護理師 AI 怎麼用：絕不能貼的 18 項識別資訊，以及替代做法

護理師可以把什麼貼進 ChatGPT、Claude 或 Gemini？

凡是不屬於 HHS 在 HIPAA 安全港規則下列出的 18 項識別資訊的內容都可以貼，屬於的一項都不行。我們在 2026 年 9 月 27 日閱讀了三家廠商自己的 HIPAA 頁面。Anthropic：「Team 方案與個人方案（Free、Pro 和 Max）無法啟用 HIPAA。」Google 只在 Workspace BAA 下涵蓋 Gemini 應用程式，該協議「適用於客戶以受規範實體或業務夥伴身分行事的範圍」，而使用個人 Gmail 的護理師並不符合。OpenAI 免費的 ChatGPT for Clinicians 是唯一可以在設定中簽署 BAA 的個人方案，其資格名單是「醫師（MD/DO）、執業護理師（NP）、醫師助理（PA）和藥師」。使用個人帳號的 RN 在任何地方都拿不到 BAA，所以下面這份清單就是全部的規則。

這 18 項識別資訊列在 45 CFR 164.514(b)(2)，這裡引自 HHS 指引頁面，並標出每一項在護理紀錄中藏身的位置。HHS 把它們列為「個人或其親屬、雇主或同住家人」的識別資訊，所以女兒的名字也算。

這 18 項中有兩項，會讓自以為很小心的人漏掉。日期：年份可以留，比年份更細的全部拿掉，超過 89 歲的年齡要改成「90 歲或以上」。地理：只有當前三碼郵遞區號涵蓋的區域人口超過 20,000 人時，HHS 才允許保留。同一頁也說明了為什麼小細節很重要：出生日期、性別和 5 碼郵遞區號的組合「對美國超過 50% 的居民來說是唯一的」。一份沒有姓名的紀錄，並不等於已去識別化。

實際做法分三步。去除：在貼進任何聊天機器人之前，先在文字編輯器裡逐一對照這 18 列並替換。提示：請AI改寫、潤飾措辭、產出衛教單或 SBAR，原本的細節用佔位符取代。放回：把草稿貼回 EHR 時，才在 EHR 內把真實細節放回去，那才是它們該在的地方。發布這篇文章的 Whizi，在這裡和 ChatGPT、Claude 屬於同一列：它是個人工作區，一個登入就能使用 GPT、Claude、Gemini 和 280+ 個模型，沒有 BAA，沒有 EHR 連線，而且隱私權政策說明提示詞會送到 OpenRouter 和模型供應商，且不會用來訓練 Whizi 自有的AI模型。這份清單對它完全適用，一字不改。

大多數讀者並沒有雇主的政策可以倚靠。在 Wolters Kluwer 於 2026 年 1 月 27 日發布的 2025 年 Future Ready Healthcare 調查中，57% 的護理師把隱私與資料安全列為生成式AI的主要風險之一，只有 22% 表示所屬機構有使用它的正式指引。在你的機構有之前，這 18 列就是指引。哪些內容絕不能貼進AI聊天把同一條規則延伸到你生活的其他部分。

AI 能在不含病人資料的情況下寫護理紀錄嗎？

可以，但它寫出來的紀錄只會和你貼進去的一樣乾淨，因為當我們請三個模型幫我們去除識別資訊時，其中一個沒有做完。

這份紀錄是虛構的心臟衰竭入院紀錄，埋入了 12 項識別資訊：病人姓名、女兒姓名、街道、附郵遞區號的小鎮、出生日期、入院日期、92 歲的年齡、電話號碼、電子郵件、MRN、Medicare 號碼和心律調節器序號。提示詞指明了規則：「請從下方的護理紀錄中移除 HIPAA 安全港方法（45 CFR 164.514(b)(2)(i)，A 至 R 項）列出的每一項識別資訊，並用方括號佔位符（例如 [NAME]、[DATE] 或 [MRN]）取代。所有臨床細節保持不變。」2026 年 9 月 27 日每個模型各跑一次，temperature 0.2。GPT-5.6 Terra 和 Gemini 3.7 Flash 全部替換了 12 項。Claude Sonnet 5 替換了 11 項，並在第一行回傳「[NAME], 92 F」。HHS 的 C 項寫的是「所有超過 89 的年齡」，所以這份紀錄仍然是 PHI。

比漏掉更大的問題在更上游。要讓模型去除一份紀錄的識別資訊，你就得先把紀錄貼上去，而貼上去本身就是揭露。所以去除這一步要由你親手做，模型拿到的只是佔位符版本。以下是它回傳內容的實際執行結果。模型：Claude Sonnet 5，2026 年 9 月 27 日。提示詞：「請把這份已去識別化的護理進度紀錄改寫成 SBAR 交班（Situation、Background、Assessment、Recommendation）。每個數字都要完全照原文保留，不要加入紀錄中沒有的內容，字數控制在 170 字以內。純文字，四段簡短且有標籤的段落。」後面接著去除識別資訊的紀錄（89 歲以上女性，因慢性心臟衰竭急性發作入院於 [DATE]，HFrEF，使用節律器，CKD 3，生命徵象，囉音，2+ 水腫，體重下降 1.4 kg，0600 給予 furosemide，尿量 650 mL，步行 40 英尺，女兒在床邊）。

輸出，143 字，已移除粗體標記：「Situation: Female patient, over 89 years old, admitted for acute on chronic heart failure exacerbation, currently on diuresis with improving fluid status. Background: History of HFrEF, dual-chamber pacemaker placed 2019, CKD stage 3, hypertension. Weight down 1.4 kg from admission to 71.2 kg. IV furosemide given at 0600 per order. Assessment: At 0800, alert and oriented x3, BP 132/78, HR 74 paced, RR 20, SpO2 94% on 2 L nasal cannula, temp 36.8. Bilateral crackles to mid lung fields, 2+ pitting edema to knees. Urine output 650 mL over the shift. Mild dyspnea on exertion, none at rest, no chest pain. Ambulated 40 feet with walker and standby assist. Daughter at bedside, requests discharge teaching by email. Recommendation: Continue diuresis, daily weights, strict I and O, fluid restriction 1.5 L. PT re-eval tomorrow. Discharge planning has started; coordinate email discharge teaching with daughter.」

每個數字都保留下來，也沒有多出任何內容，這是檢查這類改寫時唯一該確認的事。第一行的「improving fluid status」是模型根據體重趨勢做的推論，所以要當成草稿讀，不要當成發現；那正是你在 1900 交班前會改掉的句子。

另一種紀錄用途完全不涉及病人：措辭。「請給我十種客觀的寫法，記錄病人拒絕服用排定的口服藥物，每種不超過 20 字，不帶評價用語，不下診斷」，會回傳一組你可以存在手機備忘錄裡的句庫。同樣的形式也適用於疼痛再評估、沒有受傷的跌倒、拒絕沐浴、在電話中言語辱罵的家屬。這類功能的醫院版本，Epic 的 Art 和 Microsoft 的 Dragon Copilot，是在醫院自己的 BAA 下於 EHR 內運作的，而 Epic 表示，2026 年 2 月 26 日在 Mercy，下班前的交班紀錄從 3.5 分鐘降到約 32 秒，而且「護理師在簽署前會審閱並編輯草稿」。個人聊天機器人看不到病歷，所以它負責措辭，貼上這件事由你來做。

怎麼讓衛教單達到六年級的閱讀程度？

把年級寫進提示詞，因為沒有指定程度時，我們測試的三個模型寫出來的內容都高於 AHRQ 建議的程度。AHRQ 的健康素養通用防範工具包指出，教材應該「依建議以 4 或 6 年級程度撰寫」，「美國成人的平均閱讀程度是 8 或 9 年級」，而且將近四分之一的美國成人識字程度偏低。衛教單裡沒有病人，所以它是本頁最安全、可以從零開始起草的內容。

兩次使用的是同一份 250 字髖關節置換衛教單提示詞：「寫一份一頁的病人衛教單，標題為『髖關節置換後在家照顧自己』。內容涵蓋傷口護理、活動與行動，以及代表病人應該致電診所的警訊。純文字，不要 markdown，不要項目符號，約 250 字。」第二次加了一句：「用六年級閱讀程度來寫：短句、常用字，Flesch-Kincaid 6 年級或以下。」我們用 textstat 函式庫的 Flesch-Kincaid 年級公式替六份輸出評分。沒有指定時，Gemini 的開頭是「Taking proper care of yourself at home is essential for a safe and smooth recovery.」；指定後，它寫的是「Keep your cut clean and dry.」每個模型都往下超標，落在 2.6 至 3.9 年級，所以如果結果讀起來像兒童讀物，就改要求「5 至 6 年級」，不要寫「6 或以下」。

閱讀公式檢查不到兩件事。正確性：警訊、負重規則和傷口護理步驟屬於臨床內容，要由負責核准病人教材的人，對照你單位的標準衛教單來檢查，因為模型會自己編造一個拔除引流管的日期或開車規定。可執行性：AHRQ 指出，可讀性公式「關注的是字詞和句子的長度，而不是意義」，並建議用它的 PEMAT 工具來評估病人能不能照著這份單子做。翻譯要最後才做核准後的英文版，不要先翻，病人端對同一種謹慎態度的說明，請見 ChatGPT 能讀懂血液檢查報告嗎。

哪些AI工具是為護理師打造的？費用多少？

為護理師打造的工具分成兩類：抄寫工具（scribe），會在 BAA 之下錄下接觸過程並起草紀錄；以及讀書類應用程式，完全不會接觸病人。通用型助理比抄寫工具便宜，而且除了錄音之外，本頁的所有用途它都涵蓋。價格取自各廠商自己的定價頁，日期為 2026 年 9 月 27 日，以美元計。

Whizi 輸的地方就在這一列本身：它沒有 EHR 整合，沒有對病人接觸過程的環境式錄音，也沒有 BAA，所以做不了抄寫工具收費要做的那一件事，對想要錄音交班的護理師來說，也取代不了 Heidi 的免費方案。它擁有而單一廠商方案沒有的，是第二個模型。上面的去識別化測試就是論據：同一份去除識別資訊的紀錄跑過兩個模型，你就能看出哪一個保留了數字，哪一個編造了「improving fluid status」；並排比較從 Pro 開始，在 Starter 上你要把去識別化的紀錄先後交給兩個模型，第二次執行花的是點數，而不是第二份 $20 訂閱。對護理師來說，檔案方面的同一條規則很簡單：不要匯出病歷，不要上傳出院摘要，不要上傳掃描的病人基本資料頁。

AI 能幫你準備 NCLEX、寫交班、寫信給主管嗎？

三件事都可以，而且沒有一件含有病人。NCLEX 是其中有數字可依的：根據 Nurse.org 在 2026 年 2 月 18 日轉述的 NCSBN 2025 年初步數字，所有 NCLEX-RN 應考者的通過率為 69.1%，低於 2024 年的 73.3%，而美國培訓的首次應考者截至 2025 年 11 月 1 日的通過率為 87.1%。這項考試自 2023 年 4 月 1 日起是 Next Generation NCLEX，包含案例研究和臨床判斷題，所以要求的就是這種形式：「寫五題 Next Generation NCLEX 風格的案例研究題，主題是心臟衰竭的體液過量，每個選項都附上解析，並指出每題測的是哪一個病人需求類別。」每一則解析都要對照你的複習用書檢查，因為模型會憑記憶說出檢驗參考值或藥物劑量，而且當你要求出處時，它會編造來源。上表中的題庫是由真人撰寫並查核的；模型的用途，是解釋凌晨 2 點你沒看懂的地方。

交班是結構，結構不需要 PHI。IHI 把 SBAR 描述為「一種容易記住、具體的機制，適用於架構任何對話，尤其是需要臨床人員立即關注和行動的關鍵對話。」第二節的提示詞一次就能把去除識別資訊的重點條列變成四段有標籤的段落；整個班別的版本是：「以下是四位病人的去識別化重點條列，標為 A 到 D 床。把每位寫成 100 字以內的 SBAR 交班，順序不變，並標出任何缺少 recommendation 的床位。」標示的功能最有用：模型很擅長發現 C 床有評估卻沒有計畫。

寫給管理層的電子郵件，是護理師最低估的用途，因為值完夜班後在 0730 寫出的草稿，並不是你希望被讀到的那一版。「我是一個 32 床內科單位的資深護理師。寫一封 150 字的電子郵件給我的護理長，請求就最近三個夜班開會，那三班的照護比是 1 比 7，而單位標準是 1 比 5。列出三個日期，維持事實，不要指責，最後提出具體請求。」真實日期要自己填；那是你的，不是病人的。同一個提示詞也適用於換班、證照補助申請，以及對申訴的書面回覆。

該守住的底線是 ANA 的。它在 2022 年 12 月由 ANA 理事會核准的2022 年立場聲明，談的是護理實務中AI的倫理使用，並引用了倫理守則：「協助臨床實務的系統與技術，是護理師知識與技能的輔助，而非取代。」所以本頁每個提示詞適用同一條規則。如果會違反那 18 列，就不要放進去。如果不會，模型就是一份快速的初稿，而你是簽名的人。