國家級數位醫療平台333 架構領先
臺灣擁有完整的健保資料庫、國家層級的統一標準與平台建設，以及科技發展等獨到優勢。衛福部資訊處透過「333」架構，以政策、平台與治理齊下，系統性推進臺灣在全球智慧醫療競賽中的競爭力。
採訪／林振輝、施鑫澤‧文／鄭宜芬‧刊期／2026.2
全球醫療人力短缺問題日益嚴峻，導入智慧醫療與 AI 技術成為各國面對的議題。
因應臺灣次世代數位醫療平台與人工智慧在臨床場域的發展，衛生福利部資訊處處長李建璋提出「333」藍圖：三大空間、三大編碼標準與三大 AI 中心，以國家層級平台的治理概念，系統性建構資料、規則與應用的架構，進一步強化資料治理、資安韌性與倫理規範，同時透過算力配置、跨院治理、人才培育與評鑑等多層面的制度，擴展醫療數位生態系。
[ 加入 CIO Taiwan 官方 LINE與 Facebook，與全球 CIO 同步獲取精華見解 ]
■ 三大空間（平台）
• 健康資料空間（Taiwan Health Data Space,THDS）
作為全國 FHIR IG、Profiles、Extensions 與相關技術規範的集中治理與發布平台，確保全國在語意層的一致性，可避免各自解讀、各自實作。
• 健康規則空間（Taiwan Health Rule Space,THRS）
將感染病通報、健保申報等政府申通報流程標準化，透過電腦程式自動化執行。以 Clinical Quality Language（CQL）為核心，系統性管理臨床決策支援規則、支付與給付邏輯、品質指標與政策規則。這一層讓「政策」與「臨床邏輯」可以被標準化、版本化、可重用，並直接與 FHIR 資料模型對接，這在多數國家仍屬罕見。
• 健康應用空間（Taiwan Health App Space,THAS）
以 SMART on FHIR 為核心，建立第三方應用程式的國家級入口與治理機制，使創新應用能在安全、標準化的環境下快速部署到臨床場域。
■ 三大國際編碼標準
為了解決電腦無法讀取非結構化資料的問題，政府正全面導入國際編碼：
• 實驗室檢驗與臨床觀察數據 LOINC
用於統一檢驗編碼，預計於今年 3 月公佈第一版，涵蓋全國 2,000 多個常用實驗室編碼。
• 醫學術語編碼 SNOMED CT
將全球約 98,000 種疾病細分為 98 萬個編碼，是傳統 ICD 編碼的十倍。
• 藥物編碼 RxNorm
提供統一的藥物代碼，以便在不同的健康照護系統間進行準確的藥物資料交換，以輔助 AI 檢查藥物交互作用與劑量精準度。
■ 三大 AI 中心
• 負責任 AI 執行中心
訂定辦法，確保 AI 產品符合資安與隱私保護原則的管理辦法、透明性原則與可解釋性分析，以及遵循 AI 生命週期循環監測有效性。
• 臨床 AI 取證驗證中心
使用更大規模、更符合臺灣人群特性的數據來進行驗證，以 FHIR 串接跨院資料，同時建立聯邦學習平台，建立互通機制，加速發展 AI 工具。
• AI 影響性研究中心
跨院臨床效益與成本資料搜集，實現大規模多中心隨機臨床試驗，以科學驗證 AI 臨床效益，以加速健保給付落地。
健保資料標準化 數位轉型關鍵
綜觀現有的國家級醫療資料計畫，李建璋認為，雖然臺灣人體生物資料庫與健康數據大平台的資料顆粒度較細，但健保資料庫才是最成功的案例，因為資料格式一致、結構乾淨而且可直接分析。
而且，清理資料往往佔掉整個專案 80% 的時間，歷經「一年收集、四年清洗」，等到能用的時候已經淪為舊資料不堪使用。他強調：「現在由國家做完 FHIR 標準化基礎建設，等於我們把高速公路鋪好，大家就可以在上面行駛了」。
即時互通、完整度高 臺灣 FHIR 勘比美國
電子病歷與醫療資料標準的討論，早在十多年前即已展開，然而過去多半仰賴社群自發推動資料交換，推動醫療資訊標準化進度緩慢。現在，衛福部將 FHIR 定位為國家醫療數位轉型的基礎建設，以「生態系願景」為願景，透過政策由上而下、系統性整合醫療資料標準、平台與應用發展。
李建璋形容，FHIR 的價值類似當年 WWW 對網際網路的影響，當資料標準化打通之後，病人轉院不用帶光碟與紙本病歷，提升臨床照護連續性，還能支撐跨院、跨科別、跨疾病的 AI 應用開發，避免國家重複投資、降低長期的資料治理成本。
從國際趨勢來看，FHIR 已成為全球醫療資訊互通的標準，美國設置 US Core Implementation Guide（US Core IG），歐盟、日本等國亦參考並發展各自的 FHIR 架構，用以定義最小且必要的臨床資料集合、交換方式與應用邊界。臺灣也建構出一套高度完整、具治理能力，且能落地執行的國家級 FHIR 基礎建設，整體成熟度與系統完整性勘比美國，而且在即時性與跨院整合等面向甚至呈現領先態勢。
他說明，臺灣以 TW Core IG 為基礎，承襲 US Core 的設計精神與資料模型，同時因應健保制度、臨床流程與本地編碼體系進行在地化延伸與修訂。這使 TW Core 不僅具備國際相容性，也能直接支援臺灣實務情境，避免「只可對標、不可實用」的問題。
在技術架構上，臺灣亦同步發展自有的 FHIR 轉換器（FHIR Converter）與具備高吞吐量、邊緣化（edge-ready）的 FHIR Server 架構，可支援大量即時資料流、跨院整合與公共衛生應用，避免過度依賴國外雲端服務，同時符合主權資料與資安要求。
不僅如此，醫學中心在這一波的推動看到了FHIR對智慧醫療的重要性，臺中榮民總醫院榮譽院長陳適安更提出應正式納入評鑑指標，成為此次推動過程中的關鍵里程。「最重要的技術細節就是要去貫徹臺灣核心資料群。醫院評鑑的重點是確保每位病患的關鍵資料，能以統一格式在不同醫學中心間交換與使用。」李建璋說。
主權雲＋分層治理 提升資安韌性
處方箋、健保紀錄與高度敏感的臨床資料，堪稱 2,300 萬國民的「數位 DNA」。過去醫療體系在導入
雲端服務時，多以提升效率與降低成本為主要考量；然而，隨著全臺超過 400 家醫院持續成為網路攻擊目標，數位國防面對的資安威脅日益嚴峻。
為此，衛福部資訊處建立了「主權雲」八大方針，作為政府與醫療體系雲端服務採購與治理的共同規範架構，涵蓋全程加密、用途限制、不可逆刪除、數據在地、人員主權、法治優先、數位韌性與透明稽核，確保臺灣導入全球先進雲端技術時，同時能握有資料主權與控制權。
在制度落實層面，資訊處透過「健康台灣深耕計畫」，將不同層級醫院的資安最低要求，正式納入補助與評鑑條件。同時，亦與數位發展部合作導入 AI 稽核，並攜手資安院擴大紅白演練，模擬國際駭客攻擊，助力臺大、榮總體系等 12 家醫學中心提升應變能力，強化整體醫療體系的資安防線。
針對醫療體系普遍面臨的資安人力不足的問題，資訊處亦導入 AI 智慧稽核，例如在審核醫院申請深耕計畫的提案書時，透過 AI 讀取數百本厚重的計畫書，評估該院在資安治理、制度落實與技術成熟度上的表現，作為補助決策的依據，確保政府經費投入在真正符合資安標準的項目上。
負責任 A I 制度 追溯「AI 生產履歷」
隨著 AI 在醫療領域的深入應用，如何確保 AI應用符合七大倫理價值，是國際關注的議題。「用 AI 之前，要先學會管理 AI」，李建璋表示，因應《人工智慧基本法》與 AI 快速進入臨床，衛福部推動「負責任 AI 執行中心」，研擬出一套指引，要求醫療 AI 應用須符合三大重點：資安與隱私保護、透明性與可解釋原則，以及 AI 全生命週期管理。
為落實制度，衛福部要求醫院建立 AI 管理委員會，並於政府指定平台完成 AI 應用登記，需揭露每項 AI 應用的九大透明性指標：介入詳情及輸出、介入目的、介入的警告範圍外使用、介入開發詳情及輸入特徵、確保介入開發公平性的過程、外部驗證過程、模型表現的量化指標、介入實施和使用的持續維護、更新和持續驗證或公平性評估計畫。
這樣的機制宛如「AI 生產履歷」、「AI 仿單」，讓醫師在使用時能快速理解適用範圍、限制與判斷依據，也能在發生爭議時提供證明，提升臨床應用的安全性與信賴度。
臨床 AI 取證驗證中心 市場化服務獨步全球
各國醫療資料取得困難，因涉及病人隱私與國家治理責任，許多 AI 模型往往只能使用數百至上千筆的樣本資料進行訓練，以至於應用於臨床場域時準確率大幅下降，外界也長期認為醫療資料不夠開放。
為了顧及臺灣各地醫院就診病人的多樣性，衛生福利部資訊處攜手食品藥物管理署推動全國首創的「臨床 AI 取證驗證中心」，整合四個跨院中心，涵蓋 16 家不同層級醫院的醫學資料，形成有效的驗證聯盟，使醫療 AI 開發商或學術研究團隊能夠使用更大規模、更符合臺灣人群特性的資料來進行驗證，提升 AI 應用的品質，完成驗證程序，加快產品取得 TFDA認證的過程。
李建璋表示，「臨床AI取證驗證中心」規劃創新的外部驗證體系，涵蓋聯邦學習平台的建構、跨體系醫院的聯盟合作，以及採用最新的 FHIR 標準，已進入成熟運作階段。研究或產業單位可透過單一窗口提出需求，由四個跨院中心領頭進行服務分工、報價與時程評估，如同採購專業服務般透明且制度化，比美國走的更前端。
在算力配置方面，衛福部建置高效能運算中心，採取內部算力、內部模型、內部微調的策略。目前已配置相當於 NVIDIA A100 等級的 LS40 架構，並將逐年導入 H200、GB200 等新世代 GPU，支持醫院進行聯邦學習，滿足 AI 訓練與驗證對算力與樣本規模的需求。
值得注意的是，驗證所支付的費用不是「購買醫療資料」，而是用於行政處理與倫理審查成本，病人資料本身始終留在醫院端，只有將模型送入醫院進行驗證，並在跨院管理委員會與倫理委員會的監督下執行，確保醫院資料主權與病人權益不受侵害。
「目前三軍總醫院、亞東醫院、中榮與高雄長庚等醫學中心，現在做的風生水起的，生意都接不完」。李建璋指出，臨床 AI 取證驗證的價值在於可進行跨院加值應用。例如廣達電腦與三總合作，透過約 50萬筆心電圖資料進行模型驗證，樣本規模足以代表全臺人群，推動後續臨床應用與認證。
關鍵工程 工研院進駐醫院對齊 metadata
智慧醫療不單靠 AI 或 GPU 就能推動，更需處理長期積累的資料債。FHIR 推動最困難的環節，不是轉換程式本身，而是前端資料梳理與欄位對齊。
以臺灣對齊國際標準為例，對應美國 USCDI，建立 TWCDI 核心資料元素，第一版涵蓋 20 個資料類別、109 項 EHR 資料欄位，工程複雜度極高。然而，醫院內部資料往往分散於數十個系統，需逐一確認來源、語意與臨床意義，經過清洗、轉換後，才能對應至統一的標準格式。這是一項高度勞力密集、卻長期被低估其價值的基礎工程，也是醫療資料標準化中最困難、卻不可或缺的關鍵步驟。
為此，衛福部資訊處以長庚醫院、中山醫學大學附設醫院與馬偕醫院為試點，攜手工研院資通所與生醫所團隊實際進駐醫院場域，由李建璋率領團隊逐一
盤點、比對數千萬筆資料欄位，建立完整的中繼資料（metadata）對應表，完成資料前處理與結構化工程。透過逐一對齊欄位、定義資料意義，打通各院資料，實現自動化轉換與跨院互通。
制度化培育 CMIO 國家級醫療資訊治理力
「智慧醫療的未來不在於技術本身，而是在於人」。李建璋認為，過去醫療資訊多由工程背景人員主導，臨床端與 IT 端之間的理解長期存在落差，智慧轉型進程緩慢，因此必須培育能跨越兩者的角色。
為了解決醫學與資訊之間的落差問題，衛福部積極推動醫療資訊長（CMIO）的人才培訓計畫。CMIO以醫師背景為主，需具備資料治理、資安、資料分析與 AI 等多元能力，能在院內與 CIO 對等溝通。
培訓內容採「3D 教育」：描述（Describe）、演示（Demo）與實作（Do），透過與芝加哥大學及耶魯大學合作，由美方遴選 6 位具備醫學背景的種子人才前往美國見習，回臺後直接投入醫院數位轉型專案。受訓人員必須由醫學中心院長推薦，確保受訓回國後能獲得正式職務來推動改革，而非只是個人進修。
第一階段 6 個培訓名額由資訊處補助，第二階段擴展至全球前 50 名醫院，並結合「健康台灣深耕計畫」經費，由各醫學中心推薦人才進修。完成訓練並通過認證後，這些 CMIO 將進一步協助中小型醫院培育資訊治理能力。目前光是三軍總醫院開放兩個名額，就吸引超過 50 位醫師報名，可見臨床端對 CMIO制度的高度興趣與需求。
在宅醫療與國際合作 智慧醫療治理輸出
在面向國際層面，臺灣亦透過醫療發揮數位外交的實力。李建璋表示，除了補助 CMIO 赴美培訓，資訊處亦透過聯邦學習平臺，協助泰國馬希敦大學（Mahidol University）驗證癌症 AI 模型，未來還會將這樣的模式輸出至東協國家。
臺灣與巴拉圭的醫療資訊合作也相當成功，當地70% 的醫院使用臺灣開發的系統，成為兩國外交的重要橋樑。而與德國交流時，德國方亦在桌上擺出雙方國旗，顯示臺灣藉由醫療資訊一舉提升國際能見度與話語權。
在對內部分，智慧醫療是因應高齡化社會與醫學中心減壓的關鍵。在「在宅醫療」計畫中，衛福部致力於建構能 24 小時監測並預警的 IoT 系統，可有效處理來自居家照護場域的「資料海嘯」，並提前預測病情惡化風險。
為此，衛福部致力打破國際大廠如 GE、Philips、Siemens 壟斷規格的現況，著手建立 Open ICE 等開放標準，將各種穿戴裝置的資料整合進醫院系統，預計 2027 年上線執行。
從衛福部的 333 架構可見，相較於依賴大型科技業者的平台導向國家，或停留在試點的體系，臺灣憑藉健保資料庫、高度數位化的醫療流程，以及中央主導、跨院協作的制度，得以快速推動標準化並落實於臨床現場，更能以自身優勢輸出國際。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
