在外科領域中，「死亡與併發症病例討論會」（M&M Rounds）是我們直面挑戰、從錯誤中淬鍊智慧的神聖殿堂。然而，面對繁雜的臨床業務，我們該如何挑選最具啟發性的案例？又該如何跳脫指責的窠臼，真正做到防微杜漸？ 這篇文章將帶領你掌握 M&M 會議的核心精髓，從「案例篩選」、「深度評估」到「制定行動綱領」，為你的臨床討論會注入嶄新的洞見與價值。 一、 萬中選一的藝術：三大黃金篩選準則 一個好的討論案例，不應只是為了究責，而是為了啟發。我們強烈建議，被提交至 M&M 會議探討的案例，必須同時符合以下 三項核心準則 ： 發生不良結果 (Adverse Outcome) 實質損害： 包含病患死亡、失能、受到傷害或損傷。 跡近錯失 (Near Miss)： 即「有驚無險」，潛在的傷害被及時攔截。 具備可預防性 (Preventable) 該結果並非疾病不可逆的自然進程，而是有機會透過人為或系統介入來避免的。 蘊含深刻的學習價值 (Lessons to be Learned) 案例必須能讓我們從中汲取關於「認知偏差 (Cognitive Biases)」或「系統性問題 (System Issues)」的寶貴經驗。 二、 撥雲見日的剖析：兩大核心評估視角 選定案例後，真正的挑戰才剛開始。為了避免流於表面的檢討，我們站在上帝視角，重新審視案例： 認知偏差 與 系統性問題 。 視角一：是否有任何「認知偏差」左右了最終結果？ 人類的決策往往受限於思維盲區。是否因為過度自信、先入為主的定錨效應，或是情緒的牽引，導致了臨床判斷的失誤？ 視角二：是否有任何「系統性問題」成為了不良結果的推手？ 這是 M&M 會議中最需要被抽絲剝繭的環節。請嘗試從以下九個維度進行地毯式排查： 病患端因素 (Patient Factors)： 例如任何溝通上的藩籬（語言隔閡、酒精/藥物影響、意識遲鈍或病況極度危急等），以及可能引發醫療人員情感偏差（affective bias）的特定行為。 技能層次誤差 (Skill-set Errors)： 包含術式操作上的併發症，或是對心電圖、實驗室數據及影像學檢查的判讀失誤。 任務執行偏差 (Task-based Errors)： 例如常規照護工作的疏漏、對生命徵象的忽視或監測不力。這類失誤往往是醫療人員 工作超載 (Work Ove...
在醫學發展的長河中，我們正經歷一場從「醫師說了算」到「我們一起決定」的典範轉移。然而，這條轉移之路並非坦途。 2012 年，行為科學家彼得尤伯（Peter A. Ubel）在其著作《生命的關鍵決策》（ Critical Decisions ）[1]中揭示了「賦權」背後的隱憂；而今日，AI 的崛起則為這場決策賽局加入了全新的變數。 為什麼「純粹自主」反而是種負擔？ 20 世紀末的醫療改革試圖推翻「醫療家長主義」（Medical Paternalism），轉向強調患者自主[2]。但這種轉向往往陷入了 過猶不及 的困境。 1. 賦權失能（Empowerment Failure） 許多醫師採取「資訊傾倒」的策略，將複雜的數據丟給患者後便說：「事實就是這樣，請你決定。」尤伯認為這並非真正的賦權，而是責任規避。 2. 認知偏誤的泥淖 人類並非完全理性的經濟人。恐懼帶來的癱瘓感、對罕見副作用的過度焦慮，以及「結果偏誤」（Outcome Bias，僅依據結果好壞而非決策過程來評價），都讓一般人在危機時刻難以做出真正「自主」的選擇。 核心觀點： 真正的醫療決策不應是「醫師提供資訊、患者做選擇」，而是一場 科學與價值觀的融合 。醫師帶來科學實證，患者帶來個人價值觀，雙方協作才能產出最優解。¹ AI 時代的醫療三元論：LLM 如何改變診間？ 十三年後的今天，GPT-4、Claude 與 Gemini 等大型語言模型的出現，將傳統的醫病「雙人舞」轉變成了「三方會談」。 1. 資訊門檻的瓦解 LLM 最強大的功能在於「轉譯」。患者可以要求 AI 將晦澀的病理報告解釋得如同高中教材，或列出與醫師討論的關鍵清單。這解決了尤伯所說的「知識詛咒」，讓患者在進入診間前已備好基本武裝。 2. 「確信幻覺」的新風險 然而，AI 帶來了另一種非理性： 虛假自信的幻覺（Confident Hallucination） 。AI 可能會以極其肯定的口吻編造臨床指南。對於像前列腺癌（手術 vs. 放射治療）這類關鍵決策，若基於錯誤的 AI 前提做決定，後果不堪設想。 八大溝通技巧 對於醫師在面對為患者作決策時，提供很好的技巧，儘管是十多年前的技巧，但仍歷久彌新。可以將這些技巧，區分為三大面向：價值探索、資訊傳遞、心理導航。 第一面向：價值探索（找出患者真正「想要」什麼） 1. 協助患者探索價值觀（Help Pat...