Lv3 - AI x HP 落地篇

#學習目標

• 能把 Lv2 prototype 升級成可被醫院主管或政府評審理解的落地提案
• 能完成 SaMD 初步風險分級、IRB / 健保資料庫申請路徑、資料治理與退場機制
• 能用 workflow fit、clinical buy-in、在地驗證、持續監測四個面向評估落地可行性
• 能設計倫理治理 sandbox，包含使用者範圍、資料範圍、模型監測、錯誤通報與停止條件
• 能完成 1 次 mentor 1-on-1，把真實場域題目轉成 RFP-quality 提案

#學員 prerequisites

• 完成 Lv2 prototype，或帶來一個已在場域討論過的真實題目
• 具備院端、政府計畫、學會委員會、健康新創或 IT 導入經驗其一
• 願意揭露流程問題，但所有客戶、醫院、個案資料需匿名
• 可接受同儕與 mentor 直接挑戰提案假設

#各時段主題分配

#對應 paper 章節 + 倫理 6 原則

#對應七大主題覆蓋

#第 1 hour 對談：跨域專家對談

主題：SDM 在醫師信任建立的真實阻力

prompt questions

1. 醫師為什麼會抗拒一個看似能減少衛教時間的 SDM 工具
2. 老年低數位素養使用者，最容易在哪個步驟卡住
3. 衛教影片、互動工具、知情同意三層整合，哪一層最容易被誤解
4. 醫師端 dashboard 要嵌入 workflow，不能只做漂亮介面，原因是什麼
5. 醫院主管要看到哪些證據才會相信這不是 demo
6. 長照場域如果做家屬 + 失能者 + 個案管理師 SDM，責任怎麼分

角色分工

• 健促專家：追問場域阻力，包含醫師、個管師、長者、家屬、行政端的不同顧慮
• AI 專家：匿名拆解眼科白內障 SDM 落地經驗，說清楚工作流、資料、信任與 dashboard 怎麼接
• 主持人：把阻力轉成 RFP 條款，例如教育訓練、使用紀錄、人工覆核、退出機制

sample dialogue

健促專家：SDM 聽起來是好事，但醫師為什麼不一定想用 AI 專家：因為工具如果讓門診更慢，或讓病人問更多無法收斂的問題，醫師會覺得你把風險丟給他 健促專家：那白內障 SDM 最重要的不是影片嗎 AI 專家：影片只是入口，真正關鍵是三層整合，病人看懂、互動工具幫他整理偏好、醫師端 dashboard 能在門診 30 秒看懂 主持人：所以提案不能只寫「建置 AI 衛教系統」，要寫清楚它怎麼減少誰的負擔，誰最後簽核，出了錯誰處理

#第 2 hour 技能：講者主題大綱

投影片骨架

1. 從 prototype 到 pilot：差別在責任、證據、維運
2. SDM 落地拆解：使用者旅程、醫師信任、dashboard、知情同意
3. SaMD 風險分級：第一級、第二級、第三級的初步判斷
4. 健保資料庫申請：IRB、實體封閉環境、統計結果攜出、退出權
5. 架構圖：資料來源、模型、RAG、人工審核、日誌、監測
6. 治理 sandbox：pilot scope、指標、錯誤通報、停止條件
7. RFP-quality 提案：問題、解法、證據、預算、時程、風險、退場

重要 demo 點

• 把 Lv2 戒菸 SDM prototype 改寫成醫院試辦案 RFP outline
• 示範一張「資料不能外流」架構圖：原始資料、去識別資料、統計結果三層
• 示範風險登錄表：風險、觸發條件、監測指標、負責角色、退場條件
• 示範主管版 3 分鐘 pitch：不講工具，先講流程與風險控制

#第 3 hour 學員對話：round-robin 與 1-on-1

學員提問範例

• 我的題目會不會被判成 SaMD
• 如果用健保資料庫，要不要先有 IRB
• 院內主管最在意的是準確率、節省時間，還是責任歸屬
• 長照 daily note 可以用 LLM 自動標風險嗎
• 如果模型上線後表現變差，提案裡要怎麼寫退場

講者回應策略

• 每題先判斷「研究、服務、醫材、行政輔助」四類
• 不給法律定論，要求學員寫出需諮詢主管機關或法遵的位置
• 把抽象問題改成提案條款與驗收標準
• 對高風險題目，先縮 pilot scope，不鼓勵直接全院上線

學員上臺練習 setup

• 每人 5 分鐘 pitch：問題、使用者、資料、AI 任務、治理、KPI
• mentor 1-on-1 每人 20 分鐘，針對提案最大假設下刀
• final pitch 每人 7 分鐘 + 5 分鐘評審問答

#Day 1

#Day 2

#突發狀況處理

• 學員 Q 偏離主題：問「這會寫進提案哪一頁」，不能落頁就放 parking lot
• 技術 demo fail：改用架構圖與風險表，不讓工具故障拖垮治理討論
• 時間爆掉：保 final pitch 與 mentor，壓縮聯邦學習與 Edge AI 深度
• 題目涉及敏感客戶或院名：立刻改用產業描述，不記錄真名
• 學員要求法規結論：講師只給判斷框架，標示需向法遵、IRB、主管機關確認

#場地 / 設備需求

• 15 人 U 型桌或 3 組小桌
• 投影、白板、計時器、錄音需取得同意
• mentor 1-on-1 小桌或安靜角落 2 處
• RFP 範本、風險登錄表、架構圖模板、評審表
• 可離線使用的範例資料與 demo 截圖

#學員手冊章節 outline

1. Prototype 到 pilot 的 10 個差異
2. SDM 落地匿名案例拆解
3. SaMD 初步風險分級檢查表
4. 健保資料庫與 IRB 路徑
5. 治理 sandbox 設計
6. 技術架構圖模板
7. RFP-quality 提案模板
8. 退場機制與錯誤通報 SOP
9. mentor 1-on-1 準備表

#課前閱讀

• HTML Q1：健保資料庫三層與受控環境
• HTML Q7-Q8：平台分層與邊緣運算
• HTML Q10：飲食研究設計不足，作為證據品質提醒
• HTML Q11：SDM、SaMD、健保資料庫、健康存摺、FHIR、sandbox、失敗案例
• HTML Q12：監管者、保險方、學會角色
• paper：三章案例、倫理探討、政令現況段

#課中 worksheet

提案題目：
目標機構 / 主管 / 評審：
現場痛點：
使用者角色：
AI 任務：
不做事項：
資料來源：
是否涉及 SaMD：
是否需要 IRB：
是否使用健保資料庫：
workflow fit：
clinical buy-in：
KPI：
治理 sandbox 範圍：
錯誤通報：
退場條件：
預算與時程：
mentor 挑戰後修改：

#課後 takeaway

• 一頁總結：落地不是把 prototype 放大，而是把責任、證據、流程、退場全部補上
• 進階閱讀：食藥署 SaMD、健保資料庫服務中心、111 憲判 13 號相關資料、WHO 2024 LMM guidance、FHIR / SMART on FHIR 入門、Epic Sepsis 外部驗證論文

#任務

每位學員帶自己的真實場域題目，做出一份 RFP-quality 提案，至少包含 executive summary、service blueprint、architecture、governance、budget、timeline、risk register

#step-by-step

1. 寫 executive summary：100 字內說清楚痛點、對象、AI 任務、預期效益
2. 畫 service blueprint：民眾 / 個案、專業人員、系統、主管、資料流
3. 判斷分類：研究、行政輔助、健康促進服務、可能 SaMD
4. 補資料治理：資料來源、授權、去識別、保存、刪除、退出權
5. 畫技術架構：OpenData / 院內資料 / RAG / LLM / dashboard / log / 人工審核
6. 寫倫理 sandbox：pilot 對象、期間、限制、監測指標、錯誤通報、停止條件
7. 寫 KPI：安全、有效性、流程效率、使用者接受度、成本
8. 寫預算與時程：人力、工具、資料、訓練、維運
9. 進 mentor 1-on-1，讓 mentor 找最大假設
10. 修改後 final pitch

#工具清單

• ChatGPT / Claude / Gemini
• Google Docs / Slides / Sheets
• 架構圖工具：Miro、FigJam、draw.io 任一
• OpenData：全國醫療院所、全國藥局、政府公開資料
• 法規與治理參考：食藥署 SaMD、健保資料庫服務中心、MyData、健康存摺 SDK、WHO guidance

#分組 protocol

• 個人題目為主
• 每 3 人形成 peer board，互相挑戰假設
• mentor 1-on-1 針對個人題目
• final pitch 可分 2 軌並行，避免 15 人排隊耗掉整個下午

#評量標準

• 提案能讓非技術主管看懂
• 明確說出不做事項與責任邊界
• SaMD / IRB / 健保資料庫路徑有初步判斷
• 有完整治理 sandbox 與退場條件
• 架構圖能標示資料流與人工審核點
• KPI 不只寫準確率，還包含 workflow 與安全

#講師回饋模板

學員：
題目：
主管會買單的地方：
評審會追問的地方：
最大法規 / 治理風險：
最大 workflow 風險：
架構圖缺口：
KPI 缺口：
RFP-ready：是 / 否 / 修改後可
下一步建議會議對象：