隨著生成式人工智慧（Generative AI）逐漸融入日常生活，許多民眾開始使用科技工具查詢健康資訊，卻也衍生出過度依賴的情況。近期有醫師分享診間個案，一名患者帶著多達15頁的大型語言模型（LLM）對話紀錄與檢查報告，要求醫師完全照著軟體產出的建議治療，甚至拒絕接受進一步的臨床檢查。
患者持15頁對話紀錄要求診療 拒絕配合臨床檢測
根據臨床醫師徐國峰分享的案例，一名初診患者前往診間時，出示了磁振造影（MRI）檢查報告以及列印出來的15頁ChatGPT對話紀錄。患者在列印資料上劃設許多重點標記，並宣稱軟體經過交叉比對後，已確認其腳麻症狀是由椎間盤突出、椎管狹窄及第二級脊椎滑脫等神經壓迫所造成。該患者要求醫師直接依據文字分析結果進行處置，不願配合關於麻木位置、肌力表現與神經反射等臨床問診及理學檢查。
對此，醫師指出，醫療診斷並非單純依靠報告上的專有名詞。隔著電腦螢幕的軟體無法觀測患者的步態變化、實際肌肉萎縮程度或膝反射反應，若僅憑文字進行AI分析就直接決定處置方式，容易忽略真正的病因並導致不必要的醫療行為。
影像異常不等於病態 醫師解析AI分析的醫療盲點
針對患者堅信的內容，醫師舉出醫學研究數據說明，許多無症狀的健康民眾在接受影像檢查時，同樣可能發現結構異常。以50歲無症狀者為例，約有80%可以在影像中觀察到椎間盤退化，36%存在椎間盤突出，但這些狀況並不代表需要接受手術或侵入性處置。此外，第二級脊椎滑脫代表椎體滑移約25%至50%，超過八成患者可透過核心肌群訓練等保守治療維持日常生活，並非皆須開刀。
醫師強調，造成手腳發麻的原因多元，除了脊椎神經壓迫外，還可能包含腕隧道症候群、糖尿病周邊神經病變、維生素B12缺乏或甲狀腺功能低下等。如果真正的病因源於血糖波動，卻強行針對脊椎進行介入，不僅無法解決問題，更可能延誤實質治療時機。
這代表什麼
這個現象反映出一般使用者在應用現代科技獲取專業資訊時，容易產生盲從技術的風險。雖然工具能夠快速整理資料並提出合理解釋，但在高專業度的領域中，演算法產出的資料處理結果無法完全取代實體經驗與專家驗證。對民眾而言，利用數位工具進行就醫前的資料準備與問題整理是積極的健康管理態度，但終究必須保留專業人員進行實體檢測與綜合評估的空間。
對於推動科技應用的企業與醫療產業而言，此事件凸顯了專業邊界與使用者教育的重要性。工具在特定情境下是極佳的輔助系統，但缺乏實體情境輸入（如觸診、觀察行為表現）時，產出的結果僅能作為參考提示，無法做為最終決策依據。產業在發展各類諮詢或分析軟體時，建立使用者對輸出內容邊界的正確認知，將是技術落地過程中的關鍵課題。
背景補充
生成式人工智慧以大型語言模型為核心，透過海量的文本資料訓練，具備優異的文字摘要、邏輯推論與資料整理能力。許多民眾現今會將健康檢驗報告、醫學名詞輸入軟體中，請其翻譯專有名詞並歸納可能原因，這類操作呈現出極高的便利性與表面合理性。
然而，臨床醫療診斷的流程包含了病史詢問、理學檢查（如視診、觸診、敲診、聽診）以及實驗室或影像檢測。影像與文字資料僅屬於整體診斷流程中的一部分資訊，若缺乏實體觸摸肌肉緊張度、觀察走路步態或測試神經反應等實體檢驗，單靠資訊比對極易發生過度診斷或方向偏離的情況。
常見問題
看診前可以使用AI整理報告資料嗎？
可以，將檢查報告交由AI協助整理專有名詞或準備問題有助於溝通，但就診時仍需讓醫師進行臨床問診與實體檢查。
為什麼照出椎間盤突出不一定需要治療？
研究顯示許多無症狀的健康民眾影像中也會有椎間盤退化或突出，必須搭配實際臨床症狀評估，才能確定是否為真正病因。
ChatGPT的AI分析能否直接替代醫療診斷？
無法。生成式模型無法執行觸診、反射測試或觀察動態步態等理學檢查，僅能提供資訊參考，不能取代專業醫師診斷。