插頭規格統一，不代表每台設備接上後都能安全運作。FHIR Box也是如此：它可望改善跨院病歷的交換與應用介接，卻無法單獨保證資料品質、模型泛化能力或臨床效益。

衛福部真健康部落格轉載的iThome 2026年報導指出，相關規劃包括向醫學中心提供FHIR Box，並建立SMART on FHIR應用市集與認證機制。

以下將依序拆解政策背景、互通機制、風險限制與採購治理行動，最後列出可繼續核對的政策節點。

一、FHIR Box是什麼？先理解FHIR解決哪一層問題

2026年衛福部真健康部落格轉載的報導揭露，主管機關規劃向醫學中心提供FHIR Box，並推動SMART on FHIR應用市集與認證機制。

FHIR Box主要處理醫療資料交換與應用介接，不是集中式病歷庫，也不代表資料品質一致。

HL7將FHIR定義為電子醫療資訊交換標準。資源模組（Resource）封裝資訊，API負責讓應用讀寫或查詢資源，實作限制檔（Profile）、擴充欄位（Extension）與術語綁定則約束交換方式。

不同院所採用的FHIR版本、Implementation Guide、Profile、Extension、代碼系統與必填規則可能不同。FHIR Box與院內HIS、電子病歷、PACS、檢驗系統及既有HL7介面的版本相容性與欄位映射，仍須逐院驗證。

AI輸出若回寫病歷或觸發臨床決策支援，還要記錄資料來源、模型版本、時間戳記、使用者操作與稽核軌跡。

「FHIR是電子醫療資訊交換的標準。」— HL7 FHIR R5規格（中譯）

二、誰在FHIR Box生態系裡負責什麼？

主管機關、驗證機構、醫院、系統與AI業者各有責任，介接成功不能歸因於單一廠商。

公開資料顯示，50款SMART on FHIR應用已入選；FHIR Box則是預計提供醫學中心部署的規劃。衛福部的國家數位健康互通性與效能認證頁面已公開沙盒、實機認證、真實世界臨床測試與持續監管的制度設計。這些狀態不等同於FHIR Box已完成全國部署，文章引用的公開資料也未提供正式認證通過名單。

角色主要責任不足以證明的事項
主管機關與驗證機構規格與驗證各院皆有臨床效益
醫院、HIS商、整合商映射、權限與在地測試資料完整無偏差
AI業者模型驗證、揭露與監測接通後即可跨院通用

三、串院後，醫療AI可能得到哪些效益？

共同交換規格可減少重複介接，並支援跨院驗證與結果追溯。

在授權範圍內取得跨院資料，有助檢查模型離開開發院所後的效能。實際效益仍取決於資料品質與部署方式。

醫療模型從開發醫院移至兩家外部醫院，依序通過資料映射、外部驗證、臨床流程測試與稽核留存。
模型跨院落地不是一次搬移，而是必須逐步完成映射、驗證、流程測試與紀錄留存。

四、第一道缺口：FHIR格式一致，不代表資料品質一致

可交換只證明資料能依規格傳遞；缺值、錯碼、單位、時間軸、標註偏差與族群差異，仍可能讓模型學到錯誤關聯。

同一血糖欄位可能混有空腹與飯後數值，單位、時間戳記與診斷標註也可能因院所而異。

Lewis等人的系統性回顧納入103篇電子病歷資料品質研究，常見評估面向包括完整性、正確性、一致性、合理性與時效性。研究結論指出，目前仍沒有單一標準方法可全面評估電子病歷資料品質。

訓練與使用場域的病人、設備或流程不同，可能導致資料漂移與效能衰退，因此要檢查缺漏、異常值、映射、族群分布及各院效能。

兩組同樣符合FHIR格式的檢驗資料並排，其中一組標示缺值、單位不一、時間錯位、編碼不相容與標註問題。
格式相同只代表資料能交換，五類品質缺口仍可能使模型學到錯誤關聯。

五、第二道缺口：資料流通後，隱私與責任如何治理？

跨院交換不表示病歷可無限制集中、再利用或直接投入模型訓練；治理檢核應先辨識各項用途、適用依據、權限與稽核流程。

治理設計須界定使用目的、最小必要欄位、查詢權限、保存期間、再利用與資安事件責任。

以治理檢核原則來看，不論是否採用去識別化，都應先界定使用目的、存取權責與風險治理機制。同意、代理、撤回與權益告知是否適用及如何辦理，須依醫療照護、人體研究或資料二次利用等具體情境，另行查核台灣相關法規與主管機關指引。

世界衛生組織的健康AI治理指引要求把倫理與人權納入設計、部署及使用，並讓公私部門對醫療人員和受影響群體負責。落到系統上，就是目的限制、分級授權、傳輸與儲存保護、稽核紀錄、事件應變和責任契約。

「倫理與人權必須置於健康AI設計、部署與使用的核心。」— 編譯自WHO 2021年指引

治理契約至少應界定資料提供者、平台與AI業者如何分工管理原始資料、交換權限、模型驗證與異常監測；實際法定責任仍須依個案角色、用途與適用法規確認。依食藥署《醫用軟體分類分級參考指引》，是否列屬醫療器材軟體，須綜合功能、用途、使用方法、工作原理與風險判定；是否需許可及變更管理，也須依產品預定用途、功能與風險逐案確認。食藥署另已公告AI／機器學習醫療器材軟體的預定變更控制計畫指引，作為產品變更規劃與查驗登記資料準備參考。

六、第三道缺口：可解釋性要能支援臨床決策

可解釋性是透明度的一部分，還要結合預定用途、限制、跨院效能、人機分工與上線後監測，才能支援安全判讀。

醫療專業人員要知道輸入來源、關鍵因素與限制；病人需要可理解的用途與風險；治理人員則要追查版本、資料流及操作紀錄。

特徵重要度不能取代外部驗證。AI結果應結合臨床情境判讀，系統並定義提醒、覆核與異常升級流程。

FDA、加拿大衛生部與英國MHRA的機器學習醫材透明度原則指出，適合提供的資訊會隨裝置風險、效益與預定使用者需求而異，可解釋性只是透明度的一環。Jung等人的系統性回顧也指出，醫療XAI尚缺全面且具共識的解釋框架，以及標準化的解釋效果評估方法。因此，目前沒有一套可適用所有模型與臨床情境的單一可解釋性評估標準，不宜把單一解釋方法視為通用的安全證明。

七、FHIR Box之後：判斷醫療AI落地的6項指標

應同時檢查互通合規、資料品質、外部驗證、臨床工作流程、持續監測與問責，不能只看介接畫面或單一準確率。

  1. 互通合規：提出FHIR版本、Profile、術語綁定、驗證結果及映射表。
  2. 資料品質：揭露缺漏、錯碼、單位、時間戳記、異常值、標註方式與族群代表性。
  3. 外部驗證：提供不同院所、設備與病人族群的效能，並分別檢查兒童、慢性病患者、罕見及樣本不足族群。
  4. 工作流程：說明輸入、輸出、覆核、停用與警示疲勞。
  5. 持續監測：保留資料與模型版本、效能漂移、偏差、資安事件、人工覆寫和更新紀錄。
  6. 問責機制：界定醫院、平台、整合商及AI業者在資料錯誤、模型失效與事件處理上的責任。
  • FHIR Box可改善交換，但格式符合不代表資料可直接訓練模型。
  • 醫療AI仍需外部驗證、臨床評估、隱私治理與持續監測。
  • 政策時程、認證制度與參與業者可能變動，應以主管機關最新正式文件核實。
醫療AI採購檢核表以六張並列卡片呈現互通合規、資料品質、外部驗證、臨床流程、持續監測與問責。
醫療AI能否落地要看六個面向是否同時到位，不能只憑介接成功或單一準確率決定。

八、研究證據仍有哪些限制？

目前證據較能支持技術互通的可行性，尚不足以推論跨院臨床結果、成本效益或長期維運成效。

FHIR相關文獻多聚焦技術可行性與單點導入；跨院實施後，仍需比較效能、錯誤、工作負荷、成本與病人結果。

台灣FHIR Box、應用市集與認證制度仍在發展，政策時程與參與業者可能調整。本文對制度的描述以2026年8月可存取的主管機關資料為準，實際採購、介接或法規判斷應再查最新正式文件。

下一個可核對的政策節點，是主管機關正式公布FHIR Box部署範圍、認證規格與通過名單；院所則可繼續核對跨院臨床測試及上線後監測結果。

常見問題

Q1: FHIR Box會取代醫院原有的HIS或電子病歷嗎？

未必。它著重資料與應用介接，原有系統仍需映射與整合。

Q2: 符合FHIR就能把資料直接拿去訓練AI嗎？

不能。還要確認用途與合法性，並檢查品質、族群偏差和資料漂移。

Q3: SMART on FHIR和FHIR Box是同一件事嗎？

兩者層次不同。前者是應用授權與啟動框架，後者是台灣規劃中的互通與應用平台。

Q4: 醫院採購醫療AI時，最先該索取什麼？

可先索取預定用途、外部驗證、資料品質、適用族群、模型限制與上線後監測計畫。