AI 與 EMS 派遣：當人工智慧進入生命之鏈的第一環
本文內容整理自 2026 年 6 月 22 日新光醫院急診科舉辦的全國 EMS／EM 救護討論會，由新光醫院急診科侯勝文醫師主講的〈AI 與 EMS 派遣：從哥本哈根到台北〉。
本文並不是單純討論「AI 能不能取代派遣員」，而是試著回答一個更務實的問題：
在一通可能關係到病人生死的 119 報案電話裡，AI 到底能幫上什麼忙？
近年生成式 AI、大型語言模型（Large Language Model, LLM）及 AI Agent 快速發展，使許多人第一次真正感受到人工智慧的實用性。不過，AI 在 EMS 的應用並不是從 ChatGPT 出現後才開始。
早在生成式 AI 普及以前，歐洲的 EMS 系統就已經利用機器學習與深度學習分析報案通話，希望從語音和文字內容中，更早辨識院外心跳停止(OHCA)。
從早期的通話辨識模型、語音轉文字，到現在的語音轉錄、品質管理、穿戴式裝置與多模態模型，AI 正逐漸進入緊急救護系統的不同環節。
但真正值得思考的，可能不是「AI 有多強」，而是：
- AI 的判斷能否轉化為實際行動？
- 派遣員是否願意相信警報？
- 系統能承受多少誤判與過度派遣？
- 國外訓練的模型，是否真的聽得懂臺灣的報案電話？
- 對臺灣而言，最值得優先導入的 AI 應用究竟是什麼？
生命之鏈：第一環沒有啟動，後面都不會發生
OHCA 的救治不是單一技術或單一醫療處置，而是一連串必須迅速銜接的行動。
「生存之鏈」包括：
- 及早辨識心跳停止並啟動緊急應變系統
- 及早進行旁觀者 CPR
- 及早取得 AED 並完成去顫
- 提供高級心臟救命術
- 完成心跳恢復後的整合照護
- 復原
任何一環中斷，都會影響後續的存活機會。
根據簡報資料，美國每年發生超過 35 萬例 OHCA，整體平均存活率約為 8% 至 10%。即使面對相同疾病，不同 EMS 系統間的存活率仍可能存在 3 至 5 倍的差距。
這代表影響病人結果的，不只是醫療科學本身，也包括教育訓練、派遣流程、民眾(旁觀者)反應、資源配置，以及各地是否真正將制度落實。
本次要討論的重點也是目前AI介入的部分，就是生存之鏈最前端的 「辨識」。
病人若沒有被辨識為 OHCA，派遣員便可能不會立即啟動派遣員指導 CPR，報案者不會開始壓胸，也可能不會有人去取得 AED。
救護車雖然已經出動，但最重要的幾分鐘可能已經流失。
這對於我目前在這個偏鄉跑救護的感受很深，出勤報疑似OHCA比到場發現OHCA的比例中，反而疑似OHCA到場為OHCA的比例來的更少。
去顫每延遲一分鐘，病人的存活機會可能下降約 7% 至 10%。因此，對 OHCA 而言，勤指並不只是「接電話與派車」的行政中心，而是病人救治真正開始的地方。
以我自己在跑救護的案例當中，尤其又身處平均年齡較高與外移與外籍工作人口較多的鄉鎮，無論病人年紀與否，到場有bystander CPR 真的是少之又少，再加上長照資源介入程度的差異，導致患者於家中被發現為第一時間的OHCA比率來的非常非常低。
往往都是發現患者怪怪的，先打給老闆(居服員、雇主)，然候再透過跨區的轉報(因為雇主或是家屬大多都在外地工作)，代為報案
一層一層資訊的傳遞，時間的流失，都造成不可逆的結果。
OHCA 的電話辨識，比想像中困難
OHCA 派遣辨識的核心原則，「No-No-GO」：
- 病人有意識嗎？沒有。
- 病人有正常呼吸嗎？沒有。
- 兩個答案都是「沒有」，立即開始指導壓胸。
流程看起來非常簡單，但真正困難的地方在於，派遣員並不在病人旁邊。
派遣員必須透過電話，引導一名可能極度緊張、哭泣、語意混亂，甚至根本不在病人身旁的報案者，完成意識與呼吸評估。
OHCA 病人通常也無法自行報案，因此派遣員接收到的資訊，必然經過第三人的觀察與描述。只要報案者提供了錯誤或不完整的資訊，無論是人類或 AI，都很難作出正確判斷。
目前全球 OHCA 電話辨識率的中位數約為 74%，各 EMS 系統間則可能從 14% 到 97% 不等。
換句話說，即使在現代 EMS 系統中，每 10 名 OHCA 病人，仍可能有接近 3 名沒有在報案階段被辨識出來。
人類與 AI 共同的盲點：瀕死式呼吸
OHCA 辨識最常見的陷阱之一，是瀕死喘息（agonal breathing）。
心跳停止後，病人的腦幹可能仍有短暫殘餘活動，產生不規則、緩慢、喘息或類似打鼾的呼吸動作。
對一般民眾而言，看到胸口仍有動作或聽到喘息聲，最直覺的回答通常是：
「他還有呼吸。」
但這並不代表病人具有正常且有效的呼吸。
瀕死喘息甚至會形成一個反直覺的現象：有人親眼目擊病人倒下，OHCA 反而可能更難被辨識。
因為目擊者看見病人在倒下後仍有喘息或抽動，便認為病人尚未心跳停止，進而延遲 CPR。
研究顯示，漏掉 OHCA 的通話中，派遣員主動詢問呼吸狀態的比例約為 65%；成功辨識 OHCA 的通話中，詢問比例則可達 84%。
這也說明，比起單純等待報案者描述，派遣員是否主動、明確而具體地追問「正常呼吸」，可能才是辨識成功的關鍵。
更值得注意的是，瀕死喘息不只是人類的盲點。
AI 同樣是根據報案者的語句及通話資訊判斷。當報案者明確表示「病人有呼吸」，模型也可能被帶往錯誤方向。
因此，AI 並不是一個能看穿所有問題的神奇工具。當輸入資訊本身錯誤時，模型通常也只能在錯誤資訊上作出推論。
AI 在 EMS 派遣中的三種應用層次
侯醫師將目前 AI 在 EMS 派遣中的應用，大致分成三個層次。
一、即時辨識
即時辨識是目前研究最多，也是最容易被理解的應用。
系統在報案電話進行的同時，完成語音轉文字，並分析通話中是否出現 OHCA 的關鍵特徵。
例如：
- 病人沒有反應
- 病人沒有正常呼吸
- 突然倒下
- 呼吸聲異常
- 報案者描述病人正在喘息、抽動或打鼾
- 派遣員尚未完成 No-No-GO 的關鍵問句
當模型判斷案件可能是 OHCA 時，便在派遣畫面上顯示警示，提醒派遣員再次確認。
這類系統的重點不是自動取代派遣員，而是像坐在旁邊的第二名觀察者，在高壓且資訊量龐大的通話中，協助避免遺漏。
其實我覺得不應該只有OHCA被導入，應該連無線電的回報都應該有逐字輸出的功能，畢竟聽打有時候就是會遺漏。
二、品質回饋迴圈
第二種應用是事後品質管理。
目前各縣市勤指已累積大量錄音、救護紀錄與案件資料，但依賴人工逐案聽取與審查，通常需要投入大量時間及人力。
AI 可以先協助：
- 將通話錄音轉成逐字稿
- 判斷是否完成意識與呼吸評估
- 計算從接聽到 OHCA 辨識的時間
- 計算從接聽到開始 DA-CPR 的時間
- 標記未詢問正常呼吸的案件
- 找出中斷、延遲或未完成 CPR 指導的原因
- 比較不同派遣員、分隊或縣市的常見缺失
更重要的是，AI 不只能逐案打分數。
當系統分析數百、數千甚至數萬件案件後，可能發現某個單位共同存在的系統性問題，例如：
- 對瀕死喘息的追問不足
- 遇到高齡報案者時較容易中斷指導
- 國語與臺語混用時辨識率下降
- 某類話術容易讓報案者拒絕壓胸
- 特定時段的辨識速度較慢
- 某些分隊在 CPR 品質上有一致性缺失
對臺灣而言，品質回饋可能比直接導入即時 OHCA 警報更有價值。
因為它的風險較低，不會直接影響當下派遣決策，卻可以減少品管人員負擔、統一審查標準，並逐步建立臺灣自己的 EMS 語料庫。
三、穿戴式裝置偵測
第三種應用，是透過智慧手錶或其他穿戴式裝置直接偵測異常。
OHCA 派遣最大的限制，是病人通常無法自行報案。如果病人獨自在家，周圍沒有人看見，即使派遣系統再準，也不會報案進入 119。
若穿戴式裝置能偵測脈搏消失、異常活動或失去反應，便可能自動啟動緊急通報。
這相當於把 OHCA 偵測的起點，從「有人發現並打電話」，往前移到病人的手腕。
不過，穿戴式裝置也會面臨誤報、位置資訊、個人隱私、裝置普及率及 EMS 系統介接等問題。
因此，短期內它比較可能扮演新的資料來源，而不是完全取代傳統報案流程。
加上現在vibe codeing 的盛行與低門檻，現行各分隊都有一些 OHCA品管工具，或是現場的給藥紀錄等，可以做一個系統性的統整，令資料分析可以更全面，比較容易找出到底系統上哪裡有問題，哪裡需要改善的落實6環的每一環。
AI 真的比派遣員更會辨識 OHCA 嗎？
Blomberg 2019：模型比人更敏感，也能更快辨識
2019 年發表於《Resuscitation》的研究，是早期 AI 分析真實 EMS 通話的重要驗證。
研究中的機器學習模型：
- 敏感度為 84.1%
- 特異度為 97.3%
- 派遣員敏感度為 72.5%
- AI 辨識時間約為 44 秒
- 派遣員辨識時間約為 54 秒
表面上看來，AI 不只辨識得更多，也辨識得更快。
不過，這是一項回顧性研究。
研究可以證明模型在既有資料中的表現，卻無法回答一個更重要的問題：
當 AI 警報真的出現在派遣員面前時，派遣員會採取不同的行動嗎？
Byrsell 2021：真正的差異可能在速度
瑞典的研究顯示，AI 與派遣員的整體 OHCA 辨識率差異不大，分別約為 86% 與 84%。
但在 60 秒內完成辨識的比例：
- AI 為 36%
- 派遣員為 25%
辨識時間中位數則約相差 28 秒：
- AI 約 72 秒
- 派遣員約 94 秒
這表示 AI 的價值不一定是「找到更多 OHCA」，也可能是「更早提醒」。
在 OHCA 救治中，20 秒或 30 秒看起來很短，但若能更早開始壓胸、更早派遣 AED，累積起來便可能影響病人結果。
全球第一個 AI 派遣隨機對照試驗，結果卻是陰性
2021 年，哥本哈根進行了全球第一個 AI 輔助 EMS 派遣隨機對照試驗。
研究共納入：
- 169,049 通緊急電話
- AI 標記 5,242 通疑似 OHCA
- 最後確認 654 例 OHCA
系統會持續分析所有通話。當 AI 判斷案件疑似 OHCA 時，研究再隨機決定是否將警報顯示給派遣員。
也就是說，兩組都有相同的 AI 模型，差異只在於派遣員能不能看見警報。
結果顯示，模型本身確實比派遣員更敏感：
- AI 敏感度為 85%
- 派遣員敏感度為 77.5%
但是，派遣員實際辨識 OHCA 的比例並沒有顯著改善：
- 看得到 AI 警報的介入組：93.1%
- 看不到 AI 警報的對照組：90.5%
DA-CPR 的啟動率與啟動時間，同樣沒有明顯差異。
因此，這項研究的主要結果是陰性。
但把它解讀成「AI 沒有用」，可能過於簡化。
真正的瓶頸不是模型，而是人機互動
研究中的 AI 雖然敏感，但陽性預測值（Positive Predictive Value, PPV）只有 17.8%。
換句話說，AI 每發出 5 至 6 次 OHCA 警報，只有大約 1 次是真的。
相較之下，派遣員判斷 OHCA 的 PPV 約為 55.8%。
如果派遣員完全依照 AI 警報行動，雖然可能多辨識一些 OHCA，卻也會增加約 1,519 次高優先派遣，使總出車量增加約 2.7%。
對車輛與人力充足的都會區而言，增加 2.7% 的出車量可能仍可承受；但在偏鄉或救護資源有限的地區，一次錯誤的高優先派遣，可能造成救護責任區長時間沒有可用車輛。
派遣員在長期使用後，也會逐漸發現警報經常出錯。
當警報多數是假的，派遣員便會開始忽略提示，形成所謂的警報疲勞（alarm fatigue）。
因此，AI 系統成敗的關鍵不只在於敏感度、特異度或模型大小，還包括：
- 警報如何呈現
- 什麼時候出現
- 是否提供判斷理由
- 派遣員是否理解模型限制
- 錯誤警報會增加多少工作負荷
- 系統如何建立使用者的信任
- 派遣員是否能回饋模型判斷
一個模型即使在研究報告中的數字很好看，若使用者不相信、無法理解，或警報無法轉化成下一步行動，它在真實系統中的效益仍可能接近零。
身處偏鄉非常有感
-
-
人力難題
以我現在所在的縣市而言，分隊與分隊的距離當然無法跟六都相提並論，平日熱門時段都有可能會發生大亂鬥1的情況，更不用說當量能吃緊時這個系統能不能負擔的起這樣的工作負荷
-
辨識不等於行動
AI 可以提醒派遣員「這可能是 OHCA」，但完成辨識之後，仍需要說服報案者開始 CPR。
現場報案者可能因為害怕、情緒崩潰、年齡、語言、宗教、環境限制或擔心傷害病人，而拒絕或無法完成壓胸。
因此，真正完整的流程應該是：
- AI 或派遣員辨識疑似 OHCA
- 派遣員確認意識及正常呼吸
- 派遣員明確告知需要立即 CPR
- 說服報案者將病人移到適當位置
- 指導正確壓胸
- 持續維持報案者的配合
- 引導取得 AED
- 與到場救護人員完成交接
AI 即使提升第一步的辨識率，也不代表後續每一步都會自動改善。
這也是為什麼 EMS 的 AI 不能只用模型準確率評估。
呼應到上面提到的 "語言問題"，身在偏鄉語言導致的問題，真的不僅僅只是OHCA，對於現場要蒐集到正確且有用的資訊，真的因為語言的關係，即便對方講的是國語，仍可能因為口音難以理解其要表達的內容。
我的台語也超爛，對於這種鄉下地方，需要一直轉成台語溝通，原本台語就用的非常少的我，數字 0 ~ 9 都講不好了，更何況還要讓患者聽的懂我在說什麼與他要表達什麼，真的很困難!
真正需要衡量的指標，還應包含：
- OHCA 辨識時間
- DA-CPR 啟動率
- 開始第一次壓胸的時間
- 報案者拒絕率
- AED 取得與使用率
- 不必要高優先派遣的增加量
- 派遣員對警報的採納率
- 派遣員工作負荷及警報疲勞
- 病人存活與神經學預後
警報疲勞
-
- 可能因為我在的縣市EMS與六都相比就是沒有那麼來的完整，導致警報疲勞這件事不僅僅是ALS的案件，平常BLS就很多問題，當然也因為民眾對於緊急醫療的不了解，只覺得就是計程車電話，覺得我們就是速度比較快的計程車，也是整個系統上的問題，也不全然是派遣員，或是體制上的問題。
-
- 也可能是缺乏系統上的檢討，畢竟現在多數還是關注最危及的最多(ALS、OHCA這類的案件)，對於一般BLS案件，雖是相較沒那麼緊急，但仍然很重要。
-
- 對於語言上的提供協助，當然不是要派遣員去學習所有各國的語言，但是AI相關的工具可以提供輔助。
例如 : 報案人的口音聽起來是越南口音的國語，就利用AI生成語音的模型切換成越南語的報案引導方式，減少雙方/單方 因為語言的問題失去資訊蒐集，減少轉換導致的資訊落差。
臺灣已逐漸接近辨識率的天花板
引用的消防署資料，臺灣全國 OHCA 派遣辨識率，在 2021 年約為 66.55%。
當時 19 個統計縣市中，只有 5 個達到 AHA 建議的 75% 辨識率。
2026 年 5 月消防署內部統計則顯示：
- 全國辨識率提升至約 81.2%
- 19 個縣市中已有 17 個達到 75%
五年間提升接近 15 個百分點，是非常明顯的進步。
但這個成果也帶來另一個問題：當既有派遣系統已經表現良好，單純加入即時 AI 辨識，能改善的空間可能越來越有限。
這就是所謂的天花板效應。
如果系統原本只能辨識六成 OHCA，AI 或許有機會帶來明顯改善；但當辨識率已超過八成，剩下的案件通常是最困難、資訊最不足的案例。
例如：
- 報案者不在病人身旁
- 報案者提供錯誤資訊
- 病人被誤認為酒醉或睡著
- 報案者表示仍有呼吸
- 語言無法溝通
- 外籍看護無法描述狀況
- 背景環境過度吵雜
- 通話中斷
這些問題未必能靠更大的模型直接解決。
臺灣的特殊問題：AI 聽得懂誰的語言？
國外 OHCA 辨識模型多在北歐或韓語環境中開發，沒有使用臺灣 119 報案語料訓練。
然而，臺灣的緊急報案可能同時包含：
- 國語
- 臺語
- 客語
- 原住民族語
- 國語與臺語混用
- 外籍移工或外籍看護使用的華語
- 英語、越南語、印尼語等其他語言
同一句「沒有正常呼吸」，在不同地區、語言及生活習慣中，可能有完全不同的說法。
例如臺語中的「伊攏無咧喘」、「叫袂醒」、「人硬去矣」，未必能被只用標準華語訓練的模型正確理解。
Blomberg 2023 的分析指出，約 22.7% 的 AI 偽陰性案件涉及語言障礙。
這表示語言不只是語音辨識技術問題，也是一個公平性問題。
若模型只對標準國語表現良好，它可能恰好在高齡者、偏鄉居民、原住民族、外籍移工或其他最需要系統協助的族群中失效。
因此，臺灣若要導入 AI 派遣，不應直接購買國外模型後期待它自然適應。
更合理的作法，是使用臺灣各地實際報案資料建立本土語料庫，並依不同地區的語言分布訓練及驗證。
北部都會區的模型，不一定能直接套用到客語使用較多的桃竹苗，或臺語使用比例較高的中南部地區。
對臺灣而言，品質管理可能比即時警報更值得先做
依照簡報提出的優先順序，臺灣可以採取三階段路徑。
第一優先：AI 輔助品質回饋
先將 AI 用於事後錄音分析與品質管理。
優點包括：
- 不會直接干預即時派遣決策
- 醫療與勤務風險較低
- 能減輕人工聽取錄音的負擔
- 能統一不同審查者的評分標準
- 能快速找出系統性問題
- 能建立本土語料庫
- 能作為後續模型訓練資料
這可能是目前投報率最高，也最容易開始的做法。
第二優先：本土化即時辨識
在累積足夠本土語料後，再建立即時 OHCA 辨識模型。
建議先以影子模式（shadow mode）運行：
- AI 持續判斷案件
- 先不將結果顯示給派遣員
- 事後比較 AI 與派遣員結果
- 分析偽陽性與偽陰性
- 驗證不同語言、地區與時段的表現
確認模型安全性及可接受的誤判成本後，再逐步開放輔助警報。
警報也不一定只能分成「OHCA」與「非 OHCA」，可以採兩階段設計：
- 寬門檻預警：提醒派遣員確認意識與正常呼吸
- 嚴格 OHCA 警報：建議立即啟動 DA-CPR 流程
這樣可以降低模型直接下診斷所帶來的風險。
第三優先：穿戴式裝置與多模態資訊
未來 EMS 系統還需要準備接收：
- 智慧手錶自動警報
- 手機位置及活動資訊
- 視訊報案
- 現場影像
- AED 資訊
- 公共場所監視器或感測器
- 社區志願應變者位置
目前 EMS 派遣 AI 的最大限制，經常不是演算法不夠強，而是輸入資訊太少。
當派遣員只有一通音質不穩定的電話，所有判斷都受限於報案者的描述。
若未來能加入視訊、穿戴裝置或其他感測資訊，人類與 AI 都可能得到更完整的判斷依據。
目前對於警報誤報的疲勞 :
目前Apple iPhone 已經有車禍偵測跌倒偵測的功能，當有使用者發生車禍，如果異常的做動的情形就會自動進線119，但也造成了很多時候是不需要車輛的情況
例如:因為手機掉落到難以撿起的區域，無法停止播打進線119，亦或是真的有狀況發生，但因為警報疲勞導致第一線人員，呀!這又是一千零一件的撿手機案件。
與火警警報器的對比誤報
目前許多案件同時面臨火警誤報，例如119自動回鈴等警報裝置常見誤觸；但對 OHCA 來說，仍然缺乏被動偵測器。提高敏感度，往往會換來更多誤報。
提升敏感度，免不了也會導致誤報的案件數增長
究竟是寧可錯殺一萬也不要少了那個萬一，還是少了個萬一但比被當狼來了好呢?
AI 導入 EMS 前，不能忽略的倫理與治理問題
AI 進入 EMS 後，會接觸大量高度敏感的資料，包括：
- 報案者姓名與電話
- 病人健康狀況
- 地址與即時位置
- 通話錄音
- 現場影像
- 救護紀錄
- 病人後續醫療結果
因此，導入 AI 不只是購買軟體或訓練模型，也涉及完整的資料治理。
需要事先釐清：
- 誰可以存取錄音及逐字稿？
- 資料保存多久？
- 是否能用於模型訓練？
- 是否需要去識別化？
- 模型與資料是否放在境外伺服器？
- AI 判斷錯誤時由誰負責？
- 派遣員能否推翻 AI 建議？
- 是否完整保留模型警報及人工決策紀錄？
- 如何監測模型對不同語言及族群的偏差？
- 模型更新後是否需要重新驗證？
2026 年一項包含 18 個國家、27 位 EMS 專家、經過 3 輪調查的德菲研究顯示，專家對 AI 在通訊、臨床、教育、管理及營運上的應用大致能形成共識。
但在 15 項倫理議題中，只有 8 項達成共識。
爭議集中在病人自主、知情同意、資料隱私及偏見偵測。
這反映一個現實：技術的發展速度，往往快過制度與標準建立的速度。
第一線人員很可能在沒有完整 SOP、法律解釋或責任分工之前，就已經被要求開始使用 AI。
尤其加上現在vibe-codeing的方便性，往往使用AI的第一線人員沒有完整相關的知識，只覺得這是一個很完整的網頁，結果有重大的資安漏洞，或是不夠嚴謹的部分。
AI 不會取代派遣員，但會重新定義派遣員的工作
現階段 AI 最適合的角色，仍是協作工具。
它可以：
- 持續聆聽所有通話
- 提醒可能遺漏的關鍵問題
- 找出疑似 OHCA
- 自動整理通話內容
- 協助事後品管
- 分析大量案件中的共同缺失
- 提供教育訓練素材
- 減少重複且耗時的行政工作
但它仍無法完全取代人類在以下方面的能力：
- 理解複雜情境
- 安撫報案者
- 說服民眾進行 CPR
- 在資訊不足時承擔決策
- 權衡區域救護資源
- 面對例外與倫理衝突
- 對決策結果負責
未來的派遣員可能不再只是按照固定流程詢問，而需要具備監督 AI、判讀模型限制與處理例外的能力。
換句話說，派遣員會逐漸成為 AI 系統的守門員。
真正重要的能力，也許不是會不會寫程式，而是能不能問出正確的問題：
- 這個模型是用什麼資料訓練的？
- 它在哪些族群中容易失效？
- 偽陽性與偽陰性的代價分別是什麼？
- 它改善的是模型指標，還是病人結果？
- 這項功能真的減少工作，還是製造更多警報？
- 當 AI 與我的判斷不同時，應該如何處理？
- 系統是否留下足夠紀錄，讓錯誤能被檢討？
我的想法：AI 最有價值的地方，可能不是代替人做決定
我認為，AI 對 EMS 最大的價值，不一定是直接告訴派遣員「這是不是 OHCA」，而是讓原本難以被看見的系統問題變得可量化。
過去的品質管理，往往只能抽查少量案件。即使發現問題，也很難確定這是單一個案，還是整個系統反覆發生的缺失。
AI 若能分析大量通話，便可能協助我們回答：
- 我們最常在哪一個問題上延遲？
- 哪一類報案者最容易無法完成 CPR？
- 哪一種話術最有效？
(哪一個說法比較容易詐騙成功) - 哪些案件經常被誤判？
- 哪些差異來自個人，哪些差異來自制度？
- 教育訓練完成後，實際表現是否改善？
這些問題未必像「AI 自動辨識 OHCA」那麼吸引目光，卻可能更直接地改善整體 EMS 品質。
穿戴式裝置的整合
因為我剛好也是戴Google的Pixel Watch 2，所以我知道我的手錶有這個功能包含一些非OHCA很實用的東西(例如靜息時的心室撲動檢測，可以檢測是否有機率MI的情況)
以目前臺灣為例，確實沒有像是歐洲這樣已經有開放OHCA的檢測功能上線，但臺灣的緊急醫療系統準備好了嗎?
當進線聽到一串語音加上地址時真的會成功被派遣嗎?還是又只是誤報?還是被當作是車禍的案件去派遣?
全民守護者
目前臺灣主流以消防署的「急救先鋒」與民間推廣單位「愛陌生 - 聽見 AED」Line OA 為主，旨在推播給鄰近的守護者（民眾），協助搶救黃金每一秒鐘。
現階段這兩套系統的核心目的，都是將訊息推播給鄰近的熱心民眾以協助生命搶救，在此暫不展開兩者在技術層面上的差異。
然而，從本次主題的角度來看，現有的運作流程大多是「事件啟動 > 系統推播 > 守護者救援」的單向模式。
既然已經將訊息推播給鄰近民眾，有沒有可能反向利用這些已到達現場的使用者，透過視訊直播、表單回報等方式，回傳更多現場即時資訊？例如：
- 現場患者是否確認為 OHCA？
- 91（救護車）到場了嗎？
- 是否有人去取得 AED，或正有人協助換手施作高品質 CPR？
- 現場環境安全嗎？（是否為暴力衝突、兇殺案或高風險的危險場所？）
- 是否有其他勤務指揮中心在第一時間無法獲取的現場資訊？
如果能透過科技建立起「雙向溝通」管道，將更有利於派遣決策與資源調度的全面最佳化。
不過，以我個人接收推播並參與協助的經驗來看，很多時候只憑一則推播通知，很難掌握現場的實際狀況。畢竟我們不是跟著 91 救護車一起出勤，只單純知道有一件 OHCA 需要協助。但當我們隻身趕到現場，要如何向心急如焚的家屬解釋自己是來幫忙的？
- 家屬突然看到一個陌生人衝進家裡，會有什麼感受與疑慮？
- 後續對於參與協助的民眾，又該如何提供心理支持？
我常在 Threads 上看到有人分享自己第一次參與急救的經歷。但送醫之後呢？熱心群眾也想知道患者是否成功 ROSC，還是不幸離世。甚至，這次急救任務是否對協助者造成了創傷後壓力？這可能是他人生第一次面對 OHCA，在腎上腺素狂飆之下，也可能因為緊張而無法發揮最好的急救效果。
- 當然，以上機制的設計都必須嚴格考量患者的隱私保護。
聽見AED因為有發生過yuki事件後，做一個系統上的調整，區分「公領域」與「私領域」，但以目前派遣系統的軟體是否有全面性的跟上，還是僅僅只是一個單一的民間單位很認真的在做事而已？
結語
從哥本哈根的機器學習模型，到臺灣正在發展的 AI 品管與派遣應用，可以看見人工智慧確實有能力協助 EMS。
但研究也清楚提醒我們：
模型比人準，不代表系統一定會變好；辨識出 OHCA，也不代表報案者就會開始 CPR。
真正影響結果的，是演算法、派遣流程、教育訓練、人機互動、資源配置與在地語言能否形成完整的系統。
AI 不應被視為萬能解答，也不應因為一次陰性研究就被完全否定。
更合理的態度，是先確認我們想解決什麼問題，再選擇適當的工具。
對臺灣而言，或許最務實的起點不是追求一套看起來最先進的即時警報系統，而是先利用 AI 做好品質回饋、建立本土語料、理解各縣市真正的弱點。
當資料、制度與使用者信任逐漸成熟後，再將 AI 放進即時派遣流程。
最後決定病人是否能得到幫助的，仍然不是模型跑出了多少分數，而是警報出現之後，有沒有人作出正確的行動。
資料來源與延伸閱讀
本文主要依據：
- 侯勝文醫師，〈AI 與 EMS 派遣：從哥本哈根到台北〉，2026 年新光醫院急診科全國 EMS／EM 救護討論會。
- Blomberg 等人，2019 年發表於《Resuscitation》的 EMS 通話機器學習回顧研究。
- Byrsell 等人，2021 年發表於《Resuscitation》的瑞典 OHCA 辨識研究。
- Blomberg 等人，2021 年發表於《JAMA Network Open》的 AI 輔助 EMS 派遣隨機對照試驗。
- Blomberg 等人，2023 年對 OHCA 偽陰性及辨識障礙的分析。
- 內政部消防署，2021 年全國 DA-CPR 品質管理統計。
- 內政部消防署，2026 年 5 月內部統計資料。
- AlShammari 等人，2026 年 EMS 人工智慧應用國際德菲共識研究。