【衛生福利部《LOINC臺灣大會2025國際研討會暨工作坊》系列文章 1】 

在智慧醫療被譽為「台灣新護國神山」的時代，如何讓人工智慧真正落地應用，成為 LOINC Taiwan 2025 國際研討會暨工作坊最受關注的核心議題。雖然國內醫界與產業界對 AI 充滿高度期待，但臨床第一線醫師卻常感受到落差：為什麼國際醫院早已廣泛導入 AI 工具，而在台灣仍未普及？

開場與引言 | 智慧醫療的基石

「資料的共同性是推動智慧醫療的基礎關鍵。」

LOINC Taiwan 2025大會由《康健雜誌》資深主編邱宜君主持，主持人引用李處長的名言：「得資料者得天下。」她提醒，台灣雖擁有豐富醫療數據，但唯有透過標準化與互通性，才能真正發揮價值。衛生福利部資訊處已建置「臺灣醫療資訊標準大平台」，並引進 SNOMED CT、LOINC、RxNorm 三大國際標準，支持醫界、產業與研究單位全面導入。

本次大會聚焦於 LOINC，並邀請到美國醫學會（AMA）前主席、醫學資訊學專家 Dr. Jesse M. Ehrenfeld 分享全球發展前景，同時也有來自衛福部、健保署及產官學研專家參與討論。醫療資訊已是醫學主流。李處長一開場便強調，資訊已成為所有醫療工作的基礎。過去醫學教育中鮮少重視資訊學，如今若沒有資訊支撐，醫療工作幾乎無法展開。他特別提及，美國醫學會第 178 任會長 Ehrenfeld 博士，本身就是醫學資訊學專家，充分說明「數位醫療、智慧醫療已成為醫學主流，而非邊陲議題」。

李處長回顧台灣 LOINC 的歷程：疾管署十多年前便已嘗試導入，林明錦理事長也曾赴美學習 LOINC，許多專家多年持續推動，但要落實仍需政府、健保署、檢驗廠商、EMR 廠商與醫院的協作。

圖一、李建璋處長 開場引言 

AI 落地的挑戰：系統與資料碎片化

李處長指出，AI 的瓶頸不在於 GPU 或程式設計，而是來自醫療資訊系統（HIS/EMR）的割裂與資料標準化不足。台灣每家醫院的電子病歷格式不一，使得模型無法跨院複製。即使有全國性資料集，導入新模型到不同醫院仍須耗費三至六個月調整系統銜接，開發成本往往遠低於維護成本。這種結構性問題讓許多新創團隊難以生存。

李處長以美國敗血症預測系統為例，說明 AI 的臨床價值。美國大型醫學中心普遍採用 Epic系統，其中的敗血症（Sepsis）預測工具已成為典型應用。敗血症分散於各專科、缺乏單一檢驗依據，過去診斷依賴醫師敏感度，但 Epic醫療資訊系統能提前警示，若及早治療病人死亡率可降低 50%。

圖二、LOINC 標準發展與臺灣政策推動藍圖 簡報封面

台灣的解方：資料互通，而非全面重置

與美國由 Epic 壟斷市場不同，台灣醫院往往同時運行 50–60 套子系統，難以推倒重建。台灣的解方路徑是「資料互通」：保留既有系統，但透過共同標準與交換框架，實現資料跨系統流動。如同Sky Scanner整合航班資訊，醫療數據也應能被即時整合與利用。他直言：「問題並非台灣缺乏演算法或模型，而是落地的困難。」其中的挑戰包括：(1)資料過度分散：各院電子病歷格式不同，AI 模型難以跨院遷移。(2)系統銜接困難：導入新模型需耗時 3–6個月調整 HIS，維護成本高於開發成本，壓垮新創團隊。

台灣治理框架：核心資料集與國際標準

李處長指出，台灣已建立三大要素：(1) Taiwan Core 核心資料集：109 個資料項目、20個類別，並與美國 USCDI 對齊，2023 年已正式公布。(2) FHIR框架：規範資料在網路上的傳輸方式與認證機制，確保跨院、跨國互通。(3)領域標準：檢驗數據用LOINC，臨床術語用SNOMED CT，藥品資料用 RxNorm。

目前這些標準已實際落地於「醫療資訊標準大平台」，成為台灣數位健康的基礎工程。

圖三、統一台灣醫療資訊標準：從結構到語意互通

LOINC 的角色與應用

談到本次大會主角 LOINC，李處長指出，自1994年於美國印第安納大學發展，至今LOINC已成為全球170多國採用、30多國列為國家標準。不僅涵蓋檢驗醫學與生命徵象，還擴展至臨床檢查、公共衛生調查、長照評估，甚至影像與獸醫領域。雖已有 95,000 筆代碼，但實務上僅需 20,000 筆即可涵蓋 99.6% 常用項目。以 B 型肝炎表面抗體為例，LOINC 能精準定義檢驗對象、檢體來源、方法學與結果型態，確保資料交換無歧義。

導入 LOINC 的必要性

台灣為何必須導入 LOINC？李處長提出三大理由：(1) 臨床 AI 的基礎：若各院檢驗代碼不一致，AI 模型無法即時擴散應用。因此，統一代碼則能快速跨院部署，減少死亡率；統一代碼可讓 AI 模型快速跨院部署。(2) 健保與行政效能：健保署已要求 NGS 報告需使用 LOINC 才能給付，癌藥事前審查、疾病通報與公共衛生監測也同樣仰賴標準代碼。(3) 國際接軌：羅氏、西門子、亞培等國際檢驗設備大廠皆已支援 LOINC；平台如 LIVD 更整合了檢驗產品與代碼的對應表，台灣可直接取用。

圖四、LOINC 自動化編碼與多標準對應

推動困境與解方

雖然台灣推動 LOINC 已逾十年，但成效有限，主要挑戰包括 mapping 工程浩大、醫院缺乏誘因、以及專業教育不足。對此，李處長提出三個解方：

•    政府跨部會整合與政策支持，將標準納入健保與法規應用。

•    提供官方工具與國際最佳實務，加速 mapping 作業。

•    善用 AI，大語言模型（LLM）已可協助自動對應院內代碼與 LOINC，降低人力需求。

結語｜資料標準化才是真正關鍵

「人工智慧的問題，不在 GPU，也不在演算法，而在於資料與標準化。」李處長以這句話作結，提醒與會者：若缺乏資料互通，所有 AI 模型都只是空談。

臺灣正在推動 SNOMED CT、LOINC、RxNorm 與 FHIR，不只是技術規範，更是為了打造一個如同 SkyScanner 的醫療資料環境──讓病人無論在哪家醫院就診，其檢驗與臨床數據都能即時整合，支撐臨床決策與公共衛生。

這不僅是 LOINC Taiwan 2025 的核心課題，更是台灣數位醫療邁向全球舞台的關鍵一步。