焦於AI輔助初診服務平台之導入，探討其對醫療流程效率、醫護人力工時與醫院營運管理成效之影響。透過文獻回顧，整理國內外AI應用於初診醫療、遠距醫療與臨床決策支援系統之研究成果，並分析其在實務推動上所面臨之技術限制、法規規範與醫療倫理議題。其次，本研究參考國內智慧醫療實務案例，建構一套AI輔助初診服務平台之概念模型，強調AI在本研究中僅作為症狀整理、病史結構化與流程輔助之工具，不涉入最終醫療診斷與治療決策，以確保符合現行醫療法規與臨床專業要求。 在研究方法上，本研究採用回溯性資料分析與前後比較研究設計，蒐集並分析AI初診服務平台導入前後之相關流程數據，建立多項關鍵績效指標（Key Performance Indicators, KPI），包括病患平均等候時間、初診完成時間、第一線醫護人員工時、病患滿意度以及診斷一致率等，藉以評估AI系統導入後對醫療流程效率與管理效益之影響。 實證結果顯示，AI輔助初診服務平台的導入，能有效縮短病患初診等候時間，平均降幅約為兩成以上，顯示透過流程前移與資訊整合，可實質改善病患於初診階段的等待體驗。同時，系統透過自動化彙整病患症狀、病史與用藥資訊，減少診間重複問診與行政處理作業，使第一線醫護人員於單位病患上的工作投入時間明顯下降，整體醫護工時與加班時數亦呈現降低趨勢。從醫院管理層面觀之，AI初診平台有助於優化人力調度與門診流程安排，降低長期行政與管理成本，並在不額外增加人力的情況下提升初診服務量能，進而對醫院營收與經營穩定性產生正向影響。此外，病患減少來院次數和醫護工時的減少，也對於醫療永續（Healthcare Sustainability）目標的實現帶來實質的效益。 總結來說，AI輔助初診服務平台不僅能改善病患就醫體驗，亦能在兼顧醫療專業自主的前提下，提升整體醫療服務效率與醫院管理效能，具備醫療流程優化與智慧醫院發展之實務價值。然而，本研究亦指出，AI系統於醫療場域之應用仍須審慎面對資料品質、使用者接受度、資訊安全與法規遵循等挑戰。未來研究可進一步擴大樣本規模、延長觀察期間，或進行跨院與跨科別之比較分析，以更全面評估AI初診服務平台於不同醫療情境下的應用成效，並作為醫療機構與政策制定者推動智慧醫療發展之重要參考依據。

As Taiwan rapidly transitions into a super-aged society, healthcare demand continues to increase, placing significant pressure on outpatient services. During initial consultations, patients often struggle to select appropriate specialties and provide complete medical information, leading to misregistration, repeated referrals, and prolonged waiting times. This study investigates the effectiveness of an AI-assisted initial consultation platform designed to improve healthcare service efficiency. The system allows patients to input symptoms, medical history, and medication information before hospital visits, and provides specialty and examination recommendations based on clinical guidelines. Using a retrospective comparative design, operational data before and after system implementation were analyzed through key performance indicators and statistical tests. The results show that the AI platform significantly improves outpatient workflow efficiency. Independent sample t-tests and regression analyses indicate a significant reduction in patient waiting time (over 20%) and healthcare staff workload, while diagnostic consistency and medication safety were maintained. These findings suggest that AI-assisted consultation systems can enhance patient experience and hospital operational efficiency, providing practical implications for smart healthcare development.