從智慧醫療至智慧管理
AI 不只是輔助診斷的工具，亦能結合醫院流程。臺中榮總以資料治理為基礎，將 AI 應用從臨床決策延伸至急診流量管理、藥事作業、護理人力與後勤調度等環節，並以 Edge AI 回應即時性與隱私需求，打造可長期運作的智慧醫院。
採訪／施鑫澤‧文／鄭宜芬‧刊期／2026.1
AI 能否長期運作，關鍵不只模型開發本身，而在於資料品質與治理架構是否成熟。醫院場域資料龐雜，涵蓋醫囑、影像、病理報告、生理量測資料等，要實現 AI 的持續開發與應用，必須建立乾淨且高品質的資料。
[ 加入 CIO Taiwan 官方 LINE與 Facebook，與全球 CIO 同步獲取精華見解 ]
臺中榮民總醫院智慧醫療委員會執行長陳昆輝，同時身兼骨科部主任與臨床資訊委員會執行長，長期參與 AI 導入臨床應用、流程精進及醫院管理應用，致力推動醫院從單純的智慧醫療應用，提升智慧管理與營運效率。
委員會下設十個組，包括基礎建設的大數據組與行政管理組；臨床應用端則分為七大面向如影像、精準、護理、機器人…；以及後端技術出口的產學管理組，推進 AI 在醫療與管理的整合。
其中，大數據組負責建置巨量資料資料庫，並導入健全 OMOP CDM（Open Common Data Model）資料庫，透過資料標準化，支援跨科別、跨機構的研究與應用。醫院亦規劃採用 Data Lake 架構，因應影像、影音與感測資料等非結構化資料需求，避免研究與 AI 專案對核心 HIS、PACS 系統造成負載。
在對外合作上，中榮參與臺灣智慧醫療聯盟（TSHA）計劃，與多家資通訊廠商合作開發智慧醫療相關應用及產品，並加盟麻省理工學院電腦暨人工智慧實驗室（MIT CSAIL）建立合作關係。同時，醫院積極配合衛福部推動 FHIR 等資料交換標準，為跨院資料交換、聯邦學習與 AI 模型擴散奠定基礎。
[ 推薦閱讀：AI-ready 推進臨床應用 中榮落實骨鬆伺機性篩檢 ]
AI 嵌入臨床 輔助決策與風險預警
在臨床應用上，中榮將 AI 嵌入既有流程，特別是高風險與高變異的臨床環節，以輔助醫師診斷、減少醫療失誤並提升病人安全。
以「智骨篩」胸部 X 光骨質密度預測智慧醫療軟體為例，該系統已通過 TFDA 認證，能在常規的胸部 X 光片（CXR）中推算出病人的骨質密度（BMD），準確率達 85% 以上。這項技術對於解決骨質疏鬆症的診斷缺口相當重要，目前臺灣估計有近 20% 的骨質疏鬆患者未被確診。特別是針對急診骨折患者，AI 可在麻醉前胸部 X 光檢查時同步生成骨密度推論報告，輔助骨科醫師決定手術中是否需要調整內固定方式。此模型已成功落地部署於 PACS（醫療影像儲存與傳輸系統），並在影像傳輸後透過專門的伺服器進行 AI 推論，產生影像和文字報告回傳至醫院系統。
除影像 AI，中榮也建置多種急性事件的預警模型，包括急性腎損傷（AKI）預測輔助軟體（榮獲國家品質標章銀獎），敗血症（Sepsis）預測模型（採用客製化與分層模型，並結合血氧培養資料），以及院內中風、急性心肌梗塞（AMI）、靜脈栓塞（DVT/PE）的風險預警系統。這些模型多基於入院首日或即時電子病歷資料，透過 AI 推論與風險評分，在病人狀態惡化前觸發警報，使臨床團隊能進行早期干預。
數位醫療管理 提升營運效率
中榮的數位轉型應用還延伸至醫療管理與行政流程。陳昆輝表示，中榮利用 Power BI 監控急診病人的就醫全程，改善流程瓶頸，成功將急診滯留超過 48 小時的比例降低了 100%，急診等待住院時間縮短 67.2%，智慧化排程亦將床位周轉率提升近二成。
在藥事與護理作業上，中榮於全球首創電子紙標籤藥盒的臨床場域大量應用，結合物聯網和 HIS 系統，自動更新病人資訊和藥品標示，每日可為藥師節省約一小時的調劑工時，避免貼錯藥盒的風險，且在加護病房成功將平均藥品傳送時間減少了 80 分鐘。另外還有智慧輔助抗生素開立系統、醫令系統安全檢核系統與雲端藥歷加值運用、智慧化行動配藥管理等創新應用。
中榮與鴻海合作開發的「護理機器人 Nurabot」，協助護理師執行常規任務，可減輕 30% 的工時；搬運型機器人已導入手術室，運輸大型和大量手術用品，提升後勤管理效率；服務型機器人可即時回饋病人疼痛狀況、進行影音衛教與病室引導。
還有，中榮已將生成式 AI 與大型語言模型應用於電子病歷的生成，包括入院病歷、週次病程記錄和出院摘要，能協助行政管理組大幅提升文件產出效率；護理照護組除了將 LLM 應用於智慧化交班寫作系統，並且建置國際編碼的結構式入院護理評估系統、手術室智能器械盤包及衛材管理系統等。
另外，醫學教育組亦成立 AI 訓練課程，全國首創動作偵測、自動評量，具備多重情境模擬，可進行操作後成績分析，以符合規範。
[ 推薦閱讀：2026 年智慧醫療趨勢：從生成式 AI 到制度化治理的關鍵拐點 ]
Edge AI 落地 低延遲與隱私兼顧
隨著 AI 應用從單點工具擴展至日常營運，對即時性、穩定性與資料隱私的要求也同步提高，中榮進一步推動 Edge AI 的落地，包括醫療檢查儀器、醫療影像初篩、攝影機應用等，像膝關節 X 光 AI，可於偏鄉與門診設備直接推論。
然而，隨著 AI 從雲端走向邊緣設備，對延遲、隱私與能源效率需求提高。大型模型效能雖好，但無法直接部署到遠距偏鄉之醫療院所。穿戴裝置或 AIoT 應用場景等，都是 Edge AI 很合適的導入場域。
陳昆輝指出，配合環境永續概念的模型降階或是使用低耗能 AI 晶片也是未來值得關注的一個技術，也是 Edge AI 未來發展的重點，核心技術包括：
● 量化（Quantization）：將模型原本使用的浮點數（FP32）轉換為整數運算，在犧牲少許精準度的代價下，從而降低記憶體佔用和運算速度，實現節能。
● 剪枝（Pruning）：移除對模型影響極低的權重或神經元，以縮小模型體積和計算量。
● 知識蒸餾（Knowledge Distillation）：讓大型語言模型轉移某專業領域知識給小型語言模型，使其在模型體積大幅縮小的同時維持準確度，除了節能與方便部署等優點外，也可讓 AI 應用可以依任務狀況抽換適當之模型。
● 低秩分解（Low-rank Decomposition）：將大型權重矩陣拆解成兩個或多個低秩矩陣，使原本的矩陣乘法變成更便宜的運算組合。
● 神經結構搜索 (Neural Architecture Search)：使用演算法自動搜尋最佳神經網路架構。
模型降階兼顧永續、效率、擴展性，不僅呼應聯合國 SDGs，提升偏鄉地區醫療可及性（設備不需網路即可推論）、降低雲端碳排放，使 AI 帶來正向永續效益，另外將邊緣資料留在本地，可提高隱私保護。
他觀察到未來 AI 發展的趨勢，將朝向模型必要時的降階自動化技術、硬體感知協作模型、端雲協作式 AI 架構、模型生命更新與自動化能耗監控分析等方向發展：「效能 × 效率 × 永續」將成為新一代 AI 的核心價值。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
