ChatGPT問診真的比醫生準？3步驟AI自檢症狀，台大醫:跳過這一步，小病拖成大病

🔥 60 秒速覽 近期多項醫學研究與大型語言模型的臨床評測顯示，GPT-4等模型在病歷理解、鑑別診斷的「筆試」表現上，已可與住院醫師匹敵，部分情境甚至更穩定。與此同時，台大醫院體系的醫師透過媒體與衛教場合提醒民眾:AI可以當「前置分級工具」，但有一個步驟絕不能省，否則自檢反而延誤就醫。

💡 為什麼你該在乎 症狀查詢早已是大眾使用生成式AI的前幾名用途之一。對企業來說，這代表員工健康管理、保險業的數位服務、醫療院所的分流設計，都必須正視「AI當第一線」這個既成事實。醫療院所若不主動提供指引，民眾就會自己用——用得對是省時間，用錯是延誤診斷。

⚙️ 3步驟自檢法:把AI從「算命師」變成「前置工具」

步驟1:結構化輸入症狀，不寫「我覺得不舒服」 把發病時間、位置、持續天數、伴隨症狀、用藥史、過敏史逐項列出。AI的判讀品質取決於輸入結構，這是技術面的鐵律。並明確要求它「列出3到5個可能原因與各自的危險徵兆」。

步驟2:要求AI標示「紅旗症狀」，何時必須立刻就醫 胸痛合併冒冷汗、突然單側無力、高燒超過三天不退——請AI列出「出現哪些情況應直接掛急診」。這一步是安全閥，防止模型往良性方向過度收斂。

步驟3（最關鍵、不能省的）:帶著AI的整理走進診間，而不是取代診間 台大醫師的提醒核心就在這裡:AI缺乏身體檢查、檢驗數據與觸診資訊，它看不到你的喉嚨、聽不到你的肺音。正確用法是把AI整理的症狀時間軸拿給醫師看，縮短問診時間，而不是自己下診斷、自己買藥。跳過這一步，等著出事的就是你。

⚠️ 風險與質疑 兩個技術瓶頸必須面對。第一，幻覺問題:模型可能自信地陳述錯誤的醫學資訊，且一般使用者缺乏辨識能力。第二，機率偏差:AI傾向給出「統計上常見」的答案，對罕病、非典型表現的敏感度不足——而這恰恰是急診醫師最怕漏掉的部分。生成式AI是語言模型，不是診斷系統，這兩者的法規與驗證標準完全不同。

🎯 台灣機會 台灣擁有健保累積的大量就醫資料與成熟的資通訊供應鏈，若能在符合個資與醫療法規的前提下發展「AI前置分流＋醫師把關」的混合服務，從問診效率到分級醫療都有實質商機。前提是:把AI放在對的位置——參謀，不是主帥。