AI醫療

他用 Claude 和 NotebookLM 陪媽媽走完最後 76 天：AI 三次攔下可能要命的醫療失誤

台灣上班族不熟悉的醫療場景：拿到癌症診斷，聽不懂病歷，旁邊沒有醫生。34 歲的 Pratik 用免費 AI 工具建了一套工作流，在 76 天裡三次攔下可能致命的醫療失誤，讀完 1,600 頁病歷，還在一份 CT 報告裡找出五個錯誤。

Oscar

16 Apr 2026 — 8 min read

你有沒有想過，有一天面對家人的重病診斷，旁邊沒有懂醫療的人，醫生講的話你聽不懂，病歷報告更像外語——你只能一個人硬撐。Pratik Desai 就是這樣的人，但他做了一件不一樣的事：他把 AI 工具變成了自己的第二雙眼睛，全程守在媽媽床邊 76 天，攔下了三次可能奪走她生命的醫療失誤。

故事的起點：70 人的派對，一個月後收到死亡通知

2025 年 10 月 20 日，Pratik 的媽媽辦了一場 70 人的排燈節派對。她那時完全健康，沒有任何預兆。

整整一個月後的 11 月 20 日，她被診斷出第四期十二指腸腺癌——一種發生在小腸的罕見惡性腫瘤。診斷出來的時候，醫生的態度幾乎等同於宣判：他們計畫直接讓她出院，連腫瘤科的後續約診都沒有安排。

「我們基本上拿到了診斷，然後被告知：『祝你好運。』」Pratik 在 Business Insider 的口述報導裡這樣說。

他沒有醫療背景。他是一個在新澤西工作的 34 歲科技顧問，職涯做的是系統整合和 AI 應用，最大的醫療相關經歷是幫太太設計過一個追蹤醫療執照的小 App。但他是個 A 型性格的人，不接受「祝你好運」這個答案。

他打開了 AI。

他建了一套 AI 工作流：NotebookLM 整理，Claude 解讀

Pratik 的工作流不複雜，但很有系統。他描述的核心流程分三層：

第一層：找到對的醫生。 診斷出來後，他用 AI 深入研究新澤西州每一家醫院的腫瘤科，找到能在感恩節前一週內排到約診的醫生。最後找到的那位，剛好是他高中時的前女友。她幫他們安排了他們幾乎以為不可能的緊急約診。

第二層：每天匯入病歷，用 NotebookLM 整合。 Pratik 每天從醫院的 Epic 系統匯出病歷紀錄，連同他觀察到的症狀、媽媽說的話，一起丟進 NotebookLM。他下的指令很簡單：「幫我把資料綜合整理。」

NotebookLM 的設計邏輯正是為了這種情境：它只根據你上傳的文件回答，不會瞎猜或引入外部資訊，每一個結論都可以追溯回原始文件的哪一段。對於 1,600 頁的病歷來說，這是人力絕對無法替代的。

第三層：用 Claude 解讀意義，準備問題。 NotebookLM 整合好資料後，Pratik 再把整理結果帶去 Claude，問的是下一層的問題：「明天的約診我需要知道什麼？」「有什麼地方看起來不對？」「我應該要求什麼樣的第二意見？」

這個工作流不需要任何程式碼，不需要技術背景。Pratik 自己說：「我們做的這套東西並不完美，也不精緻，但它可以取用，而且免費。」

三次攔截：AI 如何在關鍵時刻發出警報

媽媽住院的 67 天裡，這套工作流至少三次在關鍵時刻改變了結果。

第一次：聖誕節，肺栓塞。

那天是聖誕節，媽媽的樣子有點不對——走路的姿勢、呼吸的節奏、說話的方式都有些微的改變，而且她很抗拒和家人待在一起。醫療熱線沒有回電，於是Pratik 把他觀察到的所有細節輸入 AI，AI 給出的判斷是：她的症狀非常符合肺栓塞的併發症特徵。

他沒有立刻衝急診，他先傳簡訊給自己的醫師表親，描述了症狀和 AI 的判斷，表親的回覆是：馬上送去醫院。

後來確認，那確實是肺栓塞。如果等醫療熱線回電，可能需要四到五個小時。

第二次（和第三次）：輸血後的出血模式。

這個發現更像是數據分析的成果，Pratik 的工作流長期追蹤媽媽的生理數據，AI 識別出一個規律：每次輸血後的第七天，她就會開始出血。

追查之後找到了原因：每次輸血後 48 小時，醫院就會讓她從流質飲食改成固體飲食，而固體食物會刺激她原本就有的潰瘍，加速出血，失血量嚴重到幾乎讓她休克。這個模式發生了兩次，兩次都是透過這個工作流提前預警，才讓醫療團隊有時間介入。

「那樣的失血速度，是會要命的，」Pratik 說。

1,600 頁病歷，一個人讀不完

除了那三次直接的緊急攔截，這套工作流還攔下了一個靜悄悄的錯誤：一份 CT 掃描報告。

AI 在讀報告時找到了兩處診斷錯誤，以及三個地方把癌症類型標錯了——那份報告描述的根本不是媽媽的癌症。如果他們照著那份報告做的治療決策繼續走，後果不堪設想。

「我和我媽媽完全看不懂那份報告，但 AI 讀得出來，也問得更深。」他說。

這是 AI 在醫療場景裡最安靜、也最重要的能力之一：它不累，不會因為連續看了三十頁醫學術語就開始恍神，也不會因為是聖誕節就不回應你的問題。

這不只是一個人的故事

Pratik 的案例引發廣泛討論，但它並不孤立。humai.blog 於 4 月 14 日的深度報導整理了更多類似案例，揭示出一個正在快速擴大的趨勢。

其中一個案例是行銷顧問 Matt Rosenberg，在父親過世後收到一張 195,628 美元的帳單。他用 Claude 逐行審查，AI 在一個小時內找到重複計費代碼、從未執行的冠狀動脈手術費用，以及 Medicare 明文禁止的費用組合。他寫了一封六頁的陳述信，醫院把帳單降到了 33,000 美元——省下了 163,000 美元。

另一位同時被診斷出雙側乳癌的患者，在收到切片報告的幾分鐘後就把報告上傳到 AI，讓它翻譯成白話文並列出三小時後見腫瘤科醫師時該問的問題。「我對發生了什麼事有了更紮實的基礎理解，這不能取代醫療建議，但它是讓你能更有效與醫療團隊溝通的橋樑。」她說。

根據 OpenAI 2026 年 1 月的調查，全球已有 4,000 萬人每天使用 AI 工具輔助醫療相關決策。