醫病平台／關於ChatGPT與醫病關係的幾點想法｜杏林．診間｜焦點

編者按：幾週前才以ChatGPT為主題，由三位年長的醫師發表這新科技可能引起對醫病關係以及醫學教育的影響。本週我們再度以同一主題，由醫學院畢業沒幾年的年輕醫師寫出他們對人工智慧對醫療的影響。一位醫師討論「大型語言模型」對病歷書寫可能發生的影響。在目前煩忙的醫療工作中，如果能只輸入簡短正確的病史要點，而由電腦轉寫為文法通順且內容正確的住院、出院、轉院的病歷紀錄，可以改善醫療工作的效率。其他兩位醫師由另一角度探討這問題，認為這種科技的介入最大的受益者應該是普羅大眾，病人可以更容易獲得他們可以了解的醫療專業知識，讓病人在醫病關係中獲得較為平等的地位，並且因為診斷和檢驗效率的提高，而大幅降低等待時間，提高治療品質。同時，醫師也才能有時間改善與病人與家屬的互動，達到更理想的醫病關係。這三位年輕世代的醫師呼籲醫護人員、民眾和醫學生一起好好利用新技術，創造更美好的醫療環境，並在這個快速變化的世界中共同成長。

引言

本系列文章旨在深入探討人工智慧模型，特別是像ChatGPT一般的大型語言模型(large language model)，如何改變或影響既有的醫學教育模式以及醫病關係。先前的文章透過科技面、人性面和產業面深入解析潛在問題，也透過實際與ChatGPT的問題，展現其寫作、草擬大綱與結構性問答的能力。

大型語言模型是指具有10億數量級以上的自然語言處理系統，它們可以處理自然語言問答、數學推理、程式語言寫作、情感分析等多種任務。科學家發現，深度學習模型的能力並非與模型參數數量成正比，當深度學習模型的參數數量到達一定數量級，例如GPT-3的1750億或LLaMA的650億時，深度學習模型的能力會呈指數型上升，並在各種任務上表現出卓越的成長。

對於大型語言模型所帶來的革命性改變，醫界持有不同的觀點。簡言之，可以用光譜來表達：在光譜的一端是ChatGPT將帶來醫療就業市場的革新，因為病人將可以從ChatGPT獲得更即時與近乎正確的答覆，提供可近的專業醫學知識；另一端則是無法改變醫病關係，反而讓診間與醫師的實際互動彌足珍貴。

本文將會從科技與社會的角度切入，展示新的科技即便改變人類的行為，但仍然不會改變人類的需求；接著，本文將融匯光譜的兩端，並與您一起勾勒出未來醫病關係的新模式。

你還買書嗎？淺談專業知識的解放

台灣出版業產值曾達到600億元的高峰，卻在這幾年跌至180億元。人們通常歸咎於台灣人不愛看書、網路書店的興起，抑或是國家政策的失當。不過，我們可以從另一個角度來看待這個現象。不妨簡單地問「還翻過任何一本紙本百科全書嗎？」、「還買過一本紙本的中英文字典嗎？」或「還需要紙本的健身、園藝、食譜書籍嗎？」，答案多近否定。是的，我們有許多的閱讀動機在於解決問題，而隨著科技與網路的興起，在人手一機的時代，諸多的疑難雜症的解方在網路上俯拾皆是——是的，差不多就是一個俯拾的時間，就能從手機和電腦在網路上檢索答案。

人類文明社會的成長，一部份由專業知識的解放過程所驅動：從最初部落文明中，耆老透過口耳相傳知識，到傳統社會的文書記事，到現代社會的網路檢索。隨著ChatGPT的發展，我們也許不難想像下個文明對專業知識的態度—由大型語言模型直接搜集數十篇相關新聞報導、學術論文、散文札記，並按脈絡與結構彙整其中的知識，並在遠短於俯拾的時間內答覆終端使用者。

當佶屈聱牙、艱澀拗口的專業知識以平易近人、淺入深出的方式傳遞給病人，相等於醫學的專業知識的大門向大眾人民開啟，改變最多的將會是醫生與病人之間的資訊不對等。這形同於賦權(empowerment)：幫助病人突破醫學專業的限制，去除原來的無力感，進而能透過增加相關知識而主動並積極地改變生活型態。

大型語言模型可能取代醫生嗎？

Google搜尋引擎的興起是醫學知識普及的一個顯著例子。過去，醫學專業知識常常存在於接受過醫學專業訓練的醫護人員的大腦中，或者被隱藏在厚重、陳舊的醫學教科書中，因此，對於一般民眾而言難以獲取。然而，在Google搜尋引擎問世之後，醫學知識的門戶被一聲巨響地打開了。據Google在2015年發表的報告顯示，每20個Google搜尋項目中就有一個與醫療健康相關，而如今每天有超過85億的Google搜尋次數，這意味著一天即有四億次的健康相關搜尋。近年的研究還顯示，越來越多的青少年和成年人會在Google上尋找醫療健康資訊。就連在診間，患者提及自己的疾病及治療方案時，也不再只提及認識的醫護人員的專業建議，而是經常提及自己透過網路查詢相關資訊。這些都表明，科技的發展降低了門檻，讓專業知識得以普及，這對人們的生活和健康帶來了巨大的影響。

Google尚且不能取代醫生，那大型語言模型有可能嗎？

首先，我們必須意識到醫學需要問診、身體診察、血液檢查和侵入性檢查，以及各種藥物和非藥物治療方式。這些都不能單靠「豐富和全面的醫學知識」來取代，而需要使用昂貴的專業儀器和技術人員來完成。因此，單一的大型語言模型無法取代醫生，更準確地說，無法取代整個醫療過程。

其次，我們需要認識到大型語言模型可能會在「病史詢問」和「根據檢查結果診斷疾病」方面達到專科醫師的水準。相比於Google作為檢索系統，大型語言模型具有自然語言處理能力，能夠記憶和統合大量的醫學專業知識，並通過一問一答的方式整合病人提供的信息，給出相應的建議或判斷。在「病史詢問」和「疾病診斷」上，AI極有可能超過99％的專科醫生，成為第一線民眾資訊的對象，或「第二位醫師」。事實上，再搭配手持式檢測設備(心電圖、超音波)、進階的電腦視覺技術等等，AI模型可能進一步配合部分的非侵入性檢查，成為居家的醫學顧問。

有人可能質疑AI模型沒有實際接觸病人的經驗，因而無法做出有效的判斷，更不用說處理複雜病史、多種重大疾病集於一身的急症病人。但別忘記，大型語言模型「可以」閱讀上百本醫學專業書籍、上萬個權威醫學期刊的個案報告和數千萬個醫學影像。此外，它還能整合醫學電子數據庫，從上億筆急重症的病人的資料中學習不同治療處置對病人的影響。這種學習能力跨越了數十個專業科別、族群、國家和醫學中心，其所擁有的「經驗」是所有醫生所難以企及的。

儘管如此，訓練這樣一個全能整合性的大型AI模型在近期尚屬困難，原因在於資料前處理的繁複、病人隱私的維護、商業利益的劃分、模型的可責性與跨系統軟硬體整合。但是，這樣的未來是可以預期的。屆時，醫療機構需要重新思考AI與醫師的權責設計、醫療服務的規劃、商業模式的洗牌與重新建立。

讓AI成為更好的醫病溝通工具

未來勢必會出現卓越的大型語言模型，在醫學知識、醫療教育上有超群的表現，甚至能在台灣醫院本地的資料上進行微調。這將大規模地挑戰既有的醫療結構。而醫療機構是否有最優秀的大型語言模型，或者將左右民眾對於醫療機構的信任程度。

在民眾端，未來的大型語言模型設計上，將會引導民眾將自身的不適、副作用與疾病有系統性且全面性的表達，就像是讓實習醫生使用LQQOPERA進行問診般。(LQQOPERA是一種問診架構，透過詳細詢問部位、性質、量化、發作情形、誘發因子、惡化因子、緩解因子及伴隨症狀來了解病狀特性，進而協助鑑別診斷)。接著，引導民眾傾訴家族史、疾病史、藥物史等等相關病史，以協助醫師更深入地瞭解病人。最後，大型語言模型可以獲得非正式的個人化相關常識、鑑別診斷、健康指南以及就診建議。

在醫師端，大型語言模型可以快速整理病人的主訴以及相關病史，將診間的醫療模式更專注在人本關懷、身體診察，而非搜集重要但瑣碎的病史資訊。大型語言模型可以快速地為醫師推薦可能的鑑別診斷、檢查檢驗、藥物套裝以及衛教資訊。加速整個看診流程。

在醫病關係上，大型語言模型可以幫助醫師更好地瞭解病人的需求。透過用Line追蹤與提醒吃藥，衛教正確的用藥指導，避免不按時服藥、吃吃停停、未完成整個療程，增加臨床治療的困難度。在醫學教育上，導入AI，讓有豐富臨床經驗的醫師專注在「真實的智慧」而非「表面的知識」，讓醫學生專注在獨立思考以及臨床思維。

簡言之，我們可以讓AI成為醫護人員與民眾之間的催化劑。催化劑在化學反應中，不是反應物也不是生成物，但是卻參與反應的過程，並且可以提升化學反應速率。在未來，我們可以想見大型語言模型將成為醫病溝通之間的催化劑，協助病人更有效地傳遞自身的需求、不適與病情；協助醫生有效地理解與追蹤病人狀況。AI參與了醫病關係，提升了醫病互動間資訊的傳遞速度，卻未取代病人或醫生的任一方。