醫療的”數據中台”是理想還是幻想？
過去跟許多同業的產品經理（PM）交流，發現大家手上的AI專案，即便技術再好，都很容易卡在一個共同的瓶頸：「規模化」。
UpdatedMarch 24, 2026•1 min read
JJhihHao Wu**近期研究重點包含 AI Agent 的供應鏈攻擊、PII 偵測模型評估，以及醫療 AI 在臨床流程中的安全落地。
在這裡，我分享深度技術實測報告（如 NVIDIA NeMo, WildGuard）與職場技術成長心得，致力於在 AI 浪潮中打造具備資安韌性的解決方案。
On this page
醫療的”數據中台”是理想還是幻想？挑戰一：「一院一世界」，如何兼容過去與未來？挑戰二：「單一醫院整合」 vs. 「單一業務整合」挑戰三：最難的工程 — 「人」FHIR：在這場硬仗中，唯一的標準武器
醫療的”數據中台”是理想還是幻想？
過去跟許多同業的產品經理（PM）交流，發現大家手上的AI專案，即便技術再好，都很容易卡在一個共同的瓶頸：「規模化」。
在A醫院花了一年半，好不容易串接好HIS、EMR，讓AI模型順利上線，但拿著同一個產品到B醫院，卻發現一切得從頭來過，因為兩家醫院的系統、流程、數據格式完全是兩個世界…
這就是我們常面臨的困境，但換個角度想，這可能也是最大的機會所在。
所謂「中台（Midware）」，是個從電商、網路產業借來的概念，指的是將不同前端應用（如網頁、APP）可以重複用的核心業務（如會員、支付、庫存）抽離出來，打造成一個專門提供串接的服務平台。
而醫院的業務不也正是如此？每家醫院都有掛號、排程、批價、病歷管理、影像判讀等核心流程，如果能將這些共通的業務邏輯，或是更重要的 — 將「數據」本身，打造成一個強大的中台，那麼上層的AI應用開發就能變得非常快速、輕量且可規模化。
這聽起來很美好，但在台灣目前看到的醫療現場，這個醫療中台會先一頭撞上好幾堵高牆且撞得頭破血流。
挑戰一：「一院一世界」，如何兼容過去與未來？
「不同醫院的數據結構基本不太一樣，需要考慮過去還要考慮未來。」
類似的議題先前我們有討論過，請參考 https://dev.to/jh5_pulse/ni-zhao-yu-shu-guang-yi-yuan-li-fu-za-de-zi-xun-xi-tong-sheng-tai--4ckp
這是打造中台最基礎的障礙，台灣的醫療資訊化發展得早，但也因此留下了嚴重的「歷史共業」。各家醫院在不同年代，基於當時的需求和技術，導入了不同的資訊系統。光是一個「性別」欄位，在A醫院可能用 M/F 記錄，B醫院用 1/0，C醫院用的是 男/女 ，更不要提可能有許多資料有缺值或是更複雜的分類。
當你想打造一個「數據中台」，匯集多家醫院的資料來訓練一個更強大的AI模型時，你首先要做的就是一個極其繁瑣的「數據對應（Data Mapping）」工程，你必須像個偵探，去釐清每一家醫院、每一個系統、每一個欄位的確切定義。
更棘手的是，這不是一次性的工作。醫院的系統會升級，資訊室會採購新的儀器，數據格式隨時可能改變，這導致設計的數據中台必須具備高度的彈性與擴充性，不僅要能兼容現在所有合作醫院的「異質數據」，還要為未來可能接入的新醫院、新系統預留空間，因此，在設計平台架構時，思考的不是「當下」，而是「未來十年」。
挑戰二：「單一醫院整合」 vs. 「單一業務整合」
在通往數據中台的路上，目前可以看到兩種主流的商業模式，這也是產品必須思考的策略定位：
深度整合單一醫院（垂直整合模式）： 這種模式的代表就是所謂的「線上醫院」或「智慧醫院平台」。你的產品與一家指標性的大醫院深度合作，目標是打通該院「所有」的資訊系統，從HIS、EMR到PACS，打造一個專屬於這家醫院的內部數據中台。對於所有新開發的AI應用，都特別服務於這醫院的醫師和病人。優點是深度整合，可以做出真正符合該院流程的深度應用。缺點是，難以複製到下一家醫院。
橫向聚合多家醫院（水平整合模式）： 這種模式下，你的公司專注於某一個「特定業務」，例如「AI輔助肺癌 LDCT 影像判讀」，開發了一個專門處理和分析胸腔電腦斷層影像的SaaS平台（這就是一個垂直領域的業務中台），然後去說服數十家、甚至上百家醫院，將他們的影像數據整合到產品平台進行分析。優點是市場廣闊，具備規模化的潛力。缺點是要說服不同醫院共享數據，挑戰極大。
在規劃產品的Roadmap上，必須提醒自己想清楚，手邊的產品所擁有的資源和核心競爭力，適合走哪條路？
挑戰三：最難的工程 — 「人」
「在法規面、不同醫院、軟硬體服務商之間的訴求不一。」
技術問題再難，終究有解，但打造醫療中台這個浩大工程，最難的部分，永遠是說服不同利害關係人之間的盤根錯節的利益關係。
政府（衛福部、健保署）： 他們的立場是監管、公益與標準化，他們希望數據能互通，以利於公衛相關的研究和政策制定，但又對數據安全與個資隱私有著最高的監管要求。
醫院： 不同層級的醫院，訴求也不同。醫學中心視數據為其核心資產與競爭力，對於將數據交給第三方平台，現階段幾乎是不可能的任務，而地區醫院則可能更看重成本效益，希望透過平台獲得負擔不起的AI服務。
軟硬體服務商： 現存的HIS、PACS廠商，可能會視新興的數據中台為潛在的威脅，擔心自己被「繞過」或「取代」，在整合意願上自然有所保留。
因此，想推動一個中台的專案，你需要的就不只是產品規劃能力，更是高超的「商業談判」與「政策遊說」能力，必須設計出一套能讓所有參與者（政府、醫院、廠商，甚至是病患）都受益的共贏模式，才有可能讓這個理想落地。
FHIR：在這場硬仗中，唯一的標準武器
那麼，這場仗是不是就沒得打了？並非如此。我們手上有一項越來越鋒利的武器 —衛福部力推的FHIR（Fast Healthcare Interoperability Resources）標準。
FHIR的出現，正面解決了挑戰一的數據結構混亂問題，它為醫療數據的交換，提供了一套全台灣的「語言」，未來，當所有醫院、所有系統都開始遵循FHIR標準來交換數據時，「數據中台」的建置成本將大幅降低。
對PM而言，FHIR的意義在於：
降低整合門檻： 你不用再為每家醫院客製化數據串接，只要你的平台支援FHIR，理論上就能與所有符合FHIR的醫院對接。
催生新的商業模式： FHIR讓「水平整合」模式變得更加可行，當同一疾病的數據或影像可以透過標準化的格式交換與流動時，專注於特定疾病的AI服務平台將迎來爆發期。
化解部分利益衝突： 因為數據是以標準化的方式「交換」，而非整碗被「端走」，這在一定程度上能降低醫院對於數據失控的疑慮，為前面提到的挑戰三的僵局帶來一絲轉機。
2025年，智慧醫療正站在一個關鍵的十字路口，目前單點突破的AI應用已經很多，但真正能改變產業格局的，是那些勇於挑戰平台化、數據中台化的產品團隊。
Top comments (0)