賴皮王

在醫療數位與AI科技發展的歷程中，醫院資訊系統（Hospital Information System，HIS）一直是醫療數位化的核心基礎設施。從最早期的病歷管理系統、醫囑系統與醫療帳務系統，到後來整合電子病歷（EMR）、影像系統（PACS）、檢驗系統（LIS）等不同模組，HIS 已經逐漸成為現代醫院運作不可或缺的「數位中樞」。然而，在過去二十多年中，HIS 系統的核心功能和技術演進其實變化並不算太大。多數醫院仍然將其視為一套主要用來管理資料與流程的系統，而不是能夠直接參與臨床決策或醫療效率提升的智慧平台。但隨著全球醫療人力不足、醫療需求持續增加，以及 AI 技術快速進步，HIS 系統正逐漸走向新的發展階段。許多醫療科技公司與醫院開始思考：下一代 HIS 系統，是否應該從單純的「資訊管理系統」，進一步轉變為能夠結合 AI、數據分析與臨床決策支援的智慧平台？而根據筆者的觀察，從目前全球醫療資訊產業的發展來看，這樣的轉變似乎正在發生。
全球醫療資訊系統的 AI 化趨勢全球醫療體系目前面臨兩個結構性問題：第一是醫療需求快速增加，第二是醫療人力長期不足。世界衛生組織（WHO）曾預估，到 2030 年全球可能仍然缺乏數百萬名醫療人員。在這樣的背景下，醫療數位化與 AI 技術被視為提升醫療效率的重要工具。而 HIS 系統正是這些技術最容易落地的場域之一。近年許多醫院開始將 AI 技術整合到醫療資訊系統中，例如：AI 輔助臨床決策自動整理醫療紀錄智慧排程與資源管理病患風險預測

根據筆者過去十年的產業觀察，健康穿戴裝置大多被視為「消費型健康科技產品」，例如智慧手錶、運動手環或睡眠監測設備，主要應用在日常健康管理與運動紀錄。然而，隨著感測技術成熟、醫療法規逐漸建立，以及 AI 與醫療數據分析能力的快速提升，健康穿戴設備正逐漸從生活科技產品，走向更嚴謹的醫療專業場域中的監測工具。其中一個近年逐漸受到關注的應用場景，就是住院病房的病患生理數據監測。在全球護理人力短缺與醫療需求持續增加的背景下，許多醫院與科技公司開始思考：是否能透過穿戴裝置、 IoT技術 與 AI 系統，建立一套更即時、更連續的病房監測模式。如果這樣的模式能夠成熟落地，未來可能對醫院、安養機構等場域的照護流程與病患安全帶來不小的改變。
全球病房監測模式正在轉變傳統醫院病房的生理數據監測，多半仍採取「定時量測」模式。護理人員通常會在固定時間，例如每 4 至 6 小時，為病人量測血壓、心率、體溫與血氧等生命徵象。這樣的方式雖然已經運行多年，但本質上仍然是一種「間歇式監測」。最關鍵的問題在於，許多急性疾病的惡化往往發生在量測間隔之間。例如心臟衰竭惡化、心律不整、敗血症或呼吸衰竭等情況，可能在短時間內出現生理變化。如果只能依靠定時量測，很可能錯過早期警訊。因此，近年越來越多醫院開始嘗試導入連續生理數據監測，透過穿戴式感測設備持續監測病患的生理數據，再透過 IoT 網路傳輸到醫院系統，並利用 AI 進行分析，協助醫護人員提早發現異常狀況。簡單來說，病房監測模式正在從「單點與定時監測」逐漸走向「連續監測」。

過去幾年，「數位雙生（Digital Twin）」這個概念逐漸從工業領域走向醫療健康領域。原本在製造業中，數位雙生是指透過感測器與數據模型，在虛擬世界建立一個與實體設備同步的「數位模型」，用來模擬設備運作與預測故障。而在醫療領域，這個概念開始被重新詮釋：如果能夠在虛擬世界中建立一個與人體健康狀態同步的模型，是否就有機會提前預測疾病風險，甚至在疾病發生之前就進行預防與介入？隨著感測技術、醫療影像、基因檢測與 AI 技術的快速進展，「人體數位雙生」逐漸從理論概念走向實際應用。特別是在心血管疾病預防領域，這種整合多模態健康數據的模式，可能為未來醫療模式帶來新的想像。目前全球每年約有 1790 萬人死於心血管疾病，占全球死亡原因的三分之一以上（WHO）。而更關鍵的是，許多心血管疾病其實具有長期累積的風險過程，例如動脈硬化、血脂異常、代謝症候群等。如果能夠透過長期健康數據監測與 AI 分析，提早預測個人風險並介入，理論上可以大幅降低重大疾病發生的機率。在這樣的背景下，「多模態健康數據」結合「數位雙生」的概念，正逐漸成為智慧醫療的重要發展方向。
人體數位雙生的核心：多模態健康數據如果要在虛擬世界中建立人體健康模型，單一數據來源顯然是不夠的。真正具有預測能力的數位雙生模型，往往需要整合不同層面的健康資訊。從目前產業與學術研究的發展來看，人體健康數位雙生大致需要整合四類關鍵數據。第一，是健康穿戴所提供的生理數據：智慧手錶或健康穿戴設備可以持續收集個人的生理訊號，例如血壓、心率變異度、心電圖、血氧、活動量與睡眠品質等。這類資料的最大價值，在於能夠長時間、連續地記錄人體的生理變化，相較於傳統醫院檢查，更接近個人在日常生活中的真實健康狀態。第二，是醫療影像設備所提供的器官結構資訊：例如手持式超音波設備，可以快速檢查頸動脈斑塊、心臟功能、甲狀腺結節等結構性變化。這些影像資料提供的是人體器官「結構層面」的資訊，能補足穿戴裝置無法觀察到的部分第三，是代謝與生化數據：透過 IVD 或 POCT（床邊快速檢測）設備，可以取得血糖、LDL、HDL、三酸甘油脂等代謝指標。這些指標與心血管疾病風險高度相關，也是目前臨床醫學中重要的健康監測項目。

台灣正在快速走向「超高齡社會」。根據內政部人口推估，2025 年台灣 65 歲以上人口比例將突破 20%，正式進入超高齡社會，而到了 2035 年，65 歲以上人口比例可能接近 30%，也就是說每三個人之中就有一位是高齡者。人口結構的劇變，不只改變了社會樣貌，也正在深刻影響醫療與照護產業的發展方向。然而，在這波高齡化浪潮之下，台灣目前多數護理之家與安養機構，其實正面臨相當現實的經營困境。雖然社會對於長期照護的需求持續增加，但在政策與營運結構的限制之下，許多機構在提升服務品質或導入智慧醫療設備時，往往心有餘而力不足。整體而言，台灣安養機構目前面臨的壓力，大致可以歸納為三個主要因素。
1. 長照人力長期不足根據衛福部相關統計，目前台灣長照服務人員約 11 萬人，但隨著高齡人口快速增加，預估到 2030 年整體需求可能超過 20 萬人，人力缺口相當明顯。在制度設計上，護理之家的人力配置有一定的法規要求，例如護理人員通常需要每 15 至 20 位住民配置一名，照顧服務員則大約每 8 至 10 位住民配置一名。但在實際營運上，由於工作壓力大、薪資條件有限以及人力流動率高，許多機構長期處於人力吃緊的狀態。
2. 收費結構限制了營運空間目前台灣多數護理之家與安養機構的收費，大致落在每月 3 萬到 6 萬元之間，通常包含住宿費、膳食費以及基本照護費。如果住民需要特殊醫療照護或額外服務，才會另外加價。但在人事成本、醫療設備成本與營運成本持續上升的情況下，這樣的收費結構其實很難支撐更高品質的醫療照護服務，更不用說大規模導入智慧醫療設備或 AI 系統。

談到AI智慧醫療，如果只看「酷炫的技術」，很容易熱鬧一陣子就散場；但如果換個角度，從公共衛生與醫療支出的結構去看，有些題目就會變得非常務實，而糖尿病就是其中之一。
根據國際糖尿病聯盟（IDF）的資料顯示，2024 年全球約有 5.89 億名成人（20–79 歲）罹患糖尿病，且未來仍將持續上升；同時，糖尿病造成的全球健康支出已達至少 1 兆美元規模。這不是單一國家的問題，而是幾乎所有已開發或正在開發中的健康體系，都得面對的長期財務和公衛的壓力。但糖尿病更棘手的地方在於：它不只是一個「確診後」的疾病，而是一條很長的代謝風險光譜。當系統把資源集中在末端（確診、併發症、住院）時，成本必然快速上升；反過來，如果能把資源往前挪，對「尚未確診但高風險」的人做早期介入，整體疾病曲線才有機會被壓下來。而這篇文章筆者想談的，就是：穿戴式偵測技術（尤其是非侵入式、背景式監測）加上AI與多模態風險預測，是否能讓糖尿病管理從「治療導向」轉向「預防導向」？以及在這個轉型中，產業鏈的「新玩家」可能會是誰?
1. 糖尿病管理的重心，正從「確診後控制」轉向「確診前介入」過去糖尿病的典型管理框架很清楚：BGM（指尖偵測）→ 口服藥 → 胰島素 → CGM（連續血糖監測）與併發症管理。這套模式已經非常成熟，且臨床證據完整，但它的假設前提是：使用者已經得到糖尿病。然而從公共衛生的角度來看，真正的難題在於：實際上糖尿病人數的大頭，往往是「還沒得病但正在路上」的人。以美國為例，CDC 在 2024 年發布的統計指出，約 9,800 萬名美國成人（超過 1/3）有糖尿病前期（prediabetes），且超過 8 成不知道自己有前期糖尿病；同時，美國糖尿病（已診斷）相關的總成本（醫療費＋工作與薪資損失）高達 4,130 億美元。
這個結構意味著：若系統只把資源集中在「確診後」，就會永遠追著成本跑；而若能提升高風險族群的早期識別與介入，才可能在長期把曲線壓下來。

這幾年在智慧醫療產業裡，有一條趨勢其實很清楚：醫療設備正在變小，AI 正在變聰明，而「可近性」正在變重要。尤其在心臟疾病領域，這三件事碰在一起時，筆者會特別留意的點是：因為心臟疾病的特性是風險高、變化快、不能等。而台灣正面臨的現實狀況也非常明確：人口高齡化加速，慢性病增加，而城鄉醫療資源差距仍然存在。
為什麼偏鄉心臟照護特別需要新的工具？根據相關的公開資料，台灣心臟衰竭盛行率約 1–2%，心房顫動（AFib）約 1–2%，且隨著年齡上升明顯增加。二尖瓣膜閉鎖不全在高齡族群中更為常見。換句話說，在高齡化程度較高的偏鄉地區，這些疾病的潛在比例並不低。但在現實狀況中，我們碰到的問題包含：偏鄉未必有心臟專科醫師常駐、大型心臟超音波設備不一定普及、交通距離讓「轉診時間」成為風險。因此在這樣的情境下，心臟疾病往往不是診斷困難，而是發現得太晚。這也是為什麼筆者認為「手持心臟超音波」在偏鄉的角色，未來會越來越清楚：它一定沒辦法取代大型的心臟超音波設備，但卻可以成為風險分流與初步快篩的重要工具。
手持超音波正在改變什麼？

過去十年，我們談 AI，多半停留在「看得見的數位世界」──演算法、雲端、App、Chatbot。但近一年，一個關鍵詞開始頻繁出現在全球科技領袖的公開談話中：Physical AI。不論是 NVIDIA 執行長黃仁勳，或是特斯拉執行長馬斯克，都不約而同指出：AI 的下一個戰場，將從螢幕走向真實世界，從數位代理進化為能「感知、理解、行動」的實體系統。機器人，將不再只存在於工廠或實驗室，而是一步步走進家庭、社區與日常生活。而在所有應用場域中，「銀髮族居家安全與健康管理」，是筆者認為很可能是 Physical AI 最快落地、也最具社會價值的關鍵場景之一。
1. 從生成式 AI 到 Physical AI：為什麼「機器人進入家庭」不是科幻？黃仁勳近期多次提到，未來 AI 將具備三個核心能力：感知（Perception）、推理（Reasoning）、行動（Action）。這正是 Physical AI 的本質──不只是「想得懂」，而是「做得到」。馬斯克則更直白。他認為，人形機器人（如 Tesla Optimus）長期來看，將是比電動車更大的市場，因為「勞動力的數量，決定了一個社會的上限」。當勞動力結構快速老化，能夠補位的，將不只是外籍看護，而是結合 AI 的機器人系統。如果把這些觀點放回現實社會背景，其實並不難理解：高齡化速度加快照護人力長期不足居家照護需求遠高於機構照護

如果你最近有在關注 AI 圈的討論，大概很難沒聽過 Clawnbot，或是各種被歸類為「AI Agent」的開源工具。但有趣的是，這一波熱潮真正讓人感到不安（或興奮）的，已經不是模型多準、多會寫字，而是一件更本質的改變：AI 開始不只是回答問題，而是會自己去「把事情辦完」。而這個轉變，放在醫療場域，特別是行動醫材與醫院流程裡，其實特別有感。
為什麼 Clawnbot 會突然在全球爆紅？如果用一句話來形容 Clawnbot 這類工具，我會說它們代表的是：AI 從工具，開始變成「執行角色」。過去的 AI，多半停留在「你問、我答」，最多幫你產生一個建議或摘要；但現在的 AI Agent，已經可以理解目標，自己拆解任務、串接 API、呼叫系統，然後一步一步把事情完成。而且因為是開源，越來越多人開始嘗試把它接進企業內部流程，甚至是過去被認為「動不了」的產業系統。你會發現，這個方向其實跟醫療非常像。因為醫療從來就不是單一決策，而是一連串流程的組合。
當 AI Agent 走進行動醫材，真正被改變的是流程談行動醫材，很多人第一時間會想到感測器、AI 演算法或準確度，但我自己越來越覺得，真正決定價值的，其實是它們能不能改變流程。

近年來，台灣行動醫療器材產業在全球舞台上的能見度逐步提高，不少企業蓄勢待發，積極布局海外市場。然而，當我們把焦點從「台灣行動醫材的全球化」拉回現實檢視時，會發現一件殘酷的事實：整體產業的國際市場擴張，並不像想像中光鮮亮麗，它充滿了高度門檻、在地競爭壓力與制度性壁壘。
本文從近期台灣醫材企業的代表性例子──華碩手持超音波 LU800 取得 FDA 認證出發，剖析台灣行動醫材業者在面對美國、歐盟等主要市場時的現狀與挑戰，並在後半部提出策略性的出路與思考，供廠商、政策制定者與投資人參考。
華碩 LU800 取得 FDA 認證：值得慶祝，更值得深思
2026 年初，華碩旗下手持超音波產品 LU800 正式通過 美國 FDA 510(k) 認證，這不僅是台灣行動醫材廠商在全球市場上的一塊重要「入場券」，更象徵著台灣企業具備與世界一線醫材品牌同場競技的能力。
然而，在喜悅慶祝同時，我們也必須面對以下現實：
1. 醫療認證門檻不斷提高： 不論是 FDA（美國食品藥物管理局）還是 CE MDR（歐盟醫療器材法規）認證，不僅費用逐年攀升，對品質系統、臨床證據以及資安（尤其是 cybersecurity）等要求也越趨嚴格。這意味著業者不得不投入大量資源在測試、輔導以及證據蒐集上，對中小企業來說是一個沉重負擔。

人工智慧正在以前所未有的速度滲透醫療領域，從放射影像判讀、病理切片分析，到臨床決策支援，AI 的角色越來越不可或缺。然而，過去醫療專業人員若想參與 AI 模型的開發與應用，往往需要依賴軟體RD團隊，或是自行投入大量時間學習程式語言與演算法知識，這不僅提高了學習與導入成本，也限制了臨床研究中 AI 應用的廣度。