一位發高燒、血壓掉下來的病人被推進急診。醫師幾乎可以確定是敗血症，接下來每拖一小時，存活的機會就少一分，但醫師此刻並不知道，該用哪一種抗生素。
&nbsp;
要確知這隻細菌對什麼藥有效，得先培養、再做藥敏試驗，整套流程要 72 到 96 小時。而敗血症的病程以小時計算，病人等不了三、四天。於是醫師只能先猜：憑臨床經驗、憑當地常見的菌株分布，開出涵蓋範圍較廣的抗生素，先壓住病情再說。這不是醫師不夠謹慎，而是在檢查資訊到齊之前，猜是唯一的選項。
&nbsp;
猜得準嗎？臺大醫院急診醫學部教授李建璋帶領團隊回溯分析的結果是，約有 3 成病人的初始治療並未涵蓋真正的致病菌。也就是說，每 3 位敗血症病人裡，就有 1 位在最關鍵的那幾十個小時，用的是無效的藥。
&nbsp;
明明檢驗室裡就有這隻細菌的資料，為什麼醫師還是得猜？
&nbsp;
同樣的時間差，也發生在國家的層次上。
&nbsp;
在傳統監測體系下，這類異常需依賴院所事後人工填報、每週定期彙整。當資料層層上報、最終呈現在中央報表上時，往往已過去 1～2 週。在這段時間內，抗藥菌早已擴散。衛生福利部莊人祥常務次長指出，傳統被動通報模式存在嚴重的時間落差，當趨勢看得出來時，疫情早已蔓延，這就像是「透過後照鏡開車」，看見的永遠只是過去的軌跡。
&nbsp;
這兩個時間差，其實是同一個問題的兩端：資料存在，但來不及被讀懂、來不及被送到需要它的地方。臺灣正在做的，是重塑底層的數位基礎建設，一端要讓臨床醫師在診間就能為個別病患預測抗藥性與用藥，另外一端也能把這些微觀的臨床資料即時匯流，築起國家宏觀的公衛監測與疫情預警防線。
&nbsp;
從一個人的用藥，到全國的監測網
要理解這場變革的戰略意義，必須先釐清抗藥性（Antimicrobial resistance, AMR）與一般急性傳染病的本質差異。急性傳染病如流感，需在短時間內通報並阻斷傳播；抗藥性則是多重因素長期累積的「慢性公衛危機」。莊人祥次長分析，抗藥性極少在短期內爆發，它是在抗生素使用習慣、院內感管、動物用藥及環境暴露等長期交互作用下逐步成形。就像開場那位病人每一次為求保險而使用的廣效抗生素，都是這個累積過程裡的一筆。因此，國家監測的核心不在於即時掌握每一株抗藥菌，而是建構一套長期、穩定、具代表性且可持續比較的監測體系。
&nbsp;
而在臨床端，李建璋教授團隊想做的，是把那 72 小時直接壓縮掉。
&nbsp;
他們的切入點是細菌質譜，醫院在鑑定菌種時本來就會產生的資料。若能用這批既有資料訓練 AI 預測抗藥性，醫師就能在確認菌種的同時，一併得到用藥建議，不必再盲等藥敏結果。這項研究在 2025 年的 IDWeek——全球感染症領域規模最大的年會，從三千多篇投稿中獲得美國感染症學會（IDSA）摘要獎首獎。
&nbsp;
但李建璋教授坦言，這條路真正的難關不在模型本身。許多在實驗室表現優異、甚至通過 FDA 認證的模型，一旦換到其他醫院，辨識率就會大幅下降。「問題不在演算法或算力，而在於資料的多樣性與格式差異。」
&nbsp;
李建璋教授接著指出：「有些醫師會誤以為 AI 能像人類大腦般推理，但 AI 本質上是靠死記海量資料來辨識。一旦醫院的儀器型號、曝光值或角度有些微差異，AI 就可能瞬間看不懂；而工程師也常誤以為十萬筆細菌質譜已足夠，實際上仍無法涵蓋全臺人口與病菌的變異性。」這種認知盲區導致優秀的醫療 AI 難以落地，卻也恰好指出了真正的解方：臨床端 AI 若要走出實驗室，必須融入國家級標準化網絡進行外部驗證，才能提升泛化能力；而公衛端要建構即時預警雷達，也迫切需要臨床端高品質的即時資料。兩者相輔相成，個別病患的精準用藥與全民的公衛防線，其實需要同一套基礎設施。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/8-4.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">抗藥性是多重因素導致的結果，需要一套長期可比較的監測體系，才能精準掌握抗藥性與抗生素的使用變化趨勢，並將資料有效轉化為臨床與公共衛生的決策依據。</div>
</div>
</div>
</div>
</div>
&nbsp;
疏通防疫神經末梢：讓通報自動化
要讓臨床端的資料即時抵達疾管署，第一步是把通報這件事自動化。莊人祥次長介紹：「臺灣參考世界衛生組織的全球抗微生物藥物抗藥性與使用監測系統 GLASS 架構，近年來持續優化臺灣醫院感染管制與抗藥性監測管理系統 THAS System ，積極推動 WebAPI 自動通報機制。」讓醫院的資訊系統能直接把資料送到疾管署，不必再由人工逐筆填報。
&nbsp;
這套系統包含兩大核心模組：「醫療照護相關感染通報（Healthcare-associated infection, HAI）」與「抗生素抗藥性管理通報（Antimicrobial Resistance, AR）」。截至 2026 年 8 月初，全國已有超過九成九的醫院（463 家）加入 HAI 通報，其中 124 家已實現自動傳輸； AR 模組方面則有 431 家醫院參與，其中 169 家透過自動化機制傳輸資料。系統自 2024 年起更進一步串聯健保申報資料，精準掌握全國抗生素使用量。
&nbsp;
然而，資料量暴增也帶來了「垃圾進、垃圾出」的治理挑戰。為此，疾管署逐步建立「智慧防疫資料服務平台」，透過標準化的詮釋資料機制與統一的資料字典，打造高品質的防疫決策資料中樞。在技術上，政府導入了臨床品質語言（Clinical Quality Language, CQL）與「SMART on FHIR」技術。莊人祥次長強調，對公衛端來說，這件事的意義很直接：過去中央只要修改一次通報定義，全臺數百家醫院都必須各自重新修改程式；現在通過 CQL 把醫學通報條件轉化為電腦可執行的邏輯，只要改一次就可以全國醫院套用，大幅減輕了醫院端的行政負擔。而醫師病歷裡那些中英夾雜的縮寫與本土藥名，也能由 AI 編碼器自動轉為標準格式，不必再靠十倍的人力手工完成。
&nbsp;
防疫一體與多訊號監測
但抗藥菌不會停在醫院門口。當院內的資料終於能被讀懂、被比較，下一個問題隨之浮現：只看醫院，看得夠遠嗎？莊人祥次長指出，抗生素抗藥性是典型的「防疫一體（One Health）」議題，「抗藥菌與抗藥基因會在人類、動物、食品供應鏈及自然環境間流動，若只盯著醫院病歷，如同只看棋盤一角，無法看清全貌。」這個視野的擴大已經有制度框架。臺灣自 2025 年起啟動「國家級防疫一體抗生素抗藥性管理行動計畫」，由疾管署、食藥署與農業部共同執行；2026 年更由行政院主導，整合衛福部、農業部、環境部與內政部資源，推動「國家防疫一體聯合行動方案（2026–2030）」。莊人祥次長進一步解釋：「過去，各機關累積的資料格式與採樣方式不一，且缺乏分享機制，形成資訊孤島。為解決此困境，臺灣正積極規劃建置『防疫一體抗生素抗藥性監測視覺化整合平臺』，逐步將跨部會資訊融為一爐。」
&nbsp;
對此，李建璋教授補充，AI 在處理這類「多模態與多元異質資料」時展現出明顯的優勢。傳統工具難以將藥敏結果、農業用藥報告、污水檢測資料及病毒基因定序進行統一分析；但新世代多模態 AI 能同時理解文字、表格、基因序列與時間序列，並自動交叉比對。真正的價值出現在跨領域的交界處。舉例來說，當污水中抗藥基因濃度上升，伴隨診所求診人數也出現輕微偏離時，這兩個訊號單獨看都不足以觸發警報，放在一起卻可能是疫情的前兆。AI 就能在疫情爆發前產出風險評估，為公衛政策提供更扎實的決策依據。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/09/8-6.jpeg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">透過防疫一體平臺與多模態 AI 技術，跨界整合人類、動物及環境資料，在疫情爆發前精準捕捉微小異常並提供即時預警。（圖為 AI 生成示意，非真實平台介面）</div>
</div>
</div>
</div>
</div>
&nbsp;
未來五到十年：從疾病監測到風險預警
這些場景有些已經在做，有些還在規劃。若把時間拉長到未來 5～10 年，臺灣正朝著兩個方向並進：國家級的「智慧公衛體系」，以及診間裡的「軟體定義醫院」。
&nbsp;
莊人祥次長指出，未來的公衛監測將從單純「發現疾病」轉型為「預警風險」：整合急診症候群、污水監測、基因定序甚至氣候病媒蚊等多模態訊號，在疫情爆發前數週便發出警訊。監測範疇也會從傳染病延伸到慢性病的發病前介入、癌症篩檢與高齡照護。
&nbsp;
而在這套系統裡，AI 的角色是第一線防疫人員的助理；涉及倫理與公平的最終決策權，仍然保留在人的手上。
&nbsp;
在臨床端，李建璋教授描繪的「軟體定義醫院」則是另一半的圖像：由多個 AI 代理人分擔繁瑣的行政庶務與初步問診，把醫護人員從過勞中鬆綁，讓時間回到病人身上。回到急診室裡那位等不了三天的病人。
&nbsp;
當檢驗室裡的資料能在幾分鐘內被讀懂，當他用藥的結果又回頭成為全國監測網的一個訊號，個人的治療與群體的防線，就不再是兩件事。臺灣正在打造的，是一套讓每一次臨床決策都能累積成公共知識的基礎設施，讓醫師在關鍵時刻，能有更完整的資訊作為臨床判斷的依據。
&nbsp;
（客座總編輯｜衛生福利部資訊處李建璋處長；研究顧問團隊｜臺大醫院急診醫學部教授李建璋、衛生福利部莊人祥常務次長；責任編輯｜王喆宣、洪孟樊）