2025 年一場於日內瓦舉辦的全球衛政論壇上，代表臺灣出席的衛生福利部中央健康保險署陳亮妤署長，與美國公衛教授談起一件真實案例：美國有款已經上市的醫療 AI，能精準診斷惡性黑色素瘤，但實際用於臨床時，卻在非裔患者身上頻頻誤診。
&nbsp;
原因不在演算法，而在訓練資料——那個資料庫裡九成以上都是白人的影像，非裔的比例太低。訓練資料的組成，直接影響 AI 能否做出準確的判斷；關鍵訊息一旦遺漏或偏頗，救人的科技就可能變成危及病人安全的隱形威脅。
&nbsp;
不過，資料運用會出現的問題不只一種。黑色素瘤這個案例凸顯的是「代表性」——訓練資料裡沒有足夠的非裔患者。而臺灣要面對的，是另一種更基礎的問題：資料本身的「可比性」。
&nbsp;
臺灣擁有覆蓋率達 99.9% 的全民健保與頂尖的醫療技術。但在診間裡，醫師寫進病歷的詞彙卻像各說各的「醫療方言」。以急性心肌梗塞為例，不同醫師可能寫「AMI」、「MI」或中文「心肌梗塞」——對人來說不難理解，對電腦卻是完全無法聯想的三筆資料。
&nbsp;
三種寫法、一種疾病。當全臺醫院每天產生數百萬筆這樣的紀錄，我們要怎麼讓機器知道他們說的是同一件事？
&nbsp;
讓機器讀懂臨床世界的三大編碼標準
要讓電腦讀懂醫學世界，必須先建立一套標準化的單詞編碼表。
&nbsp;
臺灣其實早就有國際疾病分類診斷碼 ICD 及健保給付碼。全民健保申報用的就是它，每一筆就醫紀錄都有對應的 ICD 碼以及病人所接受每項醫療服務項目及藥品、特材的健保給付碼。問題是，這套為了行政申報設計的分類，撐不起臨床與 AI 需要的細緻度。
&nbsp;
因此衛福部正全面導入三套國際編碼：系統臨床術語碼 SNOMED CT 負責臨床語意、檢驗項目國際統一編碼 LOINC 負責檢驗、國際通用藥物標準命名與編碼系統 RxNorm 負責藥物。三者分工，補上 ICD 看不見的地方。
&nbsp;
陳亮妤署長從自己 20 多年精神科臨床經驗談起。她指出，ICD 就像是疾病的身分證，為全球醫學界提供通用的疾病診斷名。然而，臨床上醫師記錄的醫療專有名詞與病程，往往比單純的疾病診斷分類更為複雜。這時，就需要引進能精準記錄醫療語意的 SNOMED CT。
&nbsp;
陳亮妤署長解釋，SNOMED CT 能完整描繪臨床情境，例如「左側股骨頸骨折，是因為跌倒所造成，且骨折部位已產生移位」——同樣一個骨折診斷，ICD 只記錄「發生了什麼」，SNOMED CT 還能記下「怎麼發生的、嚴重到什麼程度」。
&nbsp;
醫療資料中有超過七成與檢驗結果相關。臺灣醫事檢驗學會曹國倩理事長用「國際通用條碼」形容 LOINC：「不同超市對同一款礦泉水可能有不同的內部代碼（有的叫礦泉水、有的叫純水），但只要刷瓶身上的條碼，收銀系統就能立刻確認是同一款商品。」
&nbsp;
醫療也是如此。同樣是血糖檢驗，不同醫院在電腦裡可能叫 Glu、BS 或 AC Sugar；有了 LOINC，不同醫院的系統就能瞬間確認它們指的是同一件事。這套標準已發展超過 30 年，資料庫收錄超過 10 萬筆代碼，目前約有 190 個國家使用。
&nbsp;
第三套是 RxNorm，負責藥物。現行藥品雖然有健保碼與食藥署藥物許可證碼，但多半是為了申報而設計——成分相同的藥會對應到同一組代碼，而醫師在臨床上開的卻是商品名。若商品名沒有統一編碼，AI 就無法精準核對重複用藥與交互作用。
&nbsp;
三套編碼中，臺灣目前進度最快、也最有成果可談的是檢驗這一塊。以下的討論，主要就從 LOINC 展開。
&nbsp;
為什麼資料不互通，AI 只能學習錯誤的答案？
談醫療 AI，焦點很容易落在演算法與算力。但曹國倩理事長指出：「很多人以為 AI 最大的瓶頸是演算法，其實不是，真正的瓶頸在於各院資料如同各說各話的方言，使電腦系統根本無法進行解讀與對齊。」
&nbsp;
這正呼應了開場那個誤診案例——問題出在資料，不在模型。只是黑色素瘤那次卡在資料不夠有代表性，而這裡卡的是資料彼此無法比對。
&nbsp;
曹國倩理事長以血糖為例：「同樣叫做血糖，可能是空腹、飯後 2 小時、OGTT 糖水試驗、全血或尿液。採檢時間、檢體與方法不同，在臨床上代表的意義完全不同。若沒有 LOINC 精準定義，AI 只看到血糖兩個字會以為是同一筆資料，但醫師知道它們根本不是同一件事，這會直接導致醫學語意誤判。」
&nbsp;
她分享的另一項大腸桿菌抗藥性模擬研究，更說明了資料盲區的危險。
&nbsp;
「分析大腸桿菌的抗藥性時，如果沒有 LOINC，系統會把血液、尿液、痰液等檢體的培養結果混雜計算，得出的超廣效乙內醯胺酶（ESBL）抗藥率僅為 38%。ESBL 是細菌製造的一種酵素，能分解大多數常用的乙內醯胺類抗生素，讓這些藥物失效。因此這樣的數據容易讓一線醫師低估抗藥性的嚴重度、採取低階抗生素治療。然而當導入 LOINC 精確分層、單獨分析全身性嚴重感染的菌血症血液病例時，真實抗藥率竟高達 61%。」
&nbsp;
曹國倩理事長為這個例子下了一個註解：如果資料分類錯誤，AI 再聰明，也只是在學習錯誤的答案。
&nbsp;
這項打底工程呼應了輝達創辦人黃仁勳提出的「五層蛋糕」理論。陳亮妤署長引述表示，智慧醫療的第一到四層——能源、晶片、基礎設施與模型——臺灣都具備世界級優勢；但若資料互通性沒有打通，第五層的 AI 應用跑出來的結果就會失真。
&nbsp;
編碼標準化，正是決定臺灣智慧醫療能否跑出正確答案的地基。
&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/2026/09/4-4.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;">三大編碼為醫療 AI 建立統一的臨床語言，能精準區分檢驗項目的生理意義，避免系統因語意混淆而低估抗藥性的威脅。</div>
</div>
</div>
</div>
</div>
&nbsp;
醫院推動標準化的實務痛點
道理說得通，那為什麼過去 20 年沒有人做成？
&nbsp;
其實做過。早在 2007 年，衛生署資訊中心就輔導特定醫院試辦導入 LOINC；2013 年疾管署推動防疫雲，傳染病實驗室自動通報系統也以 LOINC 作為交換標準，當時輔導了 20 家醫學中心使用；COVID-19 期間，以 LOINC 標準通報的檢測數據，還幫助疾管署掌握了疫情動態。
&nbsp;
但這些都是特定專案、特定領域的局部應用，全國一致的對照機制始終沒有建立起來。曹國倩理事長表示，卡住的地方有兩個：臨床端沉重的行政負擔，以及健保給付碼與國際編碼系統之間的邏輯衝突。
&nbsp;
曹國倩理事長解釋，過去推動檢驗標準化，全靠醫檢師以「智慧工人」的模式手動進行——逐一翻閱試劑說明書，再到 LOINC 官網反覆比對。
&nbsp;
此外她也指出，在醫學中心光是「流式細胞儀」的白血病表面抗體標記套組，一個檢驗醫令展開就有超過 58 個子項目，再乘上 3 種臨床檢體，約 180 個需要編碼比對；一般區域醫院的常態性的所有檢驗項目包括血液、鏡檢、生化、免疫、細菌等，預估約 1,000～2,000 個項目需要精準對應。而一名資深醫檢師一天最多只能完成 20 到 30 個項目，人工比對的不一致率還高達兩到三成——疲勞之下，人為疏失幾乎難以避免。
&nbsp;
更棘手的是健保給付碼與國際 LOINC 碼之間的邏輯衝突。
&nbsp;
臺灣醫事檢驗學會的研究發現，超過 5 成 5 的健保給付碼需要對應到多個 LOINC 碼，平均「1 對 5.6 個」。曹國倩理事長舉例，健保不分類統一申報的特異過敏原免疫檢驗（健保碼 30022C），在 LOINC 中因為每種過敏原都獨立編碼，單一個健保碼就對應了 267 個 LOINC 碼；細菌培養鑑定（13007C）也因為涵蓋多種檢體與部位，必須對應 265 個。
&nbsp;
一個代碼要拆成 200 多個，而全國有數千個這樣的代碼——這種規模的比對若單靠人工釐清，是臨床人員難以承受的負擔。
&nbsp;
SmartEHR Coder 如何與醫檢專家攜手打通臨床摩擦？
突破僵局的，是大型語言模型。工研院協助開發的 SmartEHR Coder 等自動轉碼工具，為臨床端提供了新型態的輔助手段，透過資料治理的打底與人機協作，共同為轉碼正確率把關。
&nbsp;
曹國倩理事長強調：影響 AI 自動轉碼成效的關鍵，在於輸入資料的品質。
&nbsp;
在轉碼之前，必須由醫檢師執行徹底的「資料清理」：統一格式、拆解時間與採檢條件、展開同義詞，並轉化為符合國際標準的語意。這些基礎工作完成後，AI 轉碼正確率才能躍升到 9 成以上。
&nbsp;
臺灣醫事檢驗學會承衛生福利部資訊處委託，統籌執行「全國醫事檢驗資料標準化專案」，建立了 5,050 項國家級 LOINC 對照表。
&nbsp;
「我們原本的 KPI 只有 2,000 筆，最後做到 5,050 筆。」曹國倩理事長在成果發表會上如此回憶。
&nbsp;
這份對照表動員了 35 家醫院、154 位醫檢專家，以及檢驗試劑與儀器廠商共同參與；從 2025 年底接下任務到 2026 年 5 月中交出成果，實際執行時間只有 5 個月，中間還跨了一個農曆年。
&nbsp;
支撐這個進度的，是一套「AI ＋ 醫檢專家審核」的雙重驗證機制：由 AI 擔任初篩、推薦候選碼，再由生化、血液、微生物等領域的資深醫檢師逐一審核，並把產出的編碼反向核對官方資料庫的六大軸向——檢測成分、測量特性、採檢時間、檢體來源、結果尺度、檢驗方法——確保與試劑說明書及報告完全吻合。
&nbsp;
科技負責量，專業負責準
當數據真正活起來
&nbsp;
檢驗這一塊的地基已經鋪好了。
&nbsp;
而且已經開始有人在上面蓋東西：健保署把 LOINC 用在次世代基因定序與癌症用藥事前審查，加快了審查效率；疾管署則以 LOINC 建置傳染病自動通報系統，強化疫情監測與通報。衛福部也開發了支援快速健康照護互通資源（FHIR） 格式的檢驗項目輔助對應平臺與 API 轉換模組 ，並與國內主要的醫院資訊系統及實驗室資訊系統廠商完成介接測試。
&nbsp;
當三套編碼全面到位、再搭配 FHIR格式輸出，臺灣的醫療資料將從靜態紀錄轉為可運算的資產。
&nbsp;
對一般民眾而言，最直接的好處是檢驗資料從此跟著病人走。陳亮妤署長期盼，當檢驗資料全面標準化，民眾跨院看病時，醫師能立刻看見完整且可比對的檢驗趨勢——例如慢性腎臟病患者的肌酸酐、糖尿病患者的糖化血色素——不必再為了轉院重新抽一次血。省下的不只是時間與醫療成本，還有就醫的安全。
&nbsp;
曹國倩理事長則描繪了「縱向健康軌跡」的藍圖。未來民眾打開手機的「健康存摺」App，看到的不再是零散的報告，而是跨越多年、整合不同醫院的終身健康曲線。AI 可以綜合分析歷年的血糖、血脂、肝腎功能與腫瘤標記趨勢，不只指出哪個數值超標，還能看出代謝健康正在往哪個方向變化，提醒及早介入。
&nbsp;
醫療也就從「生病後治療」，往「預測與預防」移動。
&nbsp;
標準化的資料也讓個人化醫療成為可能。陳亮妤署長以自己的專科為例：「在診間，恐慌症患者最常問：『醫師，我的藥要吃多久？』有一半的人一輩子只發作一次，另一半則會反覆發作。但目前的臨床指引主要依據國外的臨床試驗，病人發作過幾次就必須持續服藥數年，醫師往往不敢貿然讓病人停藥。」
&nbsp;
如果臺灣有了標準化的國家級臨床資料庫，就能把患者的年齡、性別、合併疾病、家族史輸入本土 AI 模型，判斷這位病人比較可能屬於哪一種類型，給出更貼近他個人的服藥建議。從「以疾病為導向」走向「以人為導向」，正是 AI 最能回饋全民的地方。
&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/2026/09/4-5.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;">透過跨院病歷整合與 AI 智慧分析，臨床決策能針對患者個人特徵精準評估復發風險，實現以人為本的精準照護。</div>
</div>
</div>
</div>
</div>
&nbsp;
一磚一瓦，蓋起臺灣的智慧醫療城堡
這些願景聽起來都很遠。而支撐它們的，是一件此刻正在進行、卻幾乎沒有人看見的工作。
&nbsp;
陳亮妤署長分享了她與衛生福利部資訊處李建璋處長私下的一段對話。他們常笑稱，現在推動統一編碼與 FHIR 轉換，就像在蓋一座城堡——動工初期，旁人看到的只是醫檢師和工程師一塊塊地把轉碼的磚頭放上去，可能看不懂，甚至會問：「你們搬這些磚頭到底要做什麼？這裡明明連一面牆都還沒有。」
&nbsp;
那 5,050 塊磚頭，就是 35 位醫檢師在 5 個月裡、跨過一個農曆年放上去的。
&nbsp;
然而正是這一塊塊被精準定位、洗淨砂礫的編碼磚頭，構成了城堡最穩固的基石。臺灣同時擁有領先全球的電子與 AI 產業鏈、世界一流的醫療體系，以及由單一保險人治理的健保大數據；當這三項優勢透過編碼標準與 AI 技術縫合起來，臺灣才有機會向世界輸出「以人為中心」的智慧醫療方案。
&nbsp;
回到日內瓦那場對話裡被誤診的患者——他之所以被誤判，不是因為 AI 不夠聰明，而是因為訓練資料裡沒有足夠多像他這樣的人。臺灣正在做的，是確保當我們的 AI 開始學習時，它讀到的每一筆資料都精準、可比對、不會被誤解。
&nbsp;
這場資料革命，正是臺灣蓋起智慧醫療城堡最關鍵的本錢。
&nbsp;
（客座總編輯｜衛生福利部資訊處處長暨臺大醫學院急診醫學科教授李建璋；研究顧問團隊｜衛生福利部中央健康保險署陳亮妤署長、臺灣醫事檢驗學會曹國倩理事長；責任編輯｜王喆宣、洪孟樊）