AI 已開始參與病歷生成、風險預測與照護管理。但病人獲得哪些改善？醫護工作是否減輕？一項成功應用，又能否在其他醫院持續運作？
2025 年 12 月 6 日，第二屆亞太醫療品質年會舉行「透過科技、智慧創新與數據，推進醫療品質」領袖對談，由國立臺灣大學醫學院附設醫院院長余忠仁主持。國際品質專家與台灣醫院代表，從品質衡量、臨床應用到國際合作，討論科技如何改善照護，以及實際執行仍面臨的難題。
余忠仁在開場指出，醫院需要整合資料，並將資料連結到照護成果。希望改善什麼結果，應成為選擇指標與技術的起點。
國際健康照護成果衡量聯盟（ICHOM）總裁暨執行長 Jennifer L. Bright 指出，數位工具與 AI 讓即時蒐集、分析及回饋資料更有可能實現，但首先要確認，哪些資訊真正反映病人的經驗與需要。
她以疼痛辨識為例：即使技術能從影像判讀疼痛程度，醫療團隊仍須先將疼痛視為重要成果，才會納入量測。問卷、感測器與數位平台會持續演進，病人正在經歷什麼、哪些變化值得關注，仍是選擇資料的依據。
台灣醫院的案例，則讓討論進一步回到臨床現場。
中國醫藥大學附設醫院 AI 暨機器人創新中心主任張詩聖分享，急性心肌梗塞心電圖辨識應用，縮短約 16 分鐘的到院至氣球擴張時間；腦部電腦斷層分析則協助辨識大血管阻塞，供臨床團隊更早評估後續治療。
臺北市立關渡醫院院長陳亮恭介紹，過去要確認照護人員是否按時協助病人翻身，主要依賴照護紀錄。導入壓力感測後，團隊可以觀察實際翻身、離床動作與活動狀況，並據以調整照護。
他分享，系統使用後，床邊跌倒已很少發生，並觀察到未再新增壓傷；但病人仍可能在其他地方跌倒。感測資料使團隊能將照護執行情形與病人結果一併追蹤，也更清楚區分改善發生在哪個環節。
品質資料蒐集之後，如何使用同樣重要。史丹佛大學政策、成果與預防研究中心主任王智弘指出，數位技術有機會降低品質量測的抽樣與資料蒐集成本，但找出差距後，仍需跨專業協調與行為改變，才能改善照護。
他也提出，品質報告應兼顧醫院的接受度，以及能否幫助病人選擇醫療服務。若結果進一步連結支付，資料代表性、抽樣偏差與分析方式就更重要；跨國比較也須考慮當地條件。
Bright 則強調，資訊應透明回饋病人與家屬。當病人參與工具設計，也能理解資料如何用於自身照護，才更有機會建立信任、參與決策。
臺北榮民總醫院副院長李偉強介紹，院方透過跨院及科技產業合作，取得 AI 開發所需的資料與工程資源。單一醫院的資料有其限制，因此跨院合作與聯邦學習，是院方重視的發展方向。
在日常作業上，北榮運用護理紀錄自動摘要與照護資訊整合，回應醫護需求，也透過機器人與數位工具，減少部分工作的人力負擔，以及人員接觸化療藥物的暴露風險。
中國附醫則採取院內開發模式。張詩聖介紹，院內約有 50 名 AI 工程師，並讓工程師或產品管理人員進入科部，直接了解使用者想解決的問題，確認工具應在哪個工作環節提供協助。
自動生成病歷後，醫療人員還需要確認內容，覆核所花的時間應納入計算。
王智弘 · 史丹佛大學政策、成果與預防研究中心主任
工具投入使用後，省時效果仍須從完整流程評估。張詩聖也指出，生成速度很快，並不代表醫師整天的工作時間會等幅減少。
歐洲私立醫院聯盟主席 Oscar Gaspar 提出類似觀察：歐洲已有優秀的數位醫療案例，但部分醫院仍感受到成本增加，尚未看見足夠的整體效益。他認為，原因之一是工具尚未形成系統性的應用，也未充分改變日常工作方式。
從使用者需求開發，到實際使用後的覆核與操作，都是醫院評估工作負擔是否減輕時，需要檢視的範圍。
張詩聖分享，團隊曾協助開發臨床試驗病人篩選工具，希望減少醫師與護理人員逐一查閱病歷的負擔。然而，AI 需要存取多個臨床系統，資訊部門擔心頻繁存取造成負荷，以及相關資安問題，因而形成導入障礙。
這類問題會直接影響工具能否使用。資料取得、系統整合與資安要求，都需要在開發與導入過程中共同處理。
經費則影響後續運作。張詩聖指出，醫療品質改善所需的工程人力與運算資源，若缺乏相應的支付機制，就仍須仰賴研究經費。當工具成為日常照護的一部分，持續性支出如何支應，也需要政策與財務安排。
跨國推廣還有不同的使用情境。王智弘提醒，即使技術優秀，仍須理解當地人的生活方式與醫療流程，並確認誰願意付費、有哪些給付途徑，才能評估如何進入照護服務。
對於台灣與國際的合作，Bright 提出，可透過 SNQ 與 ICHOM 合作，分享以病人成果為核心的臨床改變、技術應用與支付模式，供其他地區參考。
Gaspar 則建議醫師與護理人員雙向互訪，進入彼此的工作現場，了解實際照護方式。他也認為，SNQ 的品質認證經驗具有合作潛力，可進一步探索共同專案。這些交流將有機會讓各地醫療人員直接討論：哪些工作已經改善、遇到什麼障礙，以及不同制度下如何持續運作。
