FHIR 是什麼？AI 想讀懂病歷，得先學會這套語言
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。
#醫療AI
35 篇文章
中醫 AI 值不值得信任？上線前該查清楚的六件事
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。
醫療AI黑箱和可解釋AI差在哪？怎麼選才安全
企業導入AI常遇到黑箱決策的信任問題，醫療場域因牽動診斷與病患安全而風險倍增。從AI藥物老藥新用案例看可解釋性工具如何讓臨床決策路徑可追溯。
醫療 AI 合規上線前的六個坑，台灣健康網路平台一個都躲不掉
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。
台灣醫療大數據，十年磨一劍，成敗在此一役
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。
一人一份健康資料，台灣就能養出自己的醫療 AI
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。
GPT-5 Pro 解開卡三年的 T 細胞之謎，還預測了一場沒看過的實驗：該讀懂的不是 AI 會做科學了
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 從『答題』走進實驗室：GPT-5.4 跑一萬筆反應改良了卡多年的偶聯反應，但它解的是哪一類問題？
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。
美國要打造首個 FDA 授權的『會自己改藥改療程』臨床 AI agent，還配一個監督 agent 盯著它
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。
「AI 健康答案贏過醫師」怎麼讀：OpenAI 自評勝出，但每週 2.3 億人已在問才是重點
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。
當健康平台越來越像電商，真正該被問的問題是什麼？
FDA 於 2025 年 3 月向 30 家遠距醫療公司發出警告，指其對複方 GLP-1 減重藥的宣傳有誤導之嫌。本文拆解平台治理的核心問題：telehealth 的邊界，究竟是醫療服務，還是銷售行為？
為什麼 AI 在醫藥領域最先落地的，常常不是最前端的科學發現，而是中後段流程？
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。
如何建立醫療 AI 合規守門引擎：從法規解讀到工程落地
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。
老藥新用完整指南：二甲雙胍的黃斑保護潛力、轉化困境與 AI 應對
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。
影像 AI 從單一任務走向附帶發現：乳房攝影讀出心血管風險
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。
如何評估中醫 AI 是否可信：診斷推理、藥材溯源、炮製管控的 3 層核心問題
中醫 AI 的可信度不只取決於準確率。本文分析三個關鍵層次：辨證推理是否透明可追溯、藥材供應鏈是否存在洗產地或加料通過檢驗等造假手段、炮製品質能否被數位化記錄，並提出評估可信度的系統性架構。
關於台灣醫療 AI 落地，你需要知道的 5 件事
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。
如何用 AI 輔助戒煙：先弄清楚這 4 件事
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。
問題不在 AI 能不能取代醫生，而在我們是不是搞錯了醫療的本質
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。
AI 能讓精準判斷真正被支付嗎？解析醫療支付制度的核心矛盾
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？
當病人先問 AI，醫療現場改變的不只是知識取得，而是信任與責任的分配
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。
加拿大政府徵募AI醫療科技代表團赴台推動健保資料跨境研究合作
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。
為什麼醫療 AI 最近都先從行政流程下手？
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。
AI 醫療資訊信任判斷：問題不在找資料，在判斷什麼值得信任
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。
我愛上一個不可能的可能，LLM是救贖？還是另一種沉淪？
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。
人生在世，至少遇到 LLM 不會打從心底地從你不懂的地方佔你便宜
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。
當完整醫療到不了偏鄉，AI 醫師代表的是科技平權，還是二等醫療的合理化？
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。
比誤診更難的是：AI 先說出了病人想相信的答案
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。
AI 進入食安治理後，真正被改變的不是檢驗速度，而是風險被看見、被追溯、被提前介入的方式
從中國活魚麻醉劑爭議出發，探討台灣食安治理的結構性盲點，以及 AI 如何讓灰色風險從「不可見」變成「可持續監測、可追溯、可提前介入」的治理對象。
當老藥新用走進 EHR：AI 預測什麼時候才算真正進入工作流
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。
高齡照護不能只靠人力撐，AI 真正該放的位置在哪裡？
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。
台灣AI醫療智慧健康價值鏈完整成形從研發到部署形成全球示範
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。
健保署攜 Google Cloud 推糖尿病 AI，風險評估從 20 分鐘縮到 25 秒
健保署與Google Cloud 2024年6月合作啟動「AI-on-DM」計畫，以23年、2,300萬筆健保資料訓練糖尿病AI模型，將風險評估從20分鐘壓縮至25秒，是台灣首個政府主導的全國性預防性AI醫療整合。
全球 AI 醫材監管十年回顧：台灣 TFDA 對標美歐日韓體系
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 TFDA 已核准逾 160 款 AI 醫材，監管走向演算法生命週期管理
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。