當醫學中心競相展示AI應用成果，看似百花齊放，但往往只是單點成功，無法帶動真正的轉型 。為了跨越這道鴻溝，衛福部從資訊系統標準化開始，終極目標是打造無可取代的智慧醫療生態系。負責推動這項重責大任的衛福部資訊處處長李建璋，詳細說明台灣智慧醫療的佈局與策略。
衛福部資訊處處長李建璋指出，智慧醫療與單純的人工智慧（AI）工程是截然不同的兩門學問。為了跨越從程式碼到臨床應用的巨大鴻溝，衛福部成立三大 AI 中心，分別針對「落地監測」、「數據取證」與「健保給付」進行把關，確保 AI 能真正解決當前醫療現場的問題。
建構三大AI中心 跨越醫療治理鴻溝
「負責任AI中心」處理「使用端」問題，包括訂定辦法，依循資料科學循環、定期評估，實現AI Cycle。當「人工智慧基本法」要求AI符合透明、自主、隱私、永續、安全、公平等七大原則時，醫院該如何落實？負責任AI中心要求每個AI應用都要有獨立委員會審查與審查辦法，確保 AI 在隱私與資安層面合規。
其次，需落實「透明性原則」，充分揭露 AI 的生產履歷，包含訓練資料來源、標準設定及維護計畫。他認為，AI 必須具備「可解釋性」，醫師必須清楚知道 AI 的判斷依據，才能為病人負責並採納建議。最後，則是執行「週期性的在地測試」。即便 AI 通過 TFDA 認證，但受限於資料分佈差異（如台大醫院模型未必適用於其他醫院）及人類生理環境的變遷，醫院需具備在地測試能力，並每六個月定期監測，以防模型隨時間推移而失效。這才是真正的「負責任 AI」。
「臨床AI取證驗證中心」則處理「外部驗證」問題，主要解決工程師最大的盲點。李建璋指出，過往AI專案常使用過於乾淨的實驗室數據訓練模型（如單純的病例對照組），導致AI一旦進入複雜的臨床現場便失準。他以糖尿病視網膜病變為例，真實病患常伴隨高血壓、黃斑部病變，且視網膜顏色因人種而異，這些變數都會干擾模型判讀。因此，驗證中心建立跨層級、跨體系的資料庫，例如收集數十萬個眼底影像、五十萬筆心電圖，確保AI符合真實人群效果。
「AI影響性研究中心」（隨機臨床試驗），則處理「健保支付端」問題，包括跨院臨床效益與成本數據搜集，進行醫療經濟估算與保險定價，加速健保給付落地。李建璋強調，「準確率」並非給付的唯一標準，AI 必須證明能實質改善病人的治療結果，健保才會給付。他以胎心音監測 AI 為例，儘管模型判讀精準，但若數據顯示「使用 AI 組」與「未使用組」在早產率、新生兒併發症等關鍵指標上並無顯著差異，代表該技術無法帶來額外的醫療效益，健保便不予給付。
數據標準化 搬走「房間裡的大象」
除了三大中心之外，資料系統的統一更是關鍵。台灣過去醫療資訊系統（HIS）各自為政，缺乏互通語言。衛福部資訊處由上而下，依循國際FHIR架構制定了「Taiwan Core」核心資料群，包含109個項目及詳細規範。
台灣有超過40套EMR系統，若無共同標準，跨院資料共享幾乎不可能。「大家都知道病歷要串起來，為什麼串不起來？因為技術難度太高。」李建璋坦言，一個醫院兼容需要50到100個系統，若要製定「台灣核心數據群」的109項EHR交換變項，每個項目在醫院可能有兩三百個欄位，必須逐一對應、歸戶，才能處理統一格式。
「這就像房間裡的大象，大家都知道問題在那，但沒人搬得動，」但他促成團隊完成了這個「搬大象」的工作，每週與團隊開會檢討，從早上開到晚上。李建璋形容這是極為艱辛的「藍領工作」，需將各醫院五花八門的資料格式逐一盤點並標準化。
過程中，他們參考美國US Core R4、歐盟HL7 Europe Base/Core、英國DARE UK、澳洲SREDH等國際標準，將109個標的項目定義明確，並清楚說明每個規範與步驟。他表示，透過政府帶頭定義標準、開發轉換工具，才能真正打通任督二脈。
醫界追求卓越 不缺動力只缺路徑
讓人好奇的是，李建璋如何說服全國醫學中心加入這個技術升級的計畫？原本「次世代數位醫療平台計畫」只是要更新六家部立醫院的電子病歷系統，他卻把格局擴大到全國。
「沒有資料治理就沒有好的AI，」李建璋指出，如果各醫院數據格式不一致，就無法產生大數據，無法訓練出優質的人工智慧模型。「我也沒有特別說服，就是把事情講清楚。」李建璋說，過去沒人講清楚FHIR要幹嘛，於是他舉辦說明會、討論會，告訴大家這個技術能做什麼、串起來會發生什麼事，然後把原型在部立醫院做出來給大家看。
李建璋觀察到，台灣醫界普遍內建「追求卓越」的 DNA，「大家其實不缺動力，缺的是路徑。」只要提供詳盡的技術手冊與執行藍圖，即便沒有鉅額經費，這股內在的專業堅持也會驅使各大醫院主動投入。事實證明這套策略奏效，連長庚醫院林坤儒教授、中山醫林政宏主任、馬偕醫院鄭聰貴主任等重量級領袖都紛紛響應，讓原本的觀望轉化為力求升級的良性競爭風潮。
有效跨域溝通整合 智慧醫療才能落地
還有另外一個問題，李建璋指出，過去醫學臨床、FHIR 標準、資訊安全與政策制定，往往分屬於不同領域的專業群體，導致溝通整合困難。但由於過去整合的經歷使他深刻理解，人工智慧跟醫療智慧是兩種學問，並非只要會寫Python就可以來替代醫生角色。醫生拿了模型也不一定會用，要先學會負責任AI，除了看懂模型，還要知道用什麼資料去驗證等等。
「在醫療世界，不懂標準就進不來。」李建璋直言，台灣智慧醫療發展的一大瓶頸，在於工程人才對醫療資訊標準的陌生。他比喻，這就像統計學與生物統計學是兩門完全不同的學問，醫療資訊也是一門獨特的專業。
目前台灣大學資工系教育中，鮮少教授 FHIR（醫療資料交換標準）、CQL（臨床品質語言） 或 SMART 等關鍵技術。李建璋坦言：「工程師如果不懂這些標準，即便 Python 寫得再好，你的程式根本無法與醫院系統對接，註定無法落地。」
為了填補人才鴻溝，李建璋也投入教育工作，在台大、工研院及智慧醫療學校開設課程。他認為，唯有讓工程師學會醫療世界的「通用語言」，台灣的智慧醫療創新才能真正打開醫院的大門。
台灣不再做軟體系統的跟隨者
李建璋認為，台灣擁有深厚的工業基礎、頂尖的科學家，以及醫學中心對新科技的高度擁抱，這讓台灣有底氣在硬體與醫療的基礎上，發展「軟體定義醫療」（Software Defined Healthcare）。加上醫療具有高度地域性，國外的作業系統無法長驅直入，這給了台灣建立自主生態系的黃金時間窗口，「我們不只要做應用的跟隨者，更要利用這段時間，建立屬於自己的核心系統。」
這不僅是技術問題，更是戰略問題。他回憶2025年 10 月《經濟學人》舉辦的亞洲未來健康論壇（Future Health），他與新加坡衛福部資訊長（CIO）同台對談，正好展現了兩種截然不同的戰略路徑：新加坡憑藉高效率的指揮體系快速導入應用，而台灣則選擇了一條更艱難卻具備護城河的路。
這條轉型之路充滿挑戰，李建璋不諱言，「速度」是最大的敵人。他形容，系統標準化就像異國語言對話，若翻譯過程有延遲，溝通便無法順暢。為了達到醫療現場要求的「零延遲」，衛福部展開了一場高強度的技術佈局。
除了優化資料庫與索引等軟體藍圖，李建璋更將眼光投向台灣強大的硬體後盾。他找來群聯電子優化 Flash 存取、廣達電腦支援 GPU 運算，並讓工研院與美商 InterSystems 同台競技。透過這套「台美混血、軟硬兼施」的解決方案，突破資料轉換的效能瓶頸。
從平台到生態系的策略佈局
李建璋心裡有一張清晰的藍圖，核心由三大「空間（Space）」所組成，旨在達成資料、規則與應用程式的全面統一。他引進了由哈佛大學 Mandl 教授發明的國際標準 SMART on FHIR，讓不同的 App 能在統一的標準下與電子病歷系統無縫接軌，解決過去醫療軟體各自為政的破碎化問題。
台灣健康資料空間(Taiwan Health Data Space )，實現「資料統一」，所有資料索引符合FHIR標準；台灣健康規則空間( Taiwan Health Rule Space )實現「規則統一」，臨床決策支援系統使用統一的CQL語言。而台灣健康應用空間(Taiwan Health App Space )實現「應用程式統一」，透過FHIR標準上的SMART，讓AI應用可以在不同的醫院間無縫對接。這不僅是一項技術升級，更是一場全面性的資料治理與制度現代化工程。
「歐洲的EHDS（健康資料空間）要到2027年才開始，但我們不僅有資料空間，還有規則空間和應用程式空間。」
這裡的關鍵在於「平台」與「生態系」的關係。「平台沒出來時，台大開發一套、長庚要重新開發，生態系長得慢。平台標準出來後，我開發腦瘤、你開發心臟、他開發肺癌，大家的生態系就快速建立起來了。」李建璋說，這樣才能對抗EPIC等國外系統，避免台灣未來要花大錢全部更換。
平台是樹幹，有了樹幹才能開出枝葉。當FHIR資料中台建立後，台灣就能發展出自己的智慧醫療生態系。就像iOS的App Store有上百萬個應用程式，台灣的Health App Space也將讓各種AI應用快速成長。
