口述／孫培然·彙整／CIO編輯室
隨著醫療產業逐步邁向智慧化，AI 在臨床決策支援系統（Clinical Decision Support；CDS）中的角色正日益關鍵。無論是即時提醒、個人化建議，還是跨模組資料整合，AI 已不再只是「輔助工具」，而是驅動臨床決策革新的核心引擎。然而，AI 若欲真正嵌入醫療系統的日常運作，其與醫療資訊系統（HIS）之間的高度整合便成為關鍵門檻。
FHIR（Fast Healthcare Interoperability Resources）標準與 CDS Hooks 技術，正好提供了這樣的橋樑：前者定義資料的結構與互通性，後者則規範如何在臨床流程中觸發決策支援邏輯。當 AI 能夠透過 FHIR 取得標準化醫療資料，並經由 CDS Hooks 介接至 HIS，醫療決策即能實現即時、精準、並具可解釋性的轉變。
本文將探討 AI、FHIR 與 HIS 三者間的整合策略與挑戰，並輔以實際應用案例，說明如何建構可落地的智慧醫療架構，同時兼顧效能、資安與臨床信任，為未來全面智慧化醫療鋪路。
AI 進入 HIS 的關鍵門檻
首先是資料品質與標準化問題。HIS 中的資料必須符合標準格式，如 FHIR、SNOMED CT、ICD-10 等，才能被 AI 模型正確解析與應用。然而，許多現有的 HIS 系統仍大量採用非結構化資料形式，例如醫師手寫病歷、PDF 掃描文件或自由書寫內容，這使得資料難以直接導入 AI 模型分析。
要解決這一問題，AI 必須具備強大的自然語言處理（NLP）能力，透過大型語言模型（LLM）從非結構化文字中提取出病名、症狀、用藥與時間資訊，轉化為結構化資料，進一步對應標準醫療編碼。
其次是效能與延遲的挑戰。臨床應用中的 AI 工具必須具備即時反應能力，否則將無法被醫師納入實際工作流程。例如，當醫師呼叫 AI 進行藥物交互作用分析或風預測時，若系統回應遲緩，將導致臨床決策中斷、降低使用意願。因此，AI 系統在 HIS 內部的部署，必須確保足夠的效能與延遲控制，滿足臨床時效性需求。
再者，資料安全與合規性是 AI 臨床應用中不可忽視的重要議題。AI 系統在運行過程中，往往需要存取病人的個人健康資料，而這些資料不一定全部來自 HIS，也可能來自遠距照護平台、穿戴式裝置或雲端健康紀錄等外部來源。
[ 加入 CIO Taiwan 官方 LINE 、 Facebook 與 IG，與全球CIO同步獲取精華見解 ]
因此，在資料傳輸與存取過程中，必須嚴格遵守相關的資訊安全與隱私保護規範，以防止資料外洩、未授權存取或誤用。例如，美國的 HIPAA規定，病人資料在傳輸過程中必須進行加密，並保留完整的審計紀錄；歐盟的 GDPR則進一步賦予病人刪除、限制或拒絕其個人資料被 AI 處理的權利。
若 AI 系統在設計與部署過程中未能妥善處理這些合規要求，不僅可能面臨法規風險，還可能嚴重損害醫療機構與使用者之間的信任關係，成為系統落地的重大阻力。
最後是醫師信任度的建立。AI 提供的臨床建議若與醫師的判斷不同，或無法說明其背後的推理邏輯，將削弱醫師對其結果的信任。因此，AI 系統在臨床應用中必須具備可解釋性（Explainability），能夠清楚呈現其建議的依據與資料來源，使醫師能在理解的基礎上做出判斷，真正將 AI 納入決策流程中，而非視為一個「黑箱建議」。
HIS 整合 AI／LLM 的各類應用
在智慧醫療環境中，HIS 需要與 AI／LLM 整合，以提供臨床決策支援。這樣的架構需要透過 FHIR Server 提供結構化的數據。因為 FHIR 標準可以確保不同醫療系統之間的數據互通，支援 AI 直接存取標準化的 FHIR 資源。
AI／LLM 透過 FHIR Server 取得病人基本資料、檢驗數據、影像報告、病歷摘要等數據後，就可分析可能的診斷結果或風險評估。CDS Hooks 則是負責標準化的互通，也就是成為 HIS 跟 AI 中間的橋樑，確保 AI 的決策建議可以標準化地回傳 HIS。
例如，醫師開立處方時，HIS 會觸發 CDS Hooks，請求 AI 評估是否有交互作用風險。CDS Hooks 會依據定義去呼叫後端的 AI 互動，再把資訊拋轉給 HIS，透過建議卡片呈現在 HIS 介面，讓醫師可選擇採納或忽略。
在 AI＋HIS 的實際應用場景中，可以透過 AI 來檢核藥物的組合是否有衝突，進而讓醫師迅速掌握藥物的交互作用；也可以透過 AI 分析病人病史與症狀，提供鑑別診斷；或是讓 AI 根據病人數據提供個人化健康計畫；抑或是讓 AI 根據病人條件推薦適合的臨床試驗。
例如，醫師想開立 Aspirin（阿司匹林）給病人時，由於病人目前正服用 Warfarin（華法林），AI 在檢測藥物交互作用後，發現兩者一起使用，可能會增加出血風險，就會提醒醫師評估其他替代方案。如果沒有 FHIR＋CDS Hooks 讓 HIS 在開立醫囑時，觸發 AI 進行藥物安全性檢查，醫師就必須自己去查詢，如果醫師太忙沒有時間，可能就會因為忽略而產生醫療疏失。
[ 推薦閱讀：AI 工具帶動中小企業 AI 轉型 ]
透過 AI 的深度學習影像分析，再加上 FHIR 的影像資源整合，可以讓 AI 分析病人的病史與症狀，並將診斷結果自動傳送至 HIS。例如，醫院放射科每天所接受大量的肺部 X 光影像，可以透過 AI 自動分析這些影像，先幫醫師做初步的篩檢，標記可能的肺炎或腫瘤，醫師可以針對透過 HIS 介面收到 AI 標記的可疑病的病灶，並結合臨床症狀進行判讀，可以加速醫師判讀報告的時間。
AI 也可以根據病人數據提供個人化健康計畫。例如病人在一年內的血糖紀錄持續偏高（HbA1c＞6.5%），AI 就會根據病人的年齡、BMI、家族病史、運動習慣，評估其五年內罹患糖尿病的風險。醫師在看診時，系統就會根據這些資料，自動產生個人化的健康計畫（如飲食建議、運動計畫），傳送到 HIS 供醫師參考。
AI 更可根據病人條件推薦比較合適的臨床試驗。如病人被診斷為三陰性乳癌（Triple-Negative Breast Cancer；TNBC）時，AI 在比對臨床試驗資料庫後，發現有一項針對 TNBC 的新藥臨床試驗（Phase III），且病人符合試驗條件（如年齡、ECOG 體能狀態、基因表現）時，系統就會自動通知醫師，建議可考慮將病人納入臨床試驗。
以上四個例子都是整合 AI 及 HIS 的應用，可以加速病人的看診過程，以及減少一些漏網之魚，可以拯救更多的病人。
注意避免產生警示疲勞
雖然 CDS Hooks 提供了一個很好的方式來醫師的行為，但同時也必須注意避免警示疲勞。所謂的「警示疲勞」，是指醫師過於頻繁地收到提醒，特別是那些價值不高或不具臨床急迫性的警示，例如「輕微藥物交互作用」、「病人 BMI 稍微超標」等，這些通知不僅增加醫師的操作負擔，還可能使醫師對所有警示逐漸失去信任，進而忽略真正關鍵的訊息，甚至導致錯誤的臨床決策。
所以最好的做法，就是設法提供有價值的警示，並盡量避免不必要或低重要性的通知。具體來說，應只提供那些能夠促使醫師採取行動的高價值警示，例如嚴重的藥物交互作用、高風險過敏反應、或是明顯異常的關鍵檢驗結果，讓警示真正成為改善決策的工具，而非造成干擾的負擔。
實際上可以採取的策略之一，是導入嚴重性等級（Severity Levels）的分類機制，例如將風險分成：Critical（高風險，例如致命性藥物交互作用）、Warning（中等風險，例如腎功能受損病人使用特定藥物）、Info（低風險，例如病人 BMI 略高），僅在高風險情境下主動發送警示，其餘等級可根據醫師需求或情境選擇性顯示。
另一個方式是根據醫師的專科與病人特徵調整警示內容。舉例來說，腎臟科醫師會關注腎功能指標變化，但皮膚科醫師可能不需要這類提醒。因此可依照使用者角色與臨床場景動態調整警示內容，提高系統訊息的臨床相關性與接受度。
此外，也要避免過多的操作步驟，例如減少「確認」的點擊程序，讓醫師可以一鍵忽略或調整警示頻率，降低操作疲勞與干擾感。甚至可以運用 AI 或機器學習技術，分析醫師過去的行為模式，自動優化警示機制，提供個人化且更精準的建議，而不是所有使用者都接收一樣的提醒內容。
CDS Hooks 的資安考量
此外，由於 CDS Hooks 的設計允許 HIS 系統與外部 CDS Service 進行數據交換，這代表敏感的病人資料可能會被傳輸到 HIS 之外的第三方系統，因此必須特別重視資料在傳輸與存取過程中的安全性，以避免未授權存取或數據遭到竄改。
例如在部署與托管 CDS Service 時，應始終使用 HTTPS 作為基本的加密傳輸協定，以防止中間人攻擊（Man-in-the-Middle）。為了進一步提升安全性，更建議在 CDS 客戶端與 CDS Service 之間導入雙向 TLS（mutual TLS） 機制。這樣不僅能加密傳輸資料，還能雙向驗證彼此的身份，確保只有授權系統之間才能進行資料交換。
再者，還需注意瀏覽器端的呼叫場景。許多情況下，CDS 客戶端會從 Web 瀏覽器環境中發起對 CDS 服務的請求，此時建議在 CDS 服務端啟用跨來源資源共享（Cross-Origin Resource Sharing；CORS）。啟用 CORS 可確保來自不同網域的請求能被正確處理，避免瀏覽器攔截合法請求或因同源政策導致功能異常，同時也有助於管理哪些來源可被允許呼叫 CDS Service。
未來展望
隨著大型語言模型（如 GPT-4）與 AI 診斷技術的快速進展，FHIR 提供標準化的醫療資料結構，CDS Hooks 負責觸發臨床決策支援流程，而 HIS 則整合 AI 的分析結果，三者若能深度整合，將更有機會實現全自動化的臨床決策支援系統。
此外，AI 具備多語言處理能力，未來可支援處理來自不同語言背景的醫療紀錄，應用於國際醫療交流、跨境轉診或全球合作研究，有效提升醫療系統的語言彈性與國際互通能力。若進一步結合穿戴式設備與遠距醫療技術，AI 將能夠即時接收並分析病人的生理數據，並根據異常變化自動推送警示與健康建議，實現真正的智慧健康管理。
透過 CDS Hooks 的設計，為 HIS 與 AI 之間搭建起溝通的橋樑，讓 AI 能夠透過 FHIR 無縫整合至臨床資訊系統中，進一步提升臨床決策的效率與準確性。只要持續優化 AI 演算法、確保診斷邏輯的準確度與法規遵循性，這些系統工具未來將有潛力發展為標準化的臨床輔助決策平台。
AI 與 LLM 的應用，將不再僅是醫師診斷的延伸工具，更將成為未來醫療系統中不可或缺的基礎元件，全面提升診斷效率與精準度，推動醫療決策正式邁入智慧化新時代。
[ 閱讀 孫培然 所有專欄文章]
進一步來看，當 AI、LLM、FHIR、CDS Hooks 與 HIS 完整融合，再結合具備任務自動調度與即時判斷能力的 AI Agent（人工智慧代理），臨床決策支援系統將從傳統的「被動查詢式工具」進化為真正的「主動反應式決策夥伴」。這些 AI Agents 將能在接收到病人生理訊號、檢驗結果或處方請求時，立即分析並依據臨床路徑或個人化風險模型，主動提供建議、發送警示或協調後續照護流程。它們不再只是回應式系統，而是具備主動判斷與介入能力，能夠擔任數位住院醫師、AI 護理師或智慧個案管理員等角色。
透過這樣的架構，我們不僅建立了「反應式」的臨床支援系統，更正式邁向「預測性、預防性、主動性與個人化（Predictive, Preventive, Proactive & Personalized）」的智慧醫療新典範。AI Agent 將成為未來醫療體系中的關鍵中介元件，實現資訊流、醫療流程與決策行動之間的真正自動協同與智慧聯動。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
