AI × 健康促進 技術 Q&A

技術正解

健保資料庫確實是台灣國家級的健康基礎建設，全民覆蓋 99% 以上，連續累積三十年，這在全世界都少見，但資料在那裡，不代表馬上能拿來做 AI，要分三層看：

• 資料存在 — 每次看診的紀錄已進健保署資料庫
• 資料可取用 — 要透過健保署「健康保險資料庫服務中心」申請，IRB 通過後在實體封閉環境分析，原始資料不能帶出
• 資料被有效運用 — 目前多半停在傳統統計，AI 應用仍少

健康促進場域要用大資料時，先問清楚卡在哪一層，多數案例不是沒有資料，而是卡在第二層（法遵程序）或第三層（人才與方法）

技術正解

閉環 = 飛輪效應（flywheel）：使用者越多 → 資料越多 → 模型越準 → 體驗越好 → 使用者更多，轉得越快，後進者越難追上

• 5G = 傳輸層，把資料快速從邊緣搬到雲端，也把結果送回來
• GPU = 運算層，真正把資料拿去算神經網路
• AI = 模型層，決定要算什麼、怎麼算、輸出什麼結果

台灣在人口規模上不能跟中美硬拚，所以策略要走「特殊資料 + 特殊場景」— 健保資料就是台灣手上的特殊資產

技術正解

算力的工程定義：單位時間內可完成的浮點運算次數（FLOPS），由三件事決定：

• GPU 數量 — 更多顆 GPU 平行算
• 單顆 GPU 性能 — 新一代（H100/B200）比舊一代（V100）快數倍
• 互連頻寬 — GPU 之間溝通速度，影響大規模平行的效率上限

堆 GPU 不是純線性，100 顆 GPU 大約只到 60-80 倍速度，主要瓶頸是 GPU 互連頻寬（NVLink、InfiniBand 速度有上限）+ 記憶體頻寬；Amdahl Law 也有貢獻（程式內無法平行的序列段限制了上限）

國家層級的算力 = 國力，所以 GPU 出口管制才會變成美中談判籌碼

技術正解

「晶片」是大類，依用途分幾種完全不同的子類：

• MCU（微控制器） — 豆漿機、洗衣機、車用電子，簡單流程控制，跟 AI 無關
• CPU（中央處理器） — 電腦、手機的通用大腦，什麼都能算但效率普通
• GPU（圖形處理器） — 原本給遊戲畫圖，因為畫圖本來就需要大量平行矩陣運算，剛好適合 AI 訓練
• NPU（神經處理器）— 邊緣推論用：體積小省電，塞進手機（Apple Neural Engine）、無人機、AIoT 裝置
• TPU（張量處理器）— 資料中心訓練/推論用：Google 自研，跑大型模型訓練（如 PaLM、Gemini），跟 GPU 競爭資料中心市場

台積電負責先進製程代工，GPU、CPU、NPU 都做；MCU 通常走成熟製程，多由聯電、世界先進等廠代工

技術正解

半導體產業鏈有幾個控制點，由上游到下游看：

• 光刻機 — 荷蘭 ASML 獨家，沒有 EUV 光刻機就做不出 3 奈米以下晶片
• EDA 軟體 — 設計晶片用的工具，三大廠 Synopsys、Cadence、Siemens EDA 全在美國
• 先進製程代工 — 台灣台積電為主，三星、Intel 為輔
• GPU 設計 — 美國 NVIDIA 設計、台積電代工

完整鏈路是：荷蘭（光刻）→ 美國（EDA + GPU 設計）→ 台灣（代工）→ 全世界（消費），中國在多個位置仍在追趕，自建（中芯製造、華為麒麟）已有重要進展，但先進製程仍有差距

台灣的籌碼是「不可替代的代工地位」— 美國離不開台灣，但這也帶來地緣風險

技術正解

「智慧裝置（smart device）」工程上定義 = 具備以下三項：

• Sensing — 能蒐集資料（感測器：血壓、心律、影像）
• Processing — 能本地處理（至少能格式化、編碼，進階能跑小型 AI 模型）
• Connectivity — 能聯網（WiFi / Bluetooth / Cellular / Zigbee）
• Security/Privacy by Design — 醫療裝置（IoMT）必備：加密通訊、邊緣本地處理敏感資料、身份認證、可審計性；FDA 已要求醫療 AI 裝置上市前提交資安計畫

「能傳到平台」= Connectivity，加上 Processing 才比較接近真正的智慧 — 例如新一代血壓計可以先在本地判讀異常，再決定要不要上傳，不是把每筆資料都丟雲端，這會省下很多流量與雲端費用

技術正解

業界術語常被混用，比較清楚的分層可以這樣看：

• 裝置（Device） — 第一線蒐集資料（手機、感測器）
• 閘道（Gateway） — 把多個裝置資料集中傳出（家用 WiFi 路由器、醫院的閘道伺服器）
• 伺服器（Server）+ 資料庫（Database） — 實際運算與儲存
• 應用程式（Application） — 使用者看到的介面（APP、網頁、儀表板）

「平台」通常指整個技術堆疊，加上開放給第三方接入的能力，例如 Apple HealthKit、健保署資料庫服務平台

「系統」更廣，凡是多個元件一起運作，都可以叫系統

健康促進場域的研究與應用通常落在應用程式層，向下使用既有平台與資料庫，研究者很少從底層建起

技術正解

對，邊緣運算通常出現在三種情境：

• 即時（Latency-sensitive） — 無人車、即時心律監測、工業機械控制，來不及等雲端
• 斷網（Offline-tolerant） — 山區、地下室、災區、戰場，連不上網時仍要運作
• 隱私（Privacy-sensitive） — 健康資料、家庭錄影，不希望什麼都上雲

健康促進的邊緣運算機會：

• 穿戴裝置即時警示 — 手錶當下偵測心律不齊並警告
• 居家健康監測 — 老人在家的活動偵測（跌倒、久坐）由裝置本地判讀
• 隱私保護 — 個資不離開家用 hub，只傳統計結果到醫院

技術正解

學術術語是 network effect（網路效應）+ switching cost（轉移成本）

健康促進場域的應用：

• 學會本身就是一個平台 — 會員、講師、教材、認證流程、Alumni 網絡都在裡面
• 一旦學員拿到認證、在 LinkedIn 掛出來、跟同班建立關係，他就被鎖定在這個生態
• 其他學會要搶走學員，難度極高，因為親友、人脈、品牌資產不在那邊

所以學會的「現場互動、跨域對話、實作練習」會比線上課值錢，這些東西錄影帶不走，別人也很難複製，必須親自來才拿得到

技術正解

完整缺陷清單：

這篇 eTRIP（Chew et al. 2024, Singapore NUHS）採用單組前後測 + 自建食物視覺辨識（具體 N 數與發表期刊細節待原作者確認），重點不是題目不重要，而是研究設計還不足以支撐強結論

• 單組前後測無對照組 — 無法區分「AI 介入效果」vs「自然恢復 / 季節變化 / Hawthorne 效應」
• 只用 NLP 缺攝像頭 — 靠口語描述「一塊肉、一份青菜」很難估熱量，應該用視覺模型（GPT-4V、Gemini Vision）直接判讀照片
• 結果只報行為指標 — 未量化生理指標（體重、血糖、體脂變化）
• 樣本來源偏向 — 通常是城市、中產、智慧型手機使用者，結論對偏鄉與弱勢族群推不過去

比較嚴謹的研究設計：

• 隨機分組（RCT），至少加 control 組
• 視覺辨識 + 自然語言雙模輸入
• 追蹤 12 週以上，量生理指標
• 建立台灣本地食物資料庫（便當、夜市、辦桌跟美國健康餐評估方式不同）

技術正解

本 paper 三章案例分別取自 2016、2018、2023 年，要理解這個區間的方法學差異，需要放回更長的 AI 演進脈絡：2012 AlexNet 開啟深度學習時代、2017 Transformer 架構奠定大模型基礎、2022/11 ChatGPT 引爆通用 LLM、2023+ 多模態（GPT-4V、Gemini Vision）出現；GPT-4 等級模型的訓練規模可參考 SemiAnalysis leaked architecture estimate，估計 13 兆 tokens（OpenAI 未官方公布，業界 leaked estimate）；本 paper 三章案例橫跨「自建模型時代」→「通用基礎模型時代」的轉折期

三章對照

1. 飲食行為案例（eTRIP, Chew et al. 2024, Singapore NUHS） — 研究時間點是 2023 年初，GPT-4V 尚未公開，Gemini Vision 則是 2023 年底才推出；當時採用聊天機器人 + 自建電腦視覺 + 自動化提醒很合理；放到 2025 年，視覺 LLM 已經能把開發成本壓低很多
2. 菸害防制案例（高榮戒菸成功率預測系統, 2018） — foundation model 出現前的典型做法是自行收集個案資料、自行標註、自行訓練類神經網路，門檻高，通常只有大型醫院做得起
3. 體能活動案例（新北動健康, 2016 / GPT-4 運動處方, Dergaa et al. 2024, Biology of Sport） — 一個是 IoT + 規則式 ML 的整合，一個是通用 LLM 生成運動計畫，前後差異很清楚

四個案例的里程碑意義

2016 新北動健康（時任新北市衛生局局長林奇宏推動，從陽明大學借調，後於 2021 任陽明交大首任校長）厲害的地方，在於它把穿戴裝置、雲端平台、健康資料上傳、醫護或公衛人員介入，做成城市級服務；這不是單一 APP，而是 AIoT 健康促進的早期版本，台灣那時已經開始把「量測」推向「連續追蹤」；三年成效（遠見雜誌 2017 報導）：87% 衰弱長者改善至前期或正常、46% 衰弱前期回正常、握力異常正常化 40%（平均 +2.07 kg）、步速異常正常化 42%（平均 +0.04 m/s）；後來它被超越，是因為推薦邏輯偏規則式，個人化仍弱，系統知道你走了幾步，卻不一定知道你為什麼做不到、下一步該怎麼說服你

2018 高榮戒菸成功率預測系統 的價值，是用類神經網路與大數據證明預測模型可以進入臨床流程；它不是只做研究，而是回答臨床端真正想問的問題：哪些個案需要更密集追蹤、哪些人戒菸失敗風險較高；限制也很清楚，模型高度依賴單一醫院資料與單一場景，換醫院、換族群、換衛教流程，往往要重新標註、重新訓練、重新驗證

eTRIP（Chew et al. 2024, Singapore NUHS — Eating Trigger-Response Inhibition Program） 的突破，是把飲食介入從表單填寫改成 chatbot 對話，再搭配自建食物視覺識別，讓使用者用比較接近日常語言的方式回報飲食；它證明對話式介入比傳統表單更接近真實生活，也更有機會提升 adherence；它被超越的速度也最快，因為自建食物辨識模型在當時合理，但半年後 GPT-4V、Gemini Vision 這類通用視覺模型出現，直接把食物辨識、熱量估計、文字建議三件事合成一個能力包

2024 GPT-4 運動處方（Dergaa et al., Biology of Sport 41(2)） 則顯示通用 LLM 已經能 zero-shot 生成可讀、可用的運動建議，不必每個團隊都從零訓練模型；這裡的分水嶺很明顯：門檻從「資料科學團隊 + 標註資料 + 模型訓練」，降到「好的臨床 prompt + 可靠資料檢索 + 專家審核」；但 zero-shot 的精準度仍不足，真正能落地的運動處方仍需要 fine-tune、retrieval、個人病史、禁忌症規則與持續回饋校正

LLM AI 對大健康能做的新題

延伸提醒：大健康 AI 最成熟的領域其實是「醫療影像 AI」（CT / MRI / 病理切片 / 眼底鏡 / X 光），台灣已有多個 SaMD 取得食藥署認證；Paper 三章聚焦健康促進場域（飲食 / 菸害 / 體能），未涵蓋影像 AI，但影像 AI 是「AI 醫療最早落地、最有商業驗證」的典範，未來健康促進的衛教媒材生成、體適能影像分析、姿態辨識等也會借鑑這條成熟路徑

LLM 對大健康的價值，不是多一個 chatbot，而是把過去「每個場景重做一套模型」，改成「同一個基礎模型接上資料、流程與專業守則」，可以做的新題大概有這些：

• 飲食視覺辨識：民眾拍便當照片，GPT-4V 或 Gemini 估算菜色、份量、熱量，再給下一餐建議；過去要自建食物資料庫與影像模型，維護成本高；風險：份量估計仍有 ±30% 誤差，糖尿病人不能依賴
• 個人化戒菸、戒酒、慢性病行為改變對話：LLM 接上 RAG，讀個案歷史、回診紀錄與全球文獻，當場生成動機強化對話；過去要先蒐集大量 chatbot 對話樣本，場景一換就失效；風險：AI 可能誤判動機階段，建議人類督導
• 多語言衛教：同一份衛教內容生成 20 種語言，再依移工、原住民、長者調整用詞與文化脈絡；過去仰賴人工翻譯，很難快速更新；風險：翻譯需在地專家審稿，避免文化誤譯
• 病人問答 triage：LLM 讀症狀描述，初步分流到立刻就醫、排門診、自我照護，並附上警示症狀；過去需要大量規則庫，遇到自然語言描述容易漏接；風險：AI 過度自信會誤分流，需 safety net
• EMR 摘要與病史檢索：醫師看新病人前，LLM 在數秒內整理 200 頁病歷重點、用藥、檢驗趨勢與未追蹤問題；過去只能逐頁讀，或靠人工摘要；風險：摘要可能漏關鍵點，醫師仍需自閱關鍵段
• 長照個案管理：LLM 整合照服員 daily note、家屬通訊與量測資料，自動標記食量驟降、體重下降、情緒低落等風險組合；過去高度依賴個案管理師手動讀紀錄；風險：false positive 過多會 alert fatigue
• 健康促進 nudge 文案 A/B 生成：針對戒菸、運動、飲食、睡眠，生成多版推播訊息，再依年齡、動機、過去反應 personalize；過去需要文案團隊逐則撰寫；風險：personalize 過度 = manipulation 邊界
• 公共衛生監測：LLM 讀社群媒體、新聞與論壇，偵測新興健康風險，例如新型菸品、新型成癮、錯誤健康資訊；過去多是研究團隊月度或季度報告；風險：社群偏向特定族群，盲點仍在偏鄉
• 罕病與多重慢性病諮詢輔助：LLM 整合最新 paper、guideline、藥物交互作用，提供醫師參考；過去資訊更新慢，跨科知識也不容易接起來；風險：LLM 整合最新 paper 但 hallucination 風險高，必須交叉驗證
• 健康識讀測試與客製化教材：LLM 先判斷病人理解程度，再把衛教改寫成不同難度、不同例子的版本；過去常是一份衛教給所有人；風險：難度自動調整可能誤判使用者程度

怎麼更上一層樓

台灣的大健康 AI 要從單點案例變成可重複使用的能力，下一步不是只採購更大的模型，而是把資料、模型、裝置、治理一起接上：

1. 健保資料庫開放 LLM-ready API：從研究用資料庫，升級成可控、可審計、可授權的應用開發介面，讓合法場景能在不外洩個資的前提下使用真實世界資料
2. 本土醫療 LLM fine-tune — TAIDE 主體已存在（國科會主導），可在其上做醫療 adapter 或 fine-tune；TAIDE 已有醫療衛教應用方向，但尚無獨立 Med 專用釋出產品；可解 GPT-4 對台灣藥品名 / 健保碼 / 在地衛教語境不熟
3. Edge AI 整合穿戴裝置：讓手錶、血壓計、血糖機在本機先做風險偵測與即時提醒，降低隱私風險，也避免所有判斷都等雲端回應
4. 跨機構聯邦學習：各醫院不交出原始資料，但共同訓練或校正模型，解決資料孤島，也降低單一醫院模型外推失準
5. 倫理治理 sandbox：政府提供 testbed，讓醫院、學會、AI 廠商先在有限風險場域試驗，再依證據擴大，不要一開始就全院上線
6. 公私協力標準：衛福部、醫院、學會與 AI 廠商共同定義 quality standard，包含安全性、可解釋性、資料治理、臨床責任分工與退場機制

失敗案例的警示

技術進步不會自動落地，健康場域已經有幾個反例：

• IBM Watson Health 出售（2022/1）：賣給 Francisco Partners 約 10 億美金，2022/6 重組為新公司 Merative；原因是過度承諾腫瘤照護、臨床客製化困難、醫師信任不足、資料整合成本高
• Babylon Health Chapter 7 破產（2023/8/9，Delaware）：曾估值近 20 億美元（VC 階段）/ 2021 SPAC 上市 pro forma 約 42 億，AI symptom checker 過度自信與誤判爭議累積，商業模式撐不住
• Epic Sepsis Model 外部驗證失準（Wong et al. 2021, JAMA Intern Med）：醫院廣用的敗血症預測模型，Michigan Medicine 38,455 hospitalizations 外部驗證中 sensitivity 僅 33%（即漏判率約 67%）、calibration 不佳、alert fatigue，遠低於 vendor 宣稱；提醒我們 vendor claim 不能取代在地驗證

這些案例共同提醒一件事：技術不等於落地；健康 AI 需要 workflow fit、clinical buy-in、在地資料驗證、持續 retrain、錯誤通報與明確責任歸屬；沒有這些配套，再漂亮的 demo 也會在真實流程中失速

台灣大健康 AI 落實程度（過去 / 現在 / 未來）

過去（2018-2022）— 先把資料地基打起來

• 健保資料庫服務中心（健保署資訊整合應用服務中心）：研究者可申請使用健保資料，但需 IRB 證明，並在指定作業區或受控環境分析，原始資料不能帶出，只能依審查攜出統計結果
• 2022/8/12 大法官 111 憲判 13 號：對健保資料庫提供研究使用部分違憲，給予 3 年修法期（至 2025/8），要求補齊「當事人退出權」與隱私保護機制；目前修法仍進行中，這是未來健保資料 AI 應用的關鍵轉折點
• 健康存摺 APP（My Health Bank）：健保署自 2014 年建置，民眾可透過健康存摺查詢或下載個人就醫紀錄、檢驗檢查、用藥與影像或病理報告，APP 端自 2016 年前後成為主要使用入口；SDK 於 2019/5 開放第三方介接
• 健保 IC 卡 + 雲端藥歷：健保卡與雲端藥歷讓醫師、藥師能查詢近月用藥，健保雲端系統也加入重複用藥、藥物交互作用與過敏藥物提示
• 健保署醫療影像資料庫 / 雲端影像分享：2018 年起推動 CT、MRI、X 光、超音波等影像與報告上傳雲端，後續也成為 AI 影像研究與共享的資料基礎

意義：資料基礎已經打好，但多停在「研究用」或「臨床查詢用」，尚未穩定進入可規模化的「應用開發」階段

現在（2023-2025）— 政策框架成形

• 《人工智慧基本法》：2025/12/23 立法院三讀通過，7 原則包含永續發展與福祉、人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視、問責
• 健康台灣深耕計畫 489 億：2025-2029 年推動，衛福部主導，四大範疇包含優化醫療工作條件、人才培訓、智慧科技醫療、社會責任醫療永續
• 衛福部智慧醫療發展推動小組 [待核實名稱]：方向上是跨單位協調 AI 醫療政策、智慧醫療治理、臨床驗證與健保給付銜接，但精確組織名稱仍需以衛福部最新公告確認
• 食藥署 SaMD（軟體即醫材）審查路徑：醫療器材定義已包含軟體，並依風險分為第一、第二、第三等級，AI 醫療軟體若符合醫材屬性，就需走 TFDA 醫材管理與查驗登記路徑
• MyData / 健康存摺 SDK（2019/5 開放）：民眾可自主下載個人資料，也可在授權同意後，讓第三方 APP 透過健康存摺 SDK 取得特定期間的就醫、用藥、檢驗結果等資料

意義：政策面已對齊 WHO 2021 / 2024 AI 健康倫理指引的精神，但執行面仍依賴各醫院、各平台與各主管機關的自主進度

未來（2025+）— 接下來要補的幾件事

• 次世代健保資料庫：從研究用與查詢用資料，走到 API 化、可授權、可審計、可撤回的應用開發基礎
• 本土醫療 LLM：TAIDE 主體已存在（國科會主導），可在其上做醫療 adapter 或 fine-tune；TAIDE 已有醫療衛教應用方向，但尚無獨立 Med 專用釋出產品；可解 GPT-4 對台灣藥品名 / 健保碼 / 在地衛教語境不熟
• FHIR 推動：SMART on FHIR、次世代數位醫療平台與 NGS 資料收載已啟動，但跨醫院資料互通標準的落實程度仍不一致
• AI 醫材 fast-track 審查：針對已具臨床證據、風險可控、可持續監測的 SaMD，縮短取證與上市時間 [待核實制度名稱]
• 跨機構聯邦學習 testbed：各醫院不交出原始資料，但可共同訓練、外部驗證與校正模型，降低單院資料偏差
• 倫理治理 sandbox：政府提供限制風險場域試驗，先累積安全性、有效性、偏差與工作流程證據，再擴大應用

意義：真正差距不是會不會寫政策，而是能不能從「政策制定」走到「執行落地」

跟 AI 的關聯：健保資料庫是地基，AI 基本法是治理框架，LLM 工具是執行能力；三者都在，但還沒真正接起來；台灣優勢是全民健保覆蓋率 99% 以上、資料連續 30 年以上，又能接上中文與英文醫療文獻；卡點是法規與應用中間缺一層接口，例如健保資料庫 API、SaMD fast-track、跨機構互通標準執行；paper 三章案例（飲食 / 菸害 / 體能）如果能接上「健保資料 + AI 基本法治理 + 本土 LLM」，就有機會從個別醫院的單一研究，升級成全國規模的健康促進服務

長照 AI 焦點（對應許老師專業領域）

衛福部長照相關計畫：除了健康台灣 489 億，長照本身已有幾條可接 AI 的制度線：長照 2.0（2017 起）包含 CMS（個案管理系統）、居家服務、日照中心、失智社區據點；長照 3.0（規劃中，2026+）方向上會擴大 AI / 智慧科技導入；失能評估 ADL / IADL 工具已在 CMS 內標準化；居家醫療整合照護則負責跨機構協調

醫院藥局公開資料整合 LLM 的機會：健保署與政府 OpenData 可接 全國醫療院所、全國藥局清單 等資料；民眾語音問「我家附近有沒有提供失能評估的院所」，LLM 可接院所 OpenData 自動推薦；問「最近的居家藥事服務藥局」，LLM 可接藥局清單與失能患者用藥需求做匹配

Young SDM 落地經驗：已 ship 過眼科白內障 SDM（醫病共享決策）系統，落地踩過的坑包含老年低數位素養介面設計、醫師信任建立、衛教影片 + 互動式工具 + 知情同意三層整合、醫師端 dashboard 工作流嵌入；對長照的啟示是，SDM 框架可遷移到「家屬 + 失能者 + 個案管理師」三方共享決策，例如是否入住、是否插管、是否啟動安寧

長照 + LLM 具體新題

1. 長照員 daily note 結構化 — LLM 讀手寫 / 語音 note，自動標 ADL / IADL 變化與風險訊號（跌倒、譫妄、退縮）；風險：alert fatigue + 標記偏差需校正
2. 家屬通訊整合 — 整合 LINE 群組、個管師通話、訪視紀錄，自動產家屬週報；風險：個資邊界 + 家屬意見對立時的中立性
3. 失能評估動態追蹤 — LLM 接 CMS + 穿戴數據，預測未來 6 個月 ADL 退化軌跡；風險：模型對偏鄉長者外推失準
4. 居家服務排程優化 — 多失能者 + 多照服員 + 地理路徑，LLM 協助排程；風險：彈性 vs 制度規範衝突
5. 失智 / 認知障礙互動陪伴 — LLM chatbot 做日常對話陪伴 + 認知刺激；風險：取代真人陪伴的倫理爭議
6. 安寧 / 重大醫療決策 SDM — 借鏡眼科白內障 SDM 經驗，擴到「插管 / 鼻胃管 / 入住安寧」家屬共享決策；風險：文化禁忌 + 家屬內部歧異

許老師深耕長照領域多年，paper 三章（飲食 / 菸害 / 體能）若往長照場域延伸，「飲食 → 失能長者營養」「體能 → 衰弱前期介入」「菸害 → 高齡戒菸與肺功能維護」都是直接可接的題；加上 LLM + CMS + 醫院藥局 OpenData 整合，能把 paper 提的「6 倫理原則」真正在長照場域驗證落地

所以 Q11 可以扣回 WHO 2021 AI 健康倫理 6 原則：自主、福祉（含安全與公益三合一）、透明、責任、公平、永續；技術會往前跑，但 governance layer 才決定能不能落地；沒有這層治理，再強的 LLM 也可能變成下一個 Babylon

技術正解

A1. 健康照護提供者（醫師、護理、衛教師）

• 知道 AI 工具的能力邊界：什麼能做、什麼不能做、誤判率多少
• 能向病人解釋 AI 建議的依據，不當黑箱中介
• 保有質疑 AI 的能力，不被過度自信的輸出誤導
• 懂得辨識資料偏向（如演算法對長者、偏鄉、特殊族群的盲點）
• 知道資料治理與隱私的責任，建立機構使用守則

A2. AI 設計者 / 工程師

• 懂醫療場域的特殊性：病人不是消費者，錯誤的代價可能是生命
• 訓練資料偏向的覺察：缺偏鄉、缺長者、缺特殊族群 → 上線就放大不平等
• 知情同意、資料治理、可審計性，不能只當法遵項目，這是基本工程倫理
• 可解釋性（Explainability）設計 — 黑箱 AI 在醫療場域不合格
• 與臨床端共同設計（co-design），不要工程師自己關起來做

A3. 一般公眾

• 知道 AI 不是萬能也不是巫術 — 它有用但有限
• 懂得追問資料來源：「這個 AI 怎麼算出來的？根據什麼資料？」
• 知道隱私的價值：你的健康資料是有價的，不要隨便給
• 保有「不依賴 AI」的基本能力，像不能因為有 Google Maps 就完全不會看地圖
• 能辨識過度行銷：宣稱「AI 看一眼就能診斷」「個人化營養 AI 包治百病」要懷疑

A4. 監管者 / 保險方 / 學會

• 監管者（衛福部 / 食藥署）：制定 SaMD 分級、上市後監控、誤判責任歸屬
• 保險方（健保署 / 商業保險）：AI 給付制度、用 AI 工具是否影響保費
• 學會（THPEA、醫學會）：制定使用守則、教育會員、回報臨床 issue
• 責任不該全壓在前線三方，整個生態都要對齊