張饒輝從產品設計與醫療資訊整合的角度，追蹤 AI 真正走進臨床、長照與健康決策的那條路：什麼先落地、信任與責任怎麼分配、法規怎麼跟上。
《AI 醫療現場》是張饒輝在 APPI News 的專欄。
他長期在 AI 產品設計、數位健康與醫療資訊流程的第一線，關注的不是「AI 會不會取代醫師」這種空泛命題，而是更具體的問題：一項 AI 工具為什麼常常先從行政流程、而非最前端的科學發現落地？當病人先問 AI、再問醫師，信任與責任如何重新分配？醫材法規怎麼從一次性審查走向演算法生命週期管理？
這個專欄把這些散在各篇的觀察收攏成三條主線：醫療 AI 的信任與落地、數位健康與高齡照護、AI 醫材法規與健康資料治理。共同的原則是分清楚研究結果、臨床現實、產業說法與制度限制之間的界線，用可查證的判斷取代技術樂觀或恐慌。內容為資訊整理與觀點分析，不構成個人化的醫療診斷或用藥建議。
FHIR 把病歷拆成機器讀得懂的「資源」。AI 讀結構化 FHIR 資料的代碼準確率能拉到九成以上，遠高於直接讀病歷文字猜代碼。台灣的 FHIR Box 計畫正把這套語言鋪進全台醫學中心。
中醫 AI 可不可信，看展示影片的準確率沒有意義。六件事沒查過，就只是一個包裝精美的黑箱：推理能不能追溯、資料來源站不站得住腳、藥材溯源、法規分級、資料互通、出事誰負責。
為什麼是 42 個州同時出手，而且挑在 IPO 遞件後？因為上市那一刻，法規風險第一次要被定價。
醫療 AI 上線前最容易被低估的六個坑：稽核怎麼存、去識別化如何靠地端索引與實體隔離落地、embedding 模型怎麼選、混合檢索與自我校驗三道關卡如何壓低幻覺做到可溯源，到機器只給狀態、由人依《人工智慧基本法》保有覆核權。以醫療 AI 合規守門引擎 goalkeeper 為設計範例，對照衛福部指引、個資法與憲法法庭判決，析論這六條對國家級平台的意義。
台灣整合健康資料試了十年，政府推了十年、多家新創相繼遇阻。這一次，台灣健康網路平台把資本、供給端和商業誘因都補齊了，十年磨一劍，終於有機會成局。剩下最關鍵的一關，是信任怎麼設計。
台灣健康網路平台要串接全台千萬健康存摺使用者的資料。個人紅利有限又有條件，集體效益才是重點：資料匯集後，台灣才可能訓練出貼合本地體質的醫療 AI。平台如何劃定退出、獨立監理與二次利用的界線，是參與前的關鍵。
FDA 一邊衝核准量、一邊把低風險軟體移出監管，台灣逐案審、歐盟疊高風險義務。這不是誰進步誰落後，是三種不同的風險賭注；台灣要問的不是抄誰，是自己卡在哪。
GPT-5 Pro 幫免疫學家解開卡三年的 T 細胞謎題，還預測了沒公開過的實驗結果。但把這件事讀成『AI 會做科學了』，就解錯題了。
AI 真的自己做出化學發現了嗎？讀準一點：GPT-5.4 提假設、自動化實驗室跑一萬筆反應、人工逐筆驗證，三者缺一都不成。被解掉的是『沒人跑得起一萬次』的通量問題，不是智力問題。台灣要接住這波，缺的不是模型，是實驗室與資料。
AI 連自家出的生命科學考卷都只過三成，這件事該怎麼讀？分數是一回事，出題兼改考卷兼頒獎的是同一個人，又是另一回事。
把行動 agent 配上監督 agent，等於把企業治理的 Maker-Checker 雙人覆核搬進 AI。問題是，當會出錯的人和盯著它的人都換成 AI，這套覆核真的夠成熟了嗎。
OpenAI 說新模型的健康答案贏過醫師，但分數全在它自家內部跑、未公開外審。真正的重點不是它贏了幾項，是每週 2.3 億人已在用 ChatGPT 問健康。AI 取代的不是醫師，而是 Google 搜尋。
iRhythm 的臨床與醫材系統都沒事，被攻破的是第三方代管的商業應用、入口是社交工程。醫療資料外洩越來越少發生在資料所在的地方，而在資料流動的地方。
CES 2026 把居家與陪伴機器人推上主角，但要不要交給它照顧長輩，真正的關卡不在機器人多炫，而在台灣剛上路的《人工智慧基本法》問責與資料治理框架下，照護責任、隱私與情感依賴怎麼落地。
AI 在製藥的落地，往往從臨床試驗管理、受試者篩選與法規送件開始，而非藥物發現前端。本文拆解背後的流程結構、資料條件與治理邏輯，說明這個順序為何不是偶然，以及如何判斷一個 AI 應用是否真正落地。
從衛福部《醫療機構應用生成式人工智慧指引》到工程設計，拆解合規守門引擎的五道關卡、去識別化管線、Null Provider 可測性設計與守門服務的核心原則。
多項研究發現二甲雙胍可能降低黃斑部病變風險，但從觀察訊號到臨床建議之間，存在一段系統性落差。本文拆解訊號形成機制、老藥新用的結構困境，以及 TwTxGNN 如何透過五級證據分類縮短這段距離。
刊登於 European Heart Journal 的研究分析逾 12 萬張乳房攝影，顯示 AI 可從乳房動脈鈣化訊號推估女性心血管風險。這不只是一項新技術，而是醫療 AI 設計邏輯的轉變——從做好一件事，到順手讀出已存在的訊號。
食藥署擬設「功能性食品」類別，保健食品廣告用詞將面臨更清楚的法規邊界。本文拆解現行三層食品分類結構的廣告規則落差、新制度的核心目的，以及 AI 輔助審查能做什麼、不能做什麼。
衛福部發布 GenAI 指引、醫療新創完成 A 輪融資、AI 通過醫師執照考試，三件事在同一時期發生。從供應鏈透明化到 Physical AI 照護，拆解台灣醫療 AI 走向落地的 5 個關鍵轉折。
AI 戒煙工具真的有效嗎？從尼古丁成癮機制、AI 聊天機器人的實際功能到現有研究限制，逐層拆解 AI 何時能幫上忙、哪裡還有距離。
AI 取代醫生的討論設定了錯誤的問題框架。真正的關鍵是讓 AI 承擔低價值的重複性工作，把醫生時間還給需要人判斷、溝通與承擔責任的場合。
對單一患者最好的醫療，往往是少做不必要的檢查、避免無效治療。但現有支付制度按程序計費，讓精準判斷的價值難以被看見。AI 是否能改變這個結構性問題？
病人在就診前用 AI 查過症狀、拿到初步建議，這改變的不只是資訊取得方式，而是醫病關係的信任結構與責任分配。從 Reuters 調查到 DTC 模式崛起，分析數位健康平台面對的服務定位根本問題。
10 兆美元的醫療革命：從軟體工具到 AI 數位員工 AI 不只是工具升級，它正在改變醫療工作分工。真正值得被重新定義的，不是醫師會不會被取代，而是哪些任務可交給 AI，哪些價值仍要由人守住。
加拿大貿易專員辦公室透過CIIP計畫，招募中小型醫療科技企業組成代表團，於2026年8月赴台北、新竹、桃園洽談研究合作，核心吸引力正是台灣23年、2,300萬筆的健保資料庫。
大廠同時押注醫療行政 AI，背後不只是商業考量。從問題根因到資料整合條件，拆解行政端切入的系統邏輯，以及機構評估導入時應先想清楚的事。
Reuters 報導研究發現，當錯誤醫療資訊來自看似權威來源，AI 更容易被誤導。本文拆解 AI 信任判斷機制的根本問題、成因與改善方向。
LLM 進入醫療場景的想像令人著迷，但真正的問題不在於模型夠不夠強，而在於有沒有解對題。本文從問題定義、根因分析到落地設計，系統拆解 LLM 在醫療場景的可能與限制。
AI醫療進入偏鄉常被視為科技平權的象徵，但偏鄉缺的從來不是一台機器，而是整體醫療可近性的系統性缺口。本文從問題根因分析AI在偏鄉醫療中的真實角色，並提供判斷框架。
生成式 AI 不只是把資料丟給使用者，而是把答案組裝成符合心理期待的敘事。這讓診間要面對的，已不只是錯誤資訊，而是一個被迎合過的判斷。本文從問題定義、根因分析到流程應對，系統性拆解這個比誤診更棘手的挑戰。
老藥新用工具給的是預測分數，研究人員需要的是可判斷的證據脈絡。本文拆解從 AI 候選生成到 EHR 整合的四步驗證流程，說明什麼條件才算真正進入臨床工作流。
AI 在高齡照護的真正價值不在陪伴工具，而在早期風險偵測與照護斷點修補。本文拆解高齡照護的根本挑戰，說明 AI 適合與不適合的位置，以及落地整合的關鍵條件。
從健保資料奠基到HIMSS Stage 7認證，台灣AI醫療在2025年完成價值鏈六大環節，連續8年全球醫療指數第一的背後是一套可複製的系統性架構。
《醫療器材管理法》為數位醫療產品提供明確定義，再生醫療雙法2026年上路開出細胞治療快速審查通道，台灣的法規確定性正成為吸引外資醫療科技投資的差異化優勢。
行政院2025年12月31日核定長照3.0，2026年元旦正式實施。新制聚焦醫療照顧整合、出院後積極復能，並將智慧科技輔具租賃補助從3年4萬提升為3年6萬，預計嘉惠逾74萬名服務對象。
Frontiers in Medicine 2025年發表人工智慧醫療設備（AIMD）全球監管十年回顧，涵蓋美FDA、歐盟、日本、韓國與台灣TFDA等主要監管體系的發展歷程，指出動態監管框架、上市後監控與演算法透明度為各國共同面臨的核心挑戰。
台灣2025年正式進入超高齡社會，65歲以上人口佔比超過20%，長照3.0計畫同步於2026年啟動。JMIR Aging 2025年最新系統性回顧指出，數位健康工具在老年慢性病患者中的採用障礙集中於數位素養不足、隱私疑慮與缺乏整合式支援，這三項障礙的突破是填補長照人力缺口的關鍵前提。
Chambers Healthcare AI 2025台灣章節指出，台灣TFDA自2021年發布AI/ML醫療軟體審查指引後，截至2024年底已核准約50款本土及116款進口AI醫療設備，並持續對應國際動態調整監管框架，從靜態一次性審查走向演算法生命週期管理的監管典範轉移。
「龍蝦」（Claw）是一類讓人與 LLM 對話的客戶端工具，不是比喻，是真實的工具名稱。本文拆解 Claw 工具的命名由來、比較主流開源選項，並分析在數位健康場景中，這類工具真正能幫你解決哪些問題。
LLM 不持有商業誘因，不會因為你不懂而選擇性隱瞞或導向對它有利的方向。本文從誘因結構出發，拆解這個信任邏輯的成立條件與邊界，以及在健康資訊場景中，如何真正受益於這個特性。
