如何用HIMSS框架衡量數位轉型？長庚揭大型醫療體系的成熟度治理戰略

這份白皮書，集結了長庚過去10年來的數位轉型歷程，一路從第四代醫療資訊系統（HIS 4.0）的布局、全面導入結構化病歷，再到數據中臺的建置和AI治理，一步步築起大型醫療體系的數位治理架構與藍圖。

長庚如何用HIMSS框架盤點數位能力？

長庚醫療財團法人行政中心總執行長潘延健點出，HIMSS成熟度框架，是長庚醫療集團用來衡量IT對醫療現況輔助成效的重要工具。

「很多人以為HIMSS只是資訊面驗證，但它真正看的是，資訊化後，醫療品質、病人照護、營運效率甚至是醫院永續，是否變得更好，」潘延健說。這樣的衡量機制，讓長庚能清楚掌握，自家IT對醫療品質、病人參與以及醫院營運的實際影響程度。

於是，2016年，長庚醫院開始接觸HIMSS框架。他們先導入HIMSS EMRAM（Electronic Medical Record Adoption Model），也就是一套專門評估醫療院所電子病歷應用成熟度的模型。

這套模型衡量了醫院在臨床資訊系統、資料整合和數位化流程上的發展程度，共分0到7級，等級越高，醫院在電子病歷整合、臨床決策支援和資料互通的能力就越成熟。EMRAM也是全球醫療機構，廣泛採用的衡量指標。

該年，長庚取得EMRAM第6級認證，2年後拿下第7級最高等級認證，成為全臺首家通過認證的醫院。但對他們來說，EMRAM只是起點，長庚還導入其他HIMSS成熟度框架與數位健康評估機制，從不同面向盤點大型醫療體系的數位能力，包括：

• DHI（Digital Health Indicator，數位健康指標）：評估醫院整體數位健康能力，涵蓋治理、互通性、病人參與與分析能力；
• AMAM（Adoption Model for Analytics Maturity，分析成熟度模型）：聚焦AI與資料分析能力成熟度；
• DIAM（Digital Imaging Adoption Model，數位影像採用成熟度模型）：評估醫療影像數位化與整合能力；
• INFRAM（Infrastructure Adoption Model，基礎設施採用成熟度模型）：衡量IT基礎設施與資安成熟度。

可以說，長庚不只看電子病歷如何幫助醫療流程，還進一步衡量院內AI能力是否成熟、醫療影像是否高度整合、IT底層架構能否支撐智慧醫療發展，以及病人互動和資料治理是否真正落地。

舉例來說，DHI就是一項重要指標，因為它強調整體數位治理能力，而不只是單一系統的導入成效。長庚在2022年取得DHI全球第2名、臺灣第1名，2024年更獲得滿分成績，名列全球第一。至於其他成熟度框架，長庚也陸續拿下第7級認證，也就是HIMSS成熟度模型的最高等級，反映他們的IT基礎架構、醫療AI與影像整合能力，已相當成熟了。

成熟度達標關鍵是HIS 4.0，主打全面結構化病歷

長庚醫療集團之所以能拿下4大HIMSS成熟度框架最高第7級認證與世界第一的DHI滿分，一大關鍵是多年前啟動的第三代HIS改造計畫，內部稱為HIS 4.0。

這套HIS 4.0在2019年正式上線，最大的亮點是全面結構化病歷。潘延健解釋，傳統自由文本（Free text）式的病歷，雖然方便醫師記錄，對IT系統來說，這些文件形式的資訊，很難直接進行即時分析、跨系統整合或進一步應用。

相較之下，結構化病歷可將診斷、症狀、檢驗結果、用藥與各類處置等資訊，拆解成系統可辨識的標準化欄位，可以更好地善用資料。

早在2015年，長庚就開始規畫病歷結構化工程。早期，他們曾開發一套表單編輯工具，希望由各科室自行設計結構化表單，但也引發部分臨床人員反彈。

後來，他們調整設計思維，改採自由書寫與結構化輸入並用的混合架構。醫師仍可在主表單以文字記錄病況，同時能透過快捷鍵、範本或子表單等方式，快速調用結構化表單，完成資料填寫。這些結構化資料寫回病歷系統後，也會同步匯入後端資料平臺，供後續分析和應用。

目前，長庚醫療體系內，幾乎所有病歷紀錄都以結構化方式保存，同時保留醫師客製化調整的彈性。

這種結構化病歷的好處，在於可即時支援臨床輔助決策。潘延健指出，隨著大型語言模型（LLM）能力越來越強，不少人認為，就算保留大量自由書寫的病歷，AI也能協助解讀和整理，不一定需要高度結構化。

但，「若只是回溯性分析，或許能用AI慢慢從大量文字中找資料；但要即時支援臨床決策，不可能每次都大海撈針。」潘延健點出，有別於「事後再讓AI解讀」，長庚更傾向在資料源頭，就完成結構化與標準化。

在長庚看來，結構化病歷不只改善病歷記錄方式、利於後續分析和輔助應用，更是資料治理工程的起點，對數據中臺的建置、AI應用、跨系統資料整合，都有深遠影響。

開始建置數據中臺，資料治理是關鍵

HIS 4.0上線後，長庚開始建置一套數據中臺，為下一代智慧醫療應用鋪路。

這是因為，HIS是醫院核心業務系統，但院內往往有其他需求，如研究、教學、監測指標以及AI訓練等，這些需求有各自的系統，也都需要存取臨床資料。

這些系統若直接向HIS抓資料，HIS除了原本的門診、急診、住院、醫囑等核心臨床業務，還得額外負責大量資料傳輸、整合和查詢需求。久而久之，HIS不只越來越龐大，也越來越不穩定。

因此，長庚先推動平臺化架構，將不同功能拆分成不同平臺，讓HIS只負責核心臨床業務，同時建置數據中臺來集中各種資料、統一提供給其他系統，讓這些系統不必再向HIS存取資料。

建置數據中臺時，還有個「資料治理」的關鍵下水道工程要進行。潘延健強調：「如果只是把HIS資料原封不動搬過來，後面還是很難用。」

於是，在將資料匯入數據中臺前，長庚先統一資料的欄位名稱、資料格式和定義，甚至釐清資料血緣（Data Lineage），找出每筆資料之間的關聯。

這麼做的好處是，資料經梳理和標準化後，可依不同系統需求，自動組合、呈現對應的資料，例如能以病人為中心，或以疾病或手術為視角，來呈現完整的醫療資料。

這個好處，也能作為數據中臺的重要功能：資料視覺化。由於使用者角色不同，所需的資料內容也會不一樣，因此，長庚只要在資料進入數據中臺時設定對應的存取權限，系統就能按使用者需求，自動組裝對應的欄位和內容，快速產生資料組合和對應畫面。

長庚原本就有深厚的資料治理經驗，發展數據中臺的門檻，與其他醫院相比，相對低了很多。他們有套長年發展的長庚研究資料庫（CGRD），當年建置時，就以病人為中心整合跨系統資料，且為了支援這類跨系統研究應用，早已統一了資料欄位定義、建立病人資料串接機制，也整理不同系統間的資料關聯。

隨著時間推移，CGRD累積了上百億筆資料，也成為這套數據中臺的重要基礎。潘延健表示，這些資料正逐步轉移至數據中臺中，成為研究、AI訓練、監測指標、資料交換等應用的重要來源。

除了CGRD，HIS 4.0的結構化病歷，也是推動數據中臺資料治理的關鍵一步。由於病歷資料已具備一致的資料格式和欄位定義，後續不論是資料擷取、整合、分析或交換，都能大幅降低處理難度，免去了從零開始的資料治理工作。

可以說，長庚的數據中臺，不是單純多了一套資料平臺，而在多年資料治理、結構化病歷和研究資料庫工程的實踐上，進一步擴展成支援AI、智慧醫療應用，甚至是FHIR交換的核心資料架構。

從判讀型AI走向生成式AI

AI應用是長庚數位轉型的另一大亮點。潘延健將長庚的AI發展，分為兩大階段。首先是早期的判讀型AI，透過大量標註資料來訓練專用模型，主要用於醫療影像分析，如X光、病理、超音波與心電圖等。目前長庚已發展20多套相關模型，部分也取得臺灣TFDA核准。

第二階段則是近年發展的生成式AI與大型語言模型（LLM）應用。潘延健點出，LLM與傳統醫療AI的定位不同，過去的判讀型AI強調診斷準確性，適合用於影像判讀等特定任務；相較之下，LLM更適合處理醫療文件、知識查詢和資訊整理等工作。

「診斷必須非常精確，不能出錯，」他說。因此，長庚主要將LLM用於護理紀錄、檢查報告、病歷摘要及院內知識查詢等非診斷決策的場景。例如，醫護人員可透過語音輸入，由AI協助整理內容；醫師則能利用AI快速摘要病人歷年的病歷紀錄，減少閱讀大量病歷的時間成本。

不過，有別於一般生成式AI直接輸出自由書寫文字，長庚有一個特別的講究，也就是直接讓LLM產生結構化資料，來符合結構化病歷的規範。因為，如果只將語音轉成自由文本，最後還是得手動整理、將這些資訊結構化；但若直接產出符合結構化病歷規範的資料，才能真正融入後續的資料治理與應用流程。

除了病歷整理，長庚也透過RAG技術，將LLM用於院內知識查詢。例如，醫護人員不清楚某項作業規範或流程時，可直接透過AI查詢相關文件與規章內容，快速取得所需資訊。

在AI應用逐漸增加後，長庚也在2年前開始建置AI推論主機，整合至HIS 4.0中。潘延健指出，過去許多醫院導入AI時，往往是額外增加一套AI系統，醫師得在不同平臺之間切換操作。但長庚希望，AI能直接嵌入原有醫療工作流程。

比如，同一位病人的X光影像，系統可同時串接多個AI模型，在背景自動完成氣胸、骨質密度、心電圖和其他影像分析結果，再統一回傳至HIS介面，讓醫師在同一個畫面就能完成多種判讀。長庚想做的，不只是導入單一AI工具，而是讓AI成為HIS底層能力的一部分。

下一步：持續優化HIS 4.0，還要打造長庚專屬的醫療GPT

提及長庚的下一步，潘延健表示，他們要持續優化數據中臺架構，預計今年完成數據中臺的整合工程，進一步強化資料治理、資料交換和跨系統整合能力。與此同時，他們還要持續優化HIS 4.0效能，降低系統負擔和操作複雜度。

另一大發展重點，則是建立屬於長庚自己的醫療GPT。

潘延健透露，他們正在規畫，透過微調開源LLM，結合院內知識庫、數據中臺和臨床資料，建立起長庚專屬的GPT架構，未來不只能支援病歷摘要和知識查詢，還要進一步結合數據中臺與院內知識庫，提升資料分析和運用能力。

不過，他也坦言，這類系統目前的一大挑戰是，如何讓LLM與後端結構化資料真正整合。例如，當文字資料轉成向量（Embedding）後，如何再回到後端SQL查詢、資料權限治理與結構化分析，這些都是要持續發展驗證的技術課題。

對長庚來說，下一階段的目標不只是導入更多AI工具，而是打造一套能持續支援臨床、醫院營運和研究的智慧醫療基礎架構。這是長庚從HIS 4.0、資料治理到醫療GPT布局背後，最核心的數位轉型戰略。