（媒角抵加／林承志綜合報導）門診排程要讓病人少等、醫師少加班，兩者如何取捨？美國與義大利研究者在台灣時間10月17日提交預印本，讓多個AI代理模擬不同醫療角色，再把偏好交給數學模型安排流程。作者發現，代理討論可能削弱原有角色差異，急診方案選擇也受呈現順序影響。研究停留在計算實驗，與真人偏好的比對仍待進行；台灣醫院導入時，另有治理與人工確認問題。

關鍵資訊

  • 研究團隊：美國辛辛那提大學、義大利國家研究委員會與羅馬第一大學研究者。
  • AI做的工作：評分病人等待、醫師空檔與加班的重要性，或在急診運作方案之間選擇。
  • 使用工具：Qwen3.5模型；門診測試採4B，急診比較採9B與27B版本。
  • 成果狀態：公開預印本與計算實驗，尚待跨模型及真人偏好驗證。
  • 使用門檻：研究使用本機模型與最佳化程式，重現需模型運算資源與程式能力；沒有提供院所導入費用。

AI給偏好，數學模型才排出門診

Boresta等人的研究原文把門診工作分成三個角色：重視病人及時就醫的接待端、重視可持續工作量的醫療提供者，以及重視診間容量利用的排程者。三個角色都由Qwen3.5-4B扮演，各自為等待、空檔與加班的重要性打1至9分。

研究使用10份合成診間情境，分別提高候診時間、提高預估加班，或移除情境資訊，觀察評分如何改變。接著讓代理討論三輪，比較只交換數字、交換數字並附理由，以及用固定規則向平均值靠近的做法。AI產生的是決策指標的權重；實際排程由最佳化模型計算。

作者報告，討論前的評分能隨候診或加班情境改變，也呈現角色差異。但經過兩種AI討論後，部分差異減弱或反向；固定平均規則則保留原有角色排序。研究在結論指出，代理達成共識與偏好可靠，是不同的檢驗問題。

AI生成資訊圖，依Boresta等研究第3.4.4節重製：7人合成門診在加班偏高、代理交換理由的條件下，平均權重排程的合計等待與加班為50及6分鐘，穩健最佳化排程為23及16分鐘；診療時間與順序固定。

同一組病人，權重不同就可能換一張排程表

這些偏好的不確定性會影響安排結果。作者另以一名醫療提供者、7位病人的合成門診測試排程，固定每人的診療時間與先後順序，排除超額掛號，集中觀察權重的作用。

在強調加班、並經理由討論的設定下，採平均權重得到的排程，7人合計等待50分鐘、醫師加班6分鐘；把權重可能變動的範圍納入「穩健最佳化」後，選出的排程改為合計等待23分鐘、加班16分鐘。兩種安排呈現不同的等待與加班取捨。原文第3.4.4節報告，16組比較中有10組選出了不同排程。

穩健最佳化在這裡，是尋找指定權重範圍內、最不利情況下表現較好的安排。作者也明列，這項保護只涵蓋設定的權重集合，尚未證實AI給出的權重代表真實利害關係人的意願。

急診方案換個順序，代理可能改選

急診部分則把等待時間與輕症處理單位每週開放時數放在一起比較。作者使用既有模擬研究的11種運作方案，讓AI分別扮演病人、醫師與營運管理者，兩兩選擇方案，並交換兩個選項的呈現順序。9B與27B測試都使用量化版本，關閉思考模式。開放時數在這裡是資源指標，沒有換算成醫院的金錢支出。

研究第4.4節與表4顯示，9B模型三種角色在順序交換後，仍選相同方案的比例為19%至26%。研究另保留未用來估計偏好的比較組；在這些組別，加入等待與開放時數差異的統計模型，預測表現相較只看選項位置的模型，改善證據有限。

27B模型出現部分較好的結果：病人與營運管理者角色，加入方案結果差異後的預測改善通過作者設定的檢驗，醫師角色則未通過；三種角色交換順序後的一致比例為29%至61%。作者說明，順序交換的一致性也含隨機生成的變動，研究仍待其他模型家族重做，並與真人在相同任務下的選擇比較。

台灣指引區分生成式AI輔助與自主代理

對台灣醫院而言，這項研究涉及的問題，是病人等待與醫護工作量如何被寫進排程目標。世界衛生組織2024年公布的健康領域生成式AI治理建議主張，醫護、病人等受影響者在開發早期就參與設計，並有機會提出意見與疑慮。

台灣衛福部於2026年5月29日函頒的《醫療機構應用生成式人工智慧指引》涵蓋醫療與管理作業，性質為行政指導。文件同時明訂，具有自主決策、採取行動特性的人工智慧代理系統，相關規範與適法性仍待探討，尚不列入這份指引的適用對象。

研究作者提出的下一步，是請AI與真人完成相同的偏好任務，比較取捨與排程結果。對正在評估這類工具的醫院，這也提供具體的測試方向：先由真人確認等待、工作量與資源的優先順序，再檢驗AI產生的權重會把安排改成什麼樣子。

延伸閱讀：AI工作流中的AI代理工具、代理授權與人工介入問題，以及北醫導入DeepRad後由醫師預覽、編輯分析報告的案例。

資料來源與更新紀錄