MedTech醫療科技雙周報第51期：健保署今年將擴增LOINC上傳欄位、醫學中心優先試傳

新聞

健保署 LOINC 健康存摺

健保署今年將擴增LOINC上傳欄位、醫學中心優先試傳

在日前衛福部LOINC成果發表大會上，健保署署長陳亮妤揭露健保署導入LOINC國際標準的推動方向，包括今年將擴增LOINC上傳欄位，由醫學中心優先試行上傳，並規畫在雲端藥歷與健康存摺中顯示LOINC資訊。明年則將透過獎勵機制，鼓勵更多醫院上傳LOINC資料。

LOINC是一套醫學檢驗檢查專用的國際標準代碼系統，總計超過10萬筆代碼，可用於精準描述檢驗檢查項目。臺灣醫界對LOINC並不陌生，早在2007年，衛生署資訊中心就輔導特定醫院進行電子病歷交換和LOINC導入試辦，也建立初步的NHI-LOINC對照資料庫。到了2013至2016年，疾管署推動防疫雲計畫，傳染病通報採用LOINC代碼，也成功輔導20家醫學中心使用。去年，衛福部資訊處進一步推動LOINC標準統一專案，由醫檢學會執行，集結了35家醫院、154位專家，共同完成5,050筆LOINC對照表，涵蓋約99%的健保核價檢驗項目。

隨著LOINC對照表完成，健保署也加入推動行列。現階段除了鼓勵醫院以LOINC代碼上傳資料外，也將優先聚焦癌症精準醫療與NGS基因檢測等應用場景，要進一步提高檢驗資料標準化程度和跨院資料交換能力。

衛福部 LOINC FHIR

衛福部完成5,050筆LOINC對照表，要打造全國共通檢驗語言

為解決醫院檢驗資料格式不一、難以交換的問題，衛福部近日公布全國醫學檢驗資料標準化成果，完成5,050筆臺灣版LOINC對照表，涵蓋近99%的健保核價檢驗項目。

LOINC是國際通用的醫學檢驗標準，但資料庫收錄超過10萬筆代碼，同一項檢驗還可能因檢體來源、檢驗方法或用途不同而對應不同代碼。過去各醫院往往得自行比對與維護，不僅耗時，也容易出現不一致情況。

這次專案由衛福部資訊處與臺灣醫事檢驗學會共同推動，集結數十家醫院、154位專家與檢驗廠商參與，從超過3.9萬筆候選資料中完成編碼作業，並透過AI工具輔助整理，最終建立全國共用的LOINC對照表。

除了對照表，衛福部也同步開發FHIR格式轉換工具與API模組，並完成與主要HIS、LIS系統廠商的介接測試。未來醫院可直接引用這套成果，減少重複建置成本。衛福部資訊處處長李建璋表示，統一檢驗資料標準，不只有助於跨院病歷交換、減少重複檢驗，也將成為FHIR病歷互通、精準醫療及醫療AI發展的重要基礎。（詳全文）

韓國 AI新藥開發 癌症研究

韓國國家癌症中心打造AI虛擬試驗場，要提早預測癌症藥物療效

韓國國家癌症中心（NCC）正在開發一套生成式AI模型Biological World Model，要模擬藥物在類器官與動物模型中的反應，來提高癌症新藥開發成功率。

這是因為，新藥研發長期面臨一項挑戰：許多藥物在細胞實驗中有效，但進入動物試驗甚至人體試驗後，卻失敗無效。NCC指出，人體生理機制十分複雜，實驗室環境無法完全重現真實情況，因此藥物效果往往難以預測。

為此，研究團隊希望透過AI學習大量細胞實驗結果，再進一步預測藥物進入更接近人體環境的類器官與動物模型後，癌細胞如何變化，以及哪些基因會被活化或抑制。若研究成功，AI可望成為新藥開發的「虛擬試驗場」，在進入昂貴且耗時的臨床前試驗前，提早篩選出較有潛力的候選藥物。

這項計畫是韓國科學技術資訊通信部（MSIT）4年期AI科研創新計畫的一部分。NCC表示，未來除了加速癌症新藥研發，也有機會進一步支援個人化癌症治療。（詳全文）

Mayo Clinic 微軟 醫療AI

梅約醫學中心聯手微軟打造醫療專屬AI基礎模型

美國梅約醫學中心（Mayo Clinic）日前與微軟展開策略合作，要開發專為醫療場景設計的AI基礎模型，結合Mayo Clinic的臨床專業知識、去識別化病歷資料與長期健康資料，以及微軟的AI、雲端與運算能力，來打造能支援臨床推理的新一代醫療AI。

有別於通用的大型語言模型，這款模型將以醫療情境為核心設計，可整合病歷、檢驗、影像等多種臨床資料，協助醫師進行更早期診斷、個人化治療決策及複雜病例分析。Mayo Clinic表示，模型將先部署於院內臨床環境，持續驗證與調整，再逐步擴大應用範圍。

其中，該模型將由Mayo Clinic持有，以確保病患信任、臨床治理和資料使用符合醫療規範。未來微軟也計畫透過Azure Foundry API提供相關能力，讓其他醫療機構與開發者能使用這套醫療AI模型。（詳全文）

醫療AI 癌症篩檢 CommonSpirit Health

AI揪出被忽略的癌症篩檢個案，美醫療體系肺癌篩檢率提高至9成

美國大型醫療體系CommonSpirit Health日前與HIMSS旗下媒體分享AI落地成果，其醫療資訊長John Chelico表示，在醫護人力短缺下，AI最重要的角色不是取代醫師，而是協助完成大量重複性工作，讓醫護能把更多時間投入病患照護。

其中一項應用是癌症篩檢。AI會在病人看診前自動分析病歷，找出乳癌、大腸癌及肺癌篩檢機會，減少人工查閱病歷負擔。該計畫最初在美國西北地區推動，肺癌篩檢遵從率從約20%提高至90%以上。

另一項應用則是分析放射科報告中的意外發現（Incidental Findings）。例如有病患因車禍接受檢查時，AI從影像報告中發現肺結節並提醒醫療團隊追蹤，後續成功診斷出肺癌並及早治療。John Chelico表示，許多醫師本來就希望進行更完整的篩檢與追蹤，但受限於時間與人力，往往難以全面執行。

AI能協助擴大這些工作的規模，但最終診療決策仍應由人類負責。John Chelico認為，AI最大的價值之一，在於協助醫療機構將原本做不到或做不完的工作流程規模化，同時維持臨床人員的監督與決策角色。（詳全文）

BTC FHIR 健康資料

BTC預備會議聚焦AI生技、健康資料與FHIR病歷互通，8月將討論跨域治理

行政院日前召開2026年生技產業策略諮議委員會（BTC）預備會議，盤點AI生技、健康資料、智慧醫療及精準健康等多項推動成果，並預告8月底BTC大會將進一步討論科技跨域應用與法規治理議題。

會中聚焦6大方向，包括AI與半導體跨域應用、健康資料整合與創新應用、智慧醫療數位轉型、創新醫藥與精準健康、人才培育與國際合作，以及投資與產業發展。其中，健康資料與智慧醫療仍是重要主軸。

行政院再次點名FHIR資料交換標準與FHIR Box病歷互通平臺等建設進展。近年衛福部持續推動TW Core IG、FHIR高效能伺服器競賽、FHIR聯測松及SMART on FHIR應用生態系，要建立全國共通的醫療資料交換基礎。

此外，FHIR Box也被列為未來病歷互通的重要數位底盤。衛福部規畫2026年底完成全臺醫學中心部署，2027年底擴大至區域及地區醫院，作為推動跨院病歷交換、精準醫療與醫療AI的重要基礎設施。（詳全文）

FHIR TW Connectathon IPS

臺灣FHIR聯測松開跑：從TW Core驗證到跨國病歷交換

臺灣FHIR聯測松（TW Connectathon 2026）日前登場，共吸引47家機構、52支團隊參與。今年主題除了聚焦癌症用藥事前審查、SMART on FHIR應用授權，還進一步擴大到國際病人摘要（IPS）等場景，代表FHIR發展正從實際應用走向跨國互通。

今年聯測涵蓋4大主題。首先是TW Core FHIR能力驗證，確認醫院與系統業者能否將資料轉換為符合臺灣FHIR核心實作指引的格式；其次是健保署推動的癌症用藥事前審查（PAS），驗證FHIR支援癌藥申請、補件與申復流程。

第三個主題聚焦SMART on FHIR與IHE IUA授權機制，測試醫療App跨系統存取資料的能力；第四個則是國際病人摘要（IPS），驗證跨國病歷交換情境。IPS由HL7與世界衛生組織（WHO）共同推動，目標是讓病人在海外就醫時，也能以標準格式快速分享重要病歷資訊。目前臺灣已與日本、韓國及澳洲合作推動亞太病人摘要聯盟（AP IPS），今年合作範圍將擴大到拉丁美洲，明年則延伸至歐洲。IPS除了能支援海外就醫，還能結合數位皮夾、保險理賠和電子處方箋等應用場景。

主辦單位表示，未來聯測將持續擴大應用範圍，包括電子處方箋、次世代基因定序（NGS）資料交換，以及跨院FHIR互通驗證，要建起兼顧標準驗證與實務落地的醫療互通生態系。（詳全文）

醫療AI 臨床決策支援 Duke Health

Duke研究：AI臨床決策工具要長久使用，關鍵在讓醫護看見價值

美國杜克大學醫療體系（Duke Health）近期研究發現，AI臨床決策支援系統（CDS）能否長期被醫護採用，關鍵不只在模型準確度，更在於使用者是否能感受到實際效益。

研究團隊以Epic的再住院風險預測模型為例，分析個案管理師、治療師及醫師的使用行為。結果發現，許多AI工具初期因政策要求、教育訓練或績效壓力而快速導入，但隨著目標達成、關注焦點轉移或新人未接受完整訓練，使用率往往逐漸下滑。

研究指出，若醫護能明確感受到AI帶來的好處，例如改善出院規畫、提升團隊溝通效率或降低病人再住院風險，工具較容易持續被使用。然而，許多AI預測的是低頻事件，例如再住院，因此成效不容易立即被看見，導致使用意願下降。

研究團隊因此提出，AI導入不應只是一次性部署，而應持續透過教育訓練、工作流程調整及成效回饋來維持使用動能。他們也正在開發模擬模型，希望協助醫院評估不同訓練策略、組織變動或工作負荷對AI採用率的長期影響。研究者認為，醫療機構評估AI投資時，除了關注模型表現，更應重視如何將工具真正融入臨床工作流程，才能讓AI從試點專案走向日常實務。（詳全文）

醫療AI 人口健康管理 Prisma Health

Prisma Health用AI找出高風險病人，住院率降75%

美國醫療體系Prisma Health近期與HIMSS旗下媒體分享AI人口健康管理成果。他們整合電子病歷、理賠資料、用藥紀錄及即時住院訊息，建立縱向病人資料庫，並透過AI持續計算綜合風險分數，提前找出需要介入的高風險病人。

這套風險模型不只考量疾病與住院紀錄，也納入用藥遵從性、預防保健執行情況，以及交通、住房、糧食安全等健康社會決定因子（SDOH）。系統會根據病人的主要風險來源，自動分派給護理師、藥師、社工師或心理健康管理人員等不同專業團隊介入。

相較於過去等到病人急診、住院後才介入，Prisma Health希望在病情惡化前就啟動照護。該院目前已有約3.4萬名慢性病與高風險病人納入照護團隊管理，並有超過1.4萬人參與遠距病人監測計畫。

根據Prisma Health統計，接受整合照護管理的病人，總醫療支出下降66%，住院率下降75%，再住院率下降70%，急診就醫率下降58%。此外，高血壓遠距監測計畫也讓病人的平均收縮壓下降21.6 mmHg。Prisma Health表示，真正的轉變不只是導入AI，而是利用資料與風險預測能力，讓照護團隊從「事件發生後處理」，轉向「事件發生前預防」，將有限的人力優先投入最需要協助的病人身上。（詳全文）

圖片來源／Duke Health、國科會

攝影／王若樸

資料來源：iThome整理，2026年6月