林口長庚醫院AI中心副主任/復健部 主治醫師裴育晟教授 專題演講
一、臨床的挑戰：數據驅動決策的迫切性
以心肌梗塞為例，雖然發生率逐年下降，但因抗凝血藥物治療導致的出血率卻逐年上升。臨床醫師因此必須在血栓風險與出血風險之間取得精妙的平衡，這在高壓環境下難以單靠手動評估完成。
如果我們能準確辨識高出血風險的病人，並調整（降階）抗凝血藥物的劑量或種類，病人的死亡率就會下降。這正是我們開發 PrecisionHBR 應用程式的初衷，它運用 SMART on FHIR 框架，能同時計算出血風險與血栓風險。
SMART on FHIR 就像一個「通用轉接器」，讓應用程式能透過 Restful API 安全地連接醫院的電子病歷（EHR），並利用 OAuth 2.0／OIDC 完成單點與安全驗證。衛福部推動的標準化，正是讓 AI 應用能快速落地、減輕醫護負擔、提升效率與安全的關鍵。
二、挑戰的核心：數據的臨床語意與品質
多數人以為推動 FHIR 只要請廠商做個轉換器（converter）就好，但這忽略了最關鍵的挑戰：確保資料的臨床語意能夠在轉換過程中正確存活。
例如，核心欄位如年齡和抽血數據可以直接讀取。但像「共病」或病程描述，往往是以非結構化文字呈現。如果臨床筆記寫的是「我媽好像有大腸癌」，缺乏複雜的解讀，簡單的資料擷取工具很容易誤判成「病人有大腸癌」。這正是我們極度重視「FHIR 資料品質」的原因。
• LLM 的角色：大型語言模型（LLM）的應用讓我們能將這些非結構化文字轉成結構化、可編碼的標準（例如 SNOMED CT）。LLM 必須學會區分「家屬病史」、「否定句」或「懷疑語氣」。如果基礎資料不乾淨又錯誤，即使應用程式再好，也無法使用，甚至可能帶來危險。
• 整合系統：過去資料散在 HIS、LIS、影像系統（PACS）等不同系統中。SMART 本身不直接存影像，但透過 SMART 架構，我們正在真實世界中把這些系統「串起來」。
三、精確的秘密：從靜態代碼到計算性知識圖譜
我們不能再只依賴像 ICD 這樣靜態的最終診斷列表。SNOMED CT 的出現改變了遊戲規則，它並非平面列表，而是一個複雜的概念與階層的「關係網」或「知識圖譜」。
例如，臨床上寫「喘」，它並不自動等同於「氣喘（asthma）」的最終診斷。SNOMED CT 能將「喘」對應到 dyspnea（呼吸困難），避免誤拉。它也理解層級關係，例如心肌梗塞（myocardial infarction）屬於缺血性心臟病，再屬於心臟病。這種結構能讓演算法執行邏輯推論，使 SMART 應用程式可以精準選擇要抓取哪個層級的資料，從而提供更智慧、更具情境感知的臨床決策。
四、開發的民主化：醫師現在能快速打造工具
或許最令人驚訝的是，開發門檻已大幅降低 !! 隨著 SMART on FHIR 的基礎簡化了開發流程，臨床醫師自己也能寫程式。我們不少小工具就是臨床醫師利用 GPT 生出初版，再進行驗證與上架。
我曾鼓勵一位醫師同事「多寫幾個大家真的用得到的」。結果他在極短時間內就創造了 兩百個 小型且實用的臨床工具。這證明 SMART on FHIR 把落地成本壓得很低。以我們的經驗，有些簡單的應用，像是 BMI 或 BSA 計算器，從生出原型、串接到通過沙盒基本驗證，上架測試，可能只需要「幾分鐘到半小時」等級的時間。
五、真正的挑戰：嚴格的驗證與治理
程式碼的產出只是簡單的部分。部署醫療 AI 的真正瓶頸不在於程式設計，而在於嚴格的 驗證（validation）、治理（governance）與法規遵循（compliance）流程。
1. 沙盒的重要性：我強烈建議多用國外與台灣的沙盒。沙盒（Sandbox）解決了過去健康應用程式嚴重依賴醫院混亂資料的問題。沙盒內的資料品質高、SNOMED CT 標註乾淨、沒有噪音。開發者可以在穩定環境中測試，確保應用程式如預期運作。
2. 一條龍路線：我們正與合作醫院推動「一條龍」路線：先用 LLM 將臨床文字轉成結構化，再由專業人員一條條校訂，累積高品質病例資料集。前期紮實一點，後續應用會非常快。
3. 法規與責任：臨床工具總有出錯風險，因此責任界定很重要。若屬於 SaMD（軟體即醫療器材），就要注意相應法規。我們目前偏向 web-based 的外掛方式，盡量少動院內核心系統，以降低維運負擔與系統耦合。
六、展望未來：AI 副駕駛的時代
當資料被「轉成高品質的 FHIR」後，SMART 就能支援更完整的 CDS（臨床決策支援）、風險評估與儀表板（BI）等服務。
未來願景將超越「點了才啟動」的隨需應用程式。我們將看到持續在電子健康紀錄背景運作的 「後台 Agent」或 「AI 副駕駛」。這類設計能提供即時提醒，甚至在醫師「尚未寫回系統」前就做出警告，進一步確保病人安全。
總而言之，醫療 AI 的革命不再是單一華麗的演算法，而是關於如何正確呈現數據的基礎性工作。我們希望台灣的生態系越做越好、工具越來越多、也越來越便宜好用。歡迎大家一起開發、共享，讓臨床真正受惠。