慈濟大學

（文/圖：護理學院 陳怡曉）

為促進護理學院師生對智慧醫療與臨床病人安全之理解，於2026年04月23 日特別邀請美國約翰霍普金斯醫學中心(Johns Hopkins Medicine) Chuen-Chin Chang (Bianca Chang)教授進行專題演講，此次活動吸引16位教師同仁參與，分享AI在醫院臨床照護中的實際應用與經驗。

此次主要探討人工智慧（AI）於臨床護理中對於病人安全的應用，內容涵蓋三大核心面向：用藥安全（Medication Safety）、醫療照護相關感染（Healthcare-Associated Infections, HAI）以及病人跌倒預防（Patient Falls）。透過講者分享美國臨床實務經驗，使我對AI如何融入護理流程、提升照護品質與降低風險，有了更具體且深刻的理解。

在用藥安全方面，以「五大正確（Five Rights）」為基礎，包括正確的病人、藥物、劑量、時間及給藥途徑。這是護理教育中最基本的原則，但在實務中往往因工作繁忙、人為疏忽或系統限制而產生錯誤。過去需仰賴人工反覆核對，如今透過條碼掃描（Barcode scanning）與電子病歷系統（EMR），可有效驗證病人身分及藥物資訊，大幅降低錯誤發生率。此外，臨床決策支援系統（Clinical Decision Support, CDS）能即時提供警示，例如藥物過敏、交互作用或劑量不當，進一步提升用藥安全。

然而，即使科技進步，講者仍強調「雙人覆核（dual sign-off）」的重要性，特別是在高警訊藥物（high-alert medications）如胰島素、抗凝血劑等使用時。原因在於科技仍有其限制，例如條碼標示錯誤或系統故障，若完全依賴AI而缺乏人為判斷，仍可能導致嚴重後果。因此，AI應作為輔助工具，而非取代專業判斷。這讓我深刻體會到「科技與人力並行」的重要性。

在醫療照護相關感染（HAI）方面，介紹常見感染類型，如導尿管相關泌尿道感染（CAUTI）、中心導管相關血流感染（CLABSI）及手術部位感染（SSI）。這些感染多與侵入性裝置使用時間過長或無菌操作不當有關。因此，最佳策略之一即是「及早移除不必要裝置」，例如術後儘早移除導尿管，以降低感染風險。

AI在此領域的應用主要體現在資料整合與預警功能。系統可透過分析病人白血球數值、體溫變化及其他生理數據，提前預測感染風險，並提供臨床人員相應處置建議。此外，透過儀表板（dashboard）呈現各單位感染率及裝置使用情形，使護理人員能快速掌握重點個案並優先處理。這種「預測式醫療」模式，讓照護從被動反應轉為主動預防，顯著提升病人安全。

在病人跌倒預防方面，分析多種風險因素，包括肌力不足、藥物副作用（如頭暈）、環境不熟悉及人力不足等。特別是在夜間或人力較少時段，跌倒風險更高。透過AI與智慧設備，如床邊感測器、警報系統及遠端監控（virtual nursing），可即時偵測病人下床動作並通知護理人員介入，達到預防效果。

此外，系統亦可依據病人過往資料建立風險預測模型，協助護理人員辨識高風險個案並採取個別化措施，如安排靠近護理站或提供一對一照護。講者特別提到「協助跌倒（assisted fall）」與「非協助跌倒（unassisted fall）」的區別，前者因有人員介入，傷害程度較低，顯示即時監控的重要性。

在文件紀錄方面，AI亦帶來重大改變。透過語音辨識技術，護理人員可直接以口述方式完成紀錄，系統自動轉換為文字並填入相應欄位，大幅減少書寫時間，讓護理人員能將更多時間投入於病人照護。此外，系統亦可記錄病人及家屬對話內容，提高紀錄的完整性與準確性，對於法律責任亦具有保障作用。

然而，這也引發隱私與倫理議題，例如是否需取得病人同意、錄音資料如何保存與使用等。講者提到，通常於住院初期取得一次性同意，並確保資料安全與使用規範。這提醒我們，在推動科技應用的同時，必須兼顧倫理與法律責任。

另一重要觀念為「Garbage in, garbage out（輸入錯誤，輸出錯誤）」。AI系統的準確性高度依賴資料品質，若護理人員未正確紀錄或未提供回饋，將影響系統分析與決策。因此，臨床人員與系統之間應形成良性互動，透過持續回饋優化模型，使AI更符合實際需求。

綜合本次演講，深刻體會到AI在護理領域的應用潛力，不僅能提升效率，更能強化病人安全。然而，AI並非萬能，其成效仍仰賴人員專業判斷、團隊合作及良好溝通。未來醫療照護的發展方向，應是結合科技與人性，建立以病人為中心的安全照護體系。

總結，此次學習讓大家了解AI如何從用藥安全、感染控制及跌倒預防三大面向提升醫療品質，也讓我反思自身在臨床實務中應如何善用科技工具，同時維持專業判斷與倫理敏感度。唯有在人與科技的協同合作下，才能真正實現高品質且安全的醫療照護。