# 台灣醫療資訊相關進展
## 莊人祥 台灣疾管署
在2003年台灣爆發SARS疫情後，我們深刻意識到即時疾病監測的重要性，這能防止應變延誤並降低公共衛生威脅。基於此，我們建立了一套完整的監測基礎架構，採用指標式（indicator-based）及事件式（event-based）兩種方法來監測疾病模式，並偵測新興及所有潛在的健康威脅。

指標式監測系統整合了多種資料來源，包括標準化傳染病病例通報、完整的實驗室監測網絡，以及以科學證據為基礎的監測能力。另一方面，事件式監測系統專注於從多元訊息來源捕捉情資，包括監測哨點病患報告、傳統媒體監測，以及社群媒體分析。

在系統開發與實施過程中，我們優先推動資料生成、分析與警示的自動化，大幅減少人工工作量，提升效率與應變能力。我們已在公共衛生的關鍵功能上實現自動化，包括資料收集、整合、清理、分析、視覺化及發布。資料流程自多元來源（如病例報告、急診紀錄、問卷、醫院病歷）進入中央資料倉儲（透過ETL程序與伺服器），再產出儀表板與報告，並透過電子郵件與開放資料平台分享。

近年來，台灣在即時傳染病監測方面有顯著進展，並以4E策略呈現：

Electronic medical records：傳染病通報的電子病歷

Electronic laboratory reporting：實驗室檢測確診病例的電子回報

Early warning system：同步監測以偵測疫情初期徵兆

Event-based surveillance：檢查疫情訊號的事件式監測

依疾病嚴重性及整體影響力，疾病被分為五類，通報時限與隔離要求各異。其中，第1類與第5類疾病需在24小時內通報。第1類包含台灣曾發生但目前未檢出的疾病，第5類則是台灣境內尚未出現的新興或再現疾病，兩者皆極為重要，若出現一例即可能引發公共危機。

例如，醫療院所可透過多種方式將疑似COVID-19病例通報至National Health Infectious Disease Reporting System (NIDIS)，包括網頁平台、電子病歷系統，以及自2021年5月起的NHIV檢測上傳。經實驗室確診後，檢體送至指定實驗室，並透過**Laboratory Information Management System (LIMS)**回報檢驗結果。所有資料彙整至中央資料倉儲，由資料科學家分析並製作儀表板供即時監測使用。

台灣早在2014年便開始透過EMR自動化通報傳染病，醫師在醫院資訊系統輸入病患資料後，系統會將資料傳送至通報應用伺服器進行正確性驗證，大幅減輕感染管制人員的工作負擔，並將單例通報時間從9分鐘縮短至4分鐘。截至2025年，已有超過92家醫學中心與區域醫院導入EMR自動通報。

在2021年5月COVID-19疫情升溫時，病例與檢測需求急遽增加，導致病例通報積壓、檢體運送與PCR檢測延誤，實驗室回報LIMS的速度也受到影響。為緩解壓力，我們採用健保卡與電信視訊問診服務，健保卡可自動化上傳PCR與快篩結果，並加速COVID-19病例通報，疫情高峰期單日通報可達3.5萬例。

在實驗室回報部分，我們設計了透過HL7檔案API與批次上傳碼（rolling code）自動將檢驗結果上傳至CDC LIMS的機制，提升通報速度與準確度。另一套**ROS (Laboratory Automated Reporting System)**則讓醫院實驗室每日自動上傳陽性檢驗結果，截至2024年已有70家醫院加入，涵蓋全台超過八成縣市，平均每日上傳約2.5萬筆案例。

在早期預警系統（syndromic surveillance）方面，自2009年起，我們使用NHRI健保申報資料進行監測，涵蓋全台99%以上人口，並依ICD-Cov-2監測多種症候群。自2005年起，也蒐集來自全國180家急診的即時資料，並透過匹茲堡大學開發的監測系統即時追蹤流感、萊姆病、腸病毒、腹瀉與先天性肝炎等。

事件式監測方面，RAS-E系統同時監控國內外來源，包括哨點回報、自動化新聞爬取與FDI技術分析，以及1-922-INFECTION民眾通報專線。我們也與加拿大公司Brudeau合作，利用其分析工具自動化全球事件風險評估，並整合至態勢感知儀表板。與ASOS-AW Lab合作後，我們使用大型語言模型直接在瀏覽器端完成國際新聞的翻譯與摘要，並透過TrackGBT API一次完成資料處理。

目前，台灣的公共衛生回報與溝通平台包括National Notifiable Disease Statistics System (NIDSS)、CDC開放資料平台、登革熱地圖、毒蛇與動物咬傷資訊系統、旅遊健康資訊等，並開發了基於急診與門診資料的機器學習預測模型，協助疫苗規劃與防疫應變。

總結來說，台灣在即時監測方面的成果，透過EMR自動通報、電子實驗室回報、症候群監測與事件式監測，展現了對全球健康安全的承諾。我們的目標不僅是教育，更要做到預測與預防，建立能抵禦任何威脅的公共衛生生態系統。

在致謝Professor Zhang後，有與會者提問，是否能將流感預測結果用於醫院資源規劃，如增加人力或調整手術以釋出病床容量。回覆指出，這類資訊確實會用於規劃，例如農曆新年期間醫師請假較多時，會透過獎勵機制鼓勵醫院增加呼吸道門診人力，以因應疫情高峰。

## 李建璋 衛福部

---

首先要介紹的是 **NHI MediCloud**（健保雲端查詢系統），其次是台灣約有一半居民下載使用的 **My Health Bank**（健康存摺），第三是由我所在部門管理的 **EMR Exchange Center**（電子病歷交換中心），第四是遠距醫療與電子處方箋試辦計畫。

**NHI MediCloud** 讓全國醫療院所可即時上傳民眾的健康紀錄，最常見的應用情境是醫師可查詢病人的過去用藥紀錄，避免重複開立或藥物交互作用。此外，院所也能上傳影像與影像報告，有效減少重複影像檢查與檢驗。

**My Health Bank** 則讓民眾可透過行動應用程式查閱自己的健康紀錄，包括出院摘要、診斷、用藥紀錄、影像與檢驗紀錄。雖然目前尚未依 **FHIR** 標準統一格式，但以 PDF 形式呈現，仍可讓民眾便捷存取健康資料。基於此平台，已衍生多款個人健康管理應用，例如慢性腎臟病管理、糖尿病管理、牙科健康管理等。

第三是遠距醫療計畫。在 COVID 期間，我們啟動全國規模的遠距醫療服務，並在此基礎上新增 **e-prescription**（電子處方箋）系統。電子處方箋含兩組 QR Code，一組用於驗證開立醫師身份，另一組供藥局驗證處方內容。目前已在花蓮試辦，讓偏鄉居民能透過遠距醫療與專科醫師諮詢，取得電子處方箋並至藥局領藥或續藥。

台灣約有 80 家醫院名列全球智慧醫院 350 強之中，醫療中心應用 AI 的案例相當多，例如 AI 偵測舟狀骨骨折、AI 解析心電圖以預測心跳驟停、AI 偵測跌倒或血液透析期間的異常高血壓等。AI 技術應用本身不是問題，關鍵在於如何在倫理框架下使用。為此，我們建立了「可信賴與負責任 AI 網絡」，並補助 10 家醫院成立 **Responsible AI U-Centers**，要求落實三大策略：

1. 成立委員會制定規範，確保資料隱私與資安。
2. 醫院內所有 AI 系統須註冊，並向最終使用者（多為醫師）揭露九項透明性特徵及可解釋性分析結果。
3. 所有 AI 系統需進行全生命週期管理，即使獲得 **PFDA** 核准，也必須定期校正與驗證準確性。

然而，台灣在健康資料整合上仍面臨重大挑戰，特別是資料分散化。全台約有 400 家醫院，使用超過 30 種 HIS 系統，且深度綁定各院工作流程，幾乎不可能以單一系統統一。

因此，我們採取分層框架推進 EMR 資料整合：

* **第一層**：建立 **Taiwan Core Data for Interoperability (TWCDI)**，與美國 USCDI 高度相容，並加入在地延伸與擴充，已於去年九月完成。
* **第二層**：透過 **FHIR converter** 與 **FHIR server**，使大型醫學中心能以 FHIR 標準交換健康資料，達成結構化互通性。
* **第三層**：推動語意互通性，全面採用 **LOINC**、**SNOMED CT**、**RxNorm** 等國際標準編碼系統。

目前 **Taiwan Core v1.0** 已公布 20 類別、109 個欄位的資料規範，醫院 IT 團隊與系統廠商可依此進行資料轉換。我們建立了資料交換流程（pipeline）：

1. 原始資料格式對應（format mapping）
2. FHIR 轉換
3. 儲存至 FHIR server，並透過大型語言模型半自動進行 SNOMED CT、LOINC、RxNorm 編碼，由專業編碼員最終驗證，避免 LLM 產生幻覺或錯誤。
4. 透過 **Inferno** 工具驗證 FHIR 格式
5. 傳輸至 **EEC**（電子病歷交換中心）進行交換與視覺化。

我們建立了 **My Health Portal**（健康存摺 PC 版），讓醫師可整合多院病歷摘要於單一介面。EEC 採用 VPN 連線全台 400 家醫院，並允許 **CDC** 及其他政府機構進行公共衛生與流行病學調查。

目前選定三家試辦醫院，包括佔全台 EHR 紀錄五分之一的 **Chang Gung Memorial Hospital**（約 4,000 床），以及中、北部的 **Mackay Hospital** 與 **Chung Shan Hospital**。試辦成功後，將於明年推廣至全國。

此數位健康基礎建設的目標不僅是資料交換，更要形成生態系，讓醫師能使用臨床決策工具與 AI 應用輔助診療。我們規劃了三大空間：

* **Taiwan Health Data Space**：整合 FHIR 資料、影像與檢驗資料
* **Taiwan Health Rule Space**：儲存臨床決策規則（採 CQL 與 CDS-Hooks 技術）
* **Taiwan Health App Space**：儲存 EHR AI 應用（支援 SMART on FHIR 標準），並具 Sandbox 與 Marketplace 機制

這些資源已整合至 **Taiwan Healthcare Information Standard Platform**，提供工具、教學影片、範例與驗證服務，目前僅有中文版，預計年底推出英文版。

台灣數位健康發展策略分為三層：

1. **Taiwan Core IT**（TWCDI）作為核心標準，隨時間擴充，允許公私部門共同提交規範。
2. **STEM** 平台與工具支援資料標準化。
3. **Rule Space** 與 **App Space** 作為生態系核心，促進智慧醫療應用發展。

我們將於 8 月 13 日舉辦首屆 **SNOMED CT Taiwan Seminar**，歡迎參加。

在觀眾提問環節，來自瑞士的 **Patrick Weber** 問及護理資料的整合情況。我們回應，目前護理資料除生命徵象外，多以中文縮寫與英文混合的文字記錄，尚未標準化，因此未納入統一格式。但已有廠商利用 LLM 與語音轉文字技術處理護理紀錄，未來可望推進標準化工作。
## Yiming Huang 中央健保局
我是 Yiming Huang，現任台灣衛生福利部中央健康保險署副署長。今天要分享的主題是「從健保資料到健康資料治理：台灣健保的數位轉型」。雖然今天會議的主題是智慧醫院，但在台灣，國民健康保險（NHI）其實是推動醫院與醫療服務提供者數位化的重要驅動力。

今天的內容包括：

台灣健保制度概況（資料、政策與資訊系統）

我們目前的資料治理政策與目標（隱私保護、互通性、透明化）

簡短結論與未來展望

一、台灣健保概況

2024 年是台灣健保實施滿 30 週年。早在 1976 年 Alma-Ata 宣言後，台灣便有「全民健康」的概念，並經過長時間規劃，於 1995 年正式實施全民健康保險。

健保資訊系統的演進大致分為三個階段：

EDI 階段：建立結構化資料上傳機制，規範醫療院所依格式上傳資料至健保署

資料整合階段：引進健保 IC 卡、VPN，建立 MediCloud 與 My Health Bank，實現跨院資料共享與個人健康資料回饋

智慧應用階段：擴增醫療影像、發展遠距醫療、電子處方箋，迎接 AI 與大數據分析挑戰

目前，台灣每人皆持有健保卡（含外籍移工），卡片中記錄診療、處方、重大傷病註記等資訊。健保資料倉儲（data warehouse）整合支付、收費、健保卡資料上傳等日常作業資料，透過 MediCloud 提供醫療院所查詢，並透過 My Health Bank 回饋民眾。My Health Bank 已有逾 1,200 萬下載量，約佔全台人口一半。

健保資料除支援臨床，也用於公共衛生與學術研究。2001–2023 年間，已有超過 9,000 件研究計畫獲核准使用健保資料，並遵循 IRB、資料去識別化與實體隔離規範。

二、資料治理與隱私挑戰

2012 年起，民間團體對健保大數據二次利用提出憲法訴訟，2020 年憲法法庭判決雖認定資料使用本身不違反隱私保護，但缺乏獨立監督機制（類似 EU 的 Privacy Officer）。健保法現行並未明確授權資料二次利用，也缺乏「拒絕（opt-out）」機制，因此必須修法。

目前已提出《健保資料管理法》草案，規劃依資料類型限制使用者、賦予民眾 opt-out 權利，並建立獨立監督機制。

三、互通性與數位轉型應用

2024 年，總統賴清德提出「Healthy Taiwan」政策，其中的「Cancer Moonshot」計畫目標在 2030 年前將癌症死亡率降低三分之一。我們以此為契機，推動癌症照護數位轉型：

結合癌症重大傷病認定與高價藥物事前審查系統

建立癌症登錄資料庫與治療成效追蹤機制

引入 mCODE 與 FHIR 標準，配合台灣本土醫療術語（Taiwan Terminology），必要時採用 LOINC、SNOMED CT、ICD-10-CM 等國際標準，或制定 NHI 專屬編碼

規範癌症藥事前審查須回報 105 項欄位（8 大類），各院透過 ETL 上傳資料至健保署，建構癌症病人 real-world data

四、電子處方箋（e-prescription）

已建立全國電子處方箋平台，處方與調劑紀錄皆採 FHIR 格式：

可透過 My Health Bank App、醫院自有 App 或附有標準 QR code 的紙本領取

每張處方含數位簽章，支援遠距醫療並符合 ESG 永續目標

若全台全面採行電子處方，每日可減少約 100 萬張紙張浪費

五、未來展望

我們的願景是建立一個能支援病患、醫療院所、產業與政府的健康資料生態系，並與國際接軌。數位轉型將提升醫療效率，促進公共衛生，並推動智慧醫療發展。

## 北榮
今天我想和大家分享 Taipei Veterans General Hospital 的智慧醫療服務模式。我將與 Professor Chen 共同報告，前半段由我先花大約 10 分鐘簡介。

醫院背景

我們是台灣的國家級醫院，也是全台唯一獲得世界衛生組織認證的醫院。院內病床超過 3,000 張，每日門診量超過 9,000 人次，屬於醫療量能非常龐大的醫院。

除了硬體設施，我們也有清晰的數位轉型藍圖，包括基礎建設與各種智慧醫療解決方案。例如：

病人端 App：可掛號、查詢醫療資料、繳費等，整合多種就醫服務。

手術室混合實境（Mixed Reality）應用：醫師可使用平台進行定位、3D 模型調整，並與病人共享資訊以輔助手術決策與準備。

AR/VR 醫學教育：廣泛應用於醫學教學與臨床模擬。

數位病理系統：涵蓋院內幾乎所有病理檢查領域，並與產業合作開發病理影像應用。

自動化運送系統：使用 AGV 運送 I-131 放射性藥物，減少人員輻射暴露；高等生物安全實驗室也導入遠端機械手臂處理高風險感染因子。

醫療 AI 發展與臨床應用

我們成立了 Medical AI Development Center，由院長與副院長 Professor Liwei Chang 領導，專注於 AI 模型的開發與臨床導入。舉例：

睡眠呼吸中止症檢測 App：利用聲音分析夜間打鼾與呼吸異常，不需穿戴裝置，只要將 iPhone 放床邊即可取代傳統多導睡眠檢查。

敗血症早期預警系統：與國內另一家醫院合作，僅依生命徵象即可在發病前 6 小時預測敗血症，且可整合至院內儀表板與病人端 App，方便居家監測。

神經精神醫學 AI：利用結構與功能性 MRI 視覺化大腦病灶，可預測阿茲海默症認知功能衰退、偏頭痛嚴重度，並追蹤精神疾病腦部變化。配合 BrainPool 平台，能將影像定位與非侵入性腦刺激（rTMS）治療結合，甚至導引至更深層腦區。

AI 治理與影響評估

Professor Chen 接續介紹 Medical AI Development Center 的核心角色與治理架構：

遵循 9 大 AI 透明原則，涵蓋資料輸入與用途、開發流程、公平性與倫理、效能監測等，並設有專屬網頁供參與人員查詢與遵循。

對院內所有 AI 工具實施生命週期管理，若效能低於標準會暫停使用、修正與重新驗證。

此外，我們成立了全國 4 大 AI Impact Research Centers 之一，與全台 10 家分院合作，進行多中心 AI 臨床影響評估，包括：

可行性與試驗設計

臨床與經濟效益評估（如成本效益分析）

多院 IRB 協調與流程標準化（採用 SMART-on-FHIR 表單）

首個案例是 AI 輔助低劑量電腦斷層（LDCT）肺癌篩檢的隨機對照試驗，比較 AI 輔助與傳統篩檢對癌症死亡率與篩檢率的影響，並進行成本效益分析。初步結果顯示，AI 介入影響了資源使用與成本，凸顯 AI 影響評估的重要性。

未來，我們將擴展至更多專科的 AI 臨床試驗，建立多元 AI 醫療資料平台，並培育更多 AI 醫療專業人才。

---

我們該如何將這一切整合在一起？
我認為 EMEA 應進入歷史上的第三階段，試圖在製造體系中納入從事新興醫療與健康照護領域的科學人才，應對新的挑戰。

現在進入觀眾提問時間。討論的兩大議題是：

1. 我們該如何看待 Biomedical Informatics 與 Digital Health 的定位？
2. 作為國際醫學資訊學會（IMIA），是否應因應 Digital Health 這個新興概念、活動甚至可能是新興學科，而進行轉型？

**觀眾提問 1**
一位 Digital Health 與 AI 教授分享，他所在的單位名稱是「Graduate Institute of Biomedical Informatics」，但個人專攻 Digital Health。他認為 Biomedical Informatics 著重於資料分析與研究，而 Digital Health 涵蓋更廣，包括病人互動、裝置使用（例如穿戴式裝置）、服務提供與資料分析等。問題是：

* 這兩個術語能否並存？
* Digital Twin 算屬於哪一方？

**Ted** 回應第一個問題：
Digital Health 是整體領域中的一個子集合，兩者可共存。可以在 Biomedical Informatics 部門下設立 Digital Health 的分支。

**Antoine** 回應第二個問題：
Digital Twin 是我們希望實現的方向之一，與領域目標一致。

---

**觀眾提問 2**
有人回顧當年 Informatics 與 Computer Science 的分野，指出早期「Medical Computer Science」名稱過於強調電腦，而 Informatics 則包容決策科學、流行病學、認知科學等多元背景。更名應避免讓外界誤解學科內容。

一位醫師分享經驗，認為 Medical Informaticians 與純 Computer Scientists 最大不同，在於對醫療資料與系統生態的深入理解，否則純分析可能得出錯誤結論。

---

**觀眾提問 3**
討論命名差異的重要性與在地化因素。不同國家情境不同，例如 Nursing Informatics 自始至今都保留名稱，以凸顯護理流程的重要性。更名應尊重文化與語言差異，同時避免過度碎片化，造成各領域隔離，反而增加日後互通的難度。

---

**觀眾提問 4**
有與會者提醒，不要頻繁更改名稱，會喪失認同感與辨識度。同時，IMIA 應盡量包容不同名稱的群體（如 Digital Health、e-health、telehealth），並系統性地將這些領域的專業人士納入，特別是醫療與護理領域，以壯大組織規模與影響力。

另一位與會者補充，若未向 Digital Health 等現代術語適度開放，可能錯失吸引新興社群的機會。

---

**觀眾提問 5**
有與會者表示，自己是 Electrical Engineering 出身，但自稱 Informatician，而不會用 Digital Health 形容自己。他擔心若今天改名為 Digital Health，兩年後又可能改成 AI Health，將造成文獻檢索與知識追蹤困難。

另有人指出，目前 Digital Health 缺乏國際與國家層級的正式代表機構，多為新創公司與零散組織，且許多人甚至不知道 Biomedical & Health Informatics 的存在與價值。

---

**觀眾提問 6**
Stephan Maestri 教授提到，Biomedical Informatics 對外界溝通成本高，Digital Health 對病人等大眾較易理解，或許可為了溝通目的將其納入，讓更多相關人員了解我們的工作。

另一位回應認同 PR（公關）策略的重要性，但質疑單純改名是否能解決外界認知問題。IMIA 應深入思考如何更好地傳達 Informatics 的重要性。

---

**觀眾提問 7**
Dilna Patel 教授（Cognitive Scientist）指出，雖然各國有不同應用與文化背景，但 Biomedical Informatics 核心是「人與機器處理資訊」。IMIA 應在保持科學基礎的前提下，促進不同國家之間的溝通與共同語言，而非因潮流隨意更名。

---

**觀眾提問 8**
一位退休 Health Informatics 教授分享 WHO 的平行敘事：

* 從早期的「Computers in Medicine」
* 到 Telemedicine 與 Health Informatics 結合，產生「e-health」
* 隨著穿戴與感測技術的普及，加入以人為中心的面向，形成「Digital Health」
他強調 Informatics 是 e-health 與 Digital Health 的科學基礎。

---

**觀眾提問 9**
有與會者認為 WHO 所提出的「Digital Health Intervention」或許是能清楚區隔與其他領域（如 Computer Science、IT）的專業定位，甚至可用「Digital Health Interventionist」自稱，以凸顯價值。

---

**觀眾提問 10**
來自美國明尼蘇達州的臨床醫師 Jordan 詢問，自己有 6 年急性照護經驗，轉入 Health Informatics 後，是否應純粹專注於 Informatics，或結合臨床與 Informatics 經驗，以提供更全面的病人照護。

---

主持人最後總結，感謝所有與會者與講者，希望此次座談能啟發大家思考 IMIA 的未來方向，並鼓勵與會者將意見回饋給組織，共同塑造更符合全球與在地需求的發展策略。