AI 讀一張電腦斷層、把一份十年的病歷整理成一頁、把這個月剛出爐的文獻找齊放在我面前，都比我快。這件事我不打算爭。
但病人走進診間，不是來看資料的。他是來問「所以我該怎麼辦」的。從資料整理完，到他點頭說「好，我懂了，我就這樣做」，中間那一段，我叫它醫療的最後一哩路。這篇想談的是：這一哩路到底在做什麼，以及醫師在 AI 時代該把力氣放在哪裡。
先講結論
醫療的最後一哩路，是把 AI 整理好的資料，簡單、輕鬆、客製化地翻譯給眼前這個人，然後和他一起推演出適合他的治療方式。這段推演我稱為「和病人一起做一次貝氏推論」：起點是資料，修正的依據是他的人生經驗、社經處境、風險考量與治療積極度。
所以我認為，AI 時代醫師該練的不是更快的整理與學習，那條路贏不了。該練的是三件事：講到對方願意做的演說能力、反覆驗證過的信任、以及讓病人走進診間之前就認識你。而我們真正的主場，是開啟五感去閱讀空氣，找出病人帶來的症狀背後，真正需要處理的問題。
AI 已經接走的三件事：讀片、整理、找新知
先把話講清楚：在「看資料」這件事上，醫師已經不是 AI 的對手，這不是預測，是過去兩年陸續出現的研究結果。我在 2027 醫療 AI 藍圖 裡寫過，病人最大的問題會從「不知道」變成「知道太多」，這一年下來只有越來越明顯。
幾個我會拿來提醒自己的例子：
- 問診。Google 的 AMIE 系統和基層醫師用文字和「演員扮演的病人」各自問診，由專科醫師盲評，AMIE 在多數評分軸上領先，連「同理」這一項也是[2]。作者自己強調這是文字聊天、不是真實診間，但方向已經很清楚。
- 推理。史丹佛主導的隨機對照試驗讓 50 位醫師做病例推理，有 AI 可用的那組並沒有比較好；反而是 AI 單獨作答的分數高於兩組醫師[1]。我在 醫療決策的三層架構 裡拆解過這個「不太舒服的結論」：把 AI 放在桌上，判斷不會自動變好。
- 鑑別診斷。微軟 2025 年公布的 MAI-DxO，用 304 個《新英格蘭醫學期刊》的病例做逐步診斷測試，正確率遠高於不准查資料、不准找同事的醫師組；微軟自己也寫明這套系統尚未核准臨床使用。數字是廠商的說法，但它代表的趨勢，我不覺得會逆轉。
所以「整理資料、學習新知識的速度」這條賽道，我勸年輕醫師不要再拿來當作自己的核心價值。那不是我們輸了，是賽道換了。
最後一哩路：把數據翻譯給眼前這個人
資料整理好之後，還有一段路沒人走：把它變成眼前這個人聽得懂、做得到的一句話。這一段，我在 三次轉譯 裡拆成三步：醫學語言變生活語言、一般資訊變個人情境、知道變做得到。這篇要補的是第二步與第三步之間，那個最難的轉彎。
有人會說，AI 連「說人話」都比醫師好。這也有研究支持：網路論壇上的病人提問，AI 寫的回答被評為比醫師寫的更有品質、也更有同理[6]。我不否認。但那是文字對文字。診間裡的翻譯不是把一段話改寫成白話文而已，它有三個條件：
- 簡單：一次只給一個他拿得走的判斷，不是十個可能性。
- 輕鬆：讓他不用在恐懼裡做決定。病人在害怕的時候，聽不進任何資訊。
- 客製化：同一份檢查報告，對不同的人要講出不同的重點，因為下一步本來就不一樣。
第三個條件，就是接下來要談的貝氏推論。
和病人一起做一次貝氏推論
貝氏推論講白了只有一句話：先有一個起點的判斷，每多一項資訊，就把判斷往某個方向修正一點。診間裡的起點，是病人帶來的症狀加上 AI 幫我整理好的資料；接下來要加進去的資訊，不在病歷裡，在他身上。
我會在心裡跑四個修正項：
| 修正項 | 我在聽什麼 | 它會把決定推向哪裡 |
|---|---|---|
| 人生經驗 | 他以前怎麼處理身體的問題？家人有沒有類似的病？ | 決定他對「等一等」和「處理掉」各自的耐受度 |
| 社經處境 | 請假容不容易？照顧責任在誰身上？費用是不是壓力？ | 決定哪些選項在他的生活裡根本做不到 |
| 風險考量 | 他怕的是手術本身，還是怕沒處理會惡化？ | 決定要把說明的重心放在哪一邊 |
| 治療積極度 | 他是想「根治」，還是「只要不影響生活就好」？ | 決定目標線畫在哪裡，而不是我覺得應該畫在哪裡 |
這四項加進去之後，答案常常會跟教科書上的「標準處置」不一樣，但它對眼前這個人是合理的。舉一個常見的情境（不是特定病人）：同樣一張顯示鼻中膈彎曲加下鼻甲肥大的影像，一位是跑業務、每天要講話、受不了鼻塞的三十歲上班族，另一位是症狀多年、覺得「習慣了」、最怕麻醉的七十歲長輩。資料一樣，起點一樣，四個修正項加進去之後，走的路可以完全不同，而且兩條都對。至於每多一項資訊、判斷該移動多少，這份手感是怎麼一拳一拳練出來的，我在 這一拳二十年的功力 裡另外寫了一篇。
這不是什麼新發明。1980 年《新英格蘭醫學期刊》就有一篇經典文章，把「要不要做檢查、要不要直接治療」寫成兩個機率門檻：疾病機率低於某個值就不做、高於另一個值就直接治療、中間才做檢查[3]。醫師的腦子本來就在做這件事，只是以前把它藏在「專業判斷」四個字裡面。共享決策的研究者後來把它整理成三步：告訴病人有選擇、說明各個選項、幫他釐清自己最在乎什麼再做決定[4]。我的看法是，AI 時代這件事反而要攤開來做，因為病人手上的資料不比我少，他缺的不是資料，是有人陪他把資料和他的人生放在一起算一次。
這也是為什麼我一直說，AI 給了十個答案之後，診間裡最貴的那一層是責任層。推論是一起做的，但推錯了，善後的是我。
醫師該練的三件事：演說、信任、走進診間之前
如果整理資料的速度贏不了 AI，醫師的時間該放回哪裡？我在 診所把雜事交給 AI 之後 裡給過三個位置。這篇從「病人這一端」再講一次，是三種能力：
第一，學會演說，不只是演講。把一件事講清楚，叫演講；講到對方聽完願意去做，叫演說。我在 演講與演說的差別 裡寫過，診間裡「講清楚了病人還是沒做」的問題，多半不是知識不夠，是只做了演講。貝氏推論做完，最後一句話要用演說的方式說出來，病人才會走出診間真的去做。
第二，形成彼此的信任，而且是反覆驗證過的那種。信任不是一張醫師執照給的，它來自「你上次說的，後來真的是這樣」的累積。我在 「AI 推薦我來找你開刀」 那篇寫過一位病人對 AI 的信任怎麼形成：即時回饋、正面肯定、陪伴感。AI 做得到的，醫師更該做到，而且醫師多了一樣 AI 沒有的東西：出事的時候，有人在。
第三，讓病人在走進診間之前就認識你。這不是打廣告，是把「你是誰、你怎麼想、你對哪些事保守、對哪些事積極」先寫出來、說出來，讓病人在選擇你之前，已經知道他會遇到什麼樣的醫師。我在 酒香也怕巷子深 裡講過，讓需要的人找得到你，是一種責任；在 AI 時代的個人品牌 裡談的則是方法。對病人來說，走進診間之前就有基本的認識與信任，貝氏推論的起點就不會是零，看診那幾分鐘可以直接進入修正項。
這三件事有一個共同點：它們都是人對人的事，而且都需要時間累積。AI 省下來的時間，正好可以放在這裡。
閱讀空氣：五感是醫師的主場
醫師真正的優勢，是開啟五感去感知眼前這個人的真實需求，這件事目前的 AI 做不到。視、聽、嗅、味、觸，加上那個很難定義的「空氣」：他走進來的步伐、講話時眼睛看哪裡、陪他來的人是誰、哪一句話讓他突然安靜下來。
我在 AI 時代，醫師還剩下什麼？ 裡把這件事叫做望聞問切，那篇講的是理學檢查這一端：手摸到的、鏡子看到的。這篇想講的是另一端：讀出他沒有說的。AI 整理的是他說出口、寫下來、量出來的東西；沒說出口的部分，目前還是我們的主場。至於 AI 能不能把嗅覺、味覺也數位化，我在 AI 能聞香、嚐味嗎？ 裡追過一輪，結論是走得比想像中慢。
Eric Topol 在 2019 年那篇被引用很多次的綜述結尾寫了一句我很喜歡的話，大意是：AI 會帶來準確度與效率的進步，但這些進步會被用來修復醫病關係，還是加速它的流失，還有待觀察[5]。六年過去，我的答案是：取決於醫師把省下來的時間放在哪裡。放在看更多病人，關係會流失；放在閱讀空氣，關係會回來。
迎合需求、確認需求、創造需求
讀出空氣之後，要做三件事：迎合需求、確認需求，然後創造需求。前兩個好懂，第三個要先講清楚，因為它很容易被誤會成「多賣一個療程」。
迎合需求，是先接住他帶來的問題。他說鼻塞，就先談鼻塞，不要一開口就說「你的問題其實不是鼻塞」。病人帶著一個症狀走進來，那個症狀是他的入口，也是他的信任起點。
確認需求，是把他說的翻成他真正的意思。「鼻塞」可能是「晚上睡不好」，可能是「打呼吵到另一半」，可能是「怕是腫瘤」。同一個詞，三種需求，三種下一步。病人帶著手錶數據來看診時更是如此，我在 當病人帶著手錶數據來看診 裡寫過，先接住他對數據的解釋，再談數據本身。
創造需求，是找出他沒帶來、但真正需要處理的問題。病人說鼻塞，檢查下去發現他長年用嘴呼吸、睡眠品質差、白天疲倦，他自己從來沒把這些連在一起。把這條線拉出來，讓他看見「原來我需要處理的是這個」，這就是我說的創造需求。它創造的不是消費，是一個他原本不知道自己有的醫療需要。這是頭痛醫頭、腳痛醫腳的反面，也是 AI 目前做不到的事：AI 回答的是被問到的問題，而最後一哩路常常要回答的，是沒被問到的那一個。
寫在最後
整理一下這篇的邏輯：資料這一層 AI 已經接走了，而且會越接越多；留給醫師的，是把資料翻譯給眼前這個人、和他一起做一次貝氏推論、用五感讀出他沒說的需求。要做好這三件事，得練演說、練信任、練讓人在走進診間之前就認識你。
我不覺得這是醫師被 AI 逼到牆角之後的退路。我反而覺得，這才是我們當初想當醫師時，以為自己會做的事。
同業們，你的門診裡，最後那一哩路現在是誰在走？
延伸觀看：AI 醫療的前緣，與它刻意留下的空白
Eric Topol 是心臟科醫師，也是《Deep Medicine》的作者，長期主張 AI 真正的價值是把時間還給醫師與病人。他在 2023 年 TED AI 大會上的這場演講，談的是 AI 能從影像裡看出醫師看不到的東西，但他的結論不是「AI 取代醫師」，而是「AI 讓醫師有時間回去當醫師」。這和本文談的最後一哩路，是同一個方向。
想再往前緣看的人，這兩個是我會定期回去看的來源，它們代表的是「資料這一層」目前走到哪裡：
- Google Research 的 AMIE：從文字問診走到看影像、看文件，再走到視訊問診，所有測試仍以模擬病人為主。我讀它的方式，是看它「還沒做到什麼」：它問得很好，但它不用為答案負責。→ AMIE gains vision
- Microsoft AI 的 MAI-DxO：讓多個模型扮演一組會互相挑戰的醫師，逐步問診、開檢查、控制成本。它厲害的地方是鑑別診斷的過程，它沒有碰的地方，正好是本文談的那四個修正項。→ The Path to Medical Superintelligence
一般讀者若想知道自己該怎麼用這些工具，可以先看我寫的 怎麼問 AI 健康問題：一頁指南。資料的部分交給 AI 沒有問題，但最後一哩路，請留給你信任的那位醫師，和你自己。
關於本文：本文提出的「醫療的最後一哩路」，後來延伸成一篇談 AI 健康助理與醫療成本的短文，以〈AI 時代下健康詢問更方便 醫療支出真的有變少嗎？〉為題刊登於《經濟日報》產業版2026 年 11 月 5 日；見報版的兩張示意圖（AI 接走的資料層與醫師的最後一哩路、同一份資料走到不同的決定）取自本文。
