紐約大學蘭登健康中心與 Grossman 醫學院團隊研發生成式 AI 風險篩檢工具 PREVIA，利用創傷患者在急診時回答「什麼事情讓您來到急診室？」時的語言敘事，預測一個月後出現創傷後壓力障礙症（PTSD）的風險。研究以 145 名急診創傷患者建立模型，辨識高風險患者的準確率超過 95.4%；面對其中 30 名後續罹患 PTSD 的病例，PREVIA 找出 100%，專精 PTSD 的急診醫師則辨識 89%。
工具採三層分析架構：第一層擷取創傷當下失去控制、失憶等解離徵兆，以及急診期間感覺與身體脫節等早期症狀；第二層納入既有精神疾病、較低社會經濟地位等風險因素，以及因應能力、社會支持等保護因素；第三層彙整各項判讀並結合年齡、性別、傷害類型與 PTSD 盛行率，輸出風險分數及自然語言解釋。
研究刊載於《自然通訊》，並以 DSM-5 臨床PTSD評估量表進行對照驗證。團隊表示模型採開放原始碼且不需另行訓練或微調，使其他醫院能在不提供病患資料的情況下自行測試。
這項研究的真正起點並非演算法準確度，而是急診醫療體系長期存在的結構性矛盾：每年約 4,300 萬名美國人因身體創傷進入急診，超過四分之一可能發展為 PTSD，但只有約 28% 的急診室例行執行 PTSD 篩檢，已有篩檢的機構中僅約三分之二採用經驗證的工具。當醫護人員平均每位患者只能投入 15 至 20 分鐘，耗時的心理評估必然讓位於止血、固定與生命徵象等立即醫療處置。
PREVIA 的設計邏輯，是把臨床工作流程中最難被壓縮的部分重新排列。它不要求患者多填一份問卷，也不要求醫生額外進行冗長訪談，而是從既有的接診對話中擷取心理訊號。這項突破的意義在於「零新增時間」——工具利用的是原本就存在的臨床資訊流，而非另闢一條會與急診壅塞直接競爭的人力流程。這也是它與一般健康 App 或事後問卷最大的差異。
從技術演進來看，PREVIA 將不同模型的強項分工：Llama 偏向辨識 PTSD 風險訊號，Mistral 則補強保護與情境因素，最後由第三個模型統整，減少單一模型主導結果的偏誤。這種「集成式判讀」反映出醫療 AI 從單一模型競比分數，逐漸轉向可解釋性、穩健性與流程相容性的競賽。
不過，145 人的樣本規模仍不足以證明工具能普遍適用於不同國家、族群與急診型態。研究數據中「100% 找出 30 名病例」的結果具有統計意義上的脆弱性，必須在大型、多中心、族群平衡的前瞻性研究中重現。若模型在不同文化中的傷痕敘事、貧窮表達或憂鬱用語分布有差異，可能產生公平性落差；病患隱私、錄音同意、醫療責任歸屬，以及醫護是否會因演算法標記而增加標籤化偏見，也將決定這套工具能否真正落地。
此外，這項成果並非用來取代臨床診斷，而是將有限的人類注意力集中到高風險患者。若缺乏後續心理支持、轉介與治療容量，單純提高辨識率可能只是製造一條「被發現卻無處可去」的脆弱名單。篩檢工具的價值最終取決於醫療體系是否願意把急診後的第一個月，當成一項不容錯過的公共衛生介入窗口。
戰略貿易流向與供應鏈依賴度
HS 8507資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $1,300 億美元 / 年 (複合成長率 >24%)
這項研究讓「急診不只是處理軀體傷口，也是心理創傷防線」從倡議逐步走向可操作的技術路徑。以往 PTSD 預測多仰賴創傷後數週的問卷，或需要心理專業人員個別評估；生成式 AI 若能從自然語言讀出風險，篩檢的單位成本與時間成本可能出現結構性下降。
歷史上的重大教訓是，醫療技術若只解決「辨識」而未同步解決「處置」，往往難以形成實質健康成效。從急性心肌梗塞的風險分層到敗血症早期警示，臨床工具的成功從來不只源自演算法，也來自對應的檢驗、病房與治療資源。PTSD 篩檢若能複製這套完整鏈路，生成式 AI 才會從備受矚目的技術展示，轉為真正改變公共衛生結果的基礎設施。
01 起因觸發：紐約大學團隊證實生成式 AI 可從急診創傷敘事擷取心理風險訊號
02 一階傳導：急診科與精神psycho科將獲得低時間成本的 PTSD 風險排序工具
03 二階擴散：醫療 AI 產業由模型精度競賽轉向可解釋性、多模型集成與臨床流程整合
04 二階擴散：保險給付、醫院採購與心理轉介機制開始重新設計
05 三階擴散：隱私、演算法偏見與醫療責任歸屬成為監管核心
06 宏觀終局：急診入口升級為全院即時風險感知與早期介入基礎設施
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
