北醫體系數位創新：從無縫融合轉型到永續
活動訊息
全館滿$1,200送150點金幣，4月歡慶兒童節，童書、玩具、文具滿1000元再送200點金幣！
用閱讀開啟視野，讓書成為照亮你人生的光
【金石堂選書】本月推薦您這些好書👉 快來看看
內容簡介
從資料治理到制度共鳴
打造可持續、可複製的醫療治理新模型
在數位科技、AI 與高齡社會交織的浪潮下，真正困難的從來不是導入新科技，而是組織是否具備承接創新的制度與治理能力。
《北醫體系數位創新——從無縫融合轉型到永續》以臺北醫學大學體系為案例，完整揭示一個大型醫療組織，如何從「系統升級」走向「體系重建」，把數位轉型變成可長期運作的治理能力。
本書深入剖析北醫數位轉型的關鍵抉擇：以單一平台、共通架構與資料治理為核心，打破院區各自為政的資訊孤島，讓制度先行、規則成為共同語言。書中不只談技術，更聚焦決策層最關心的議題──如何透過治理設計，降低協調成本、提升組織韌性，並為 AI 與智慧醫療預留可持續擴展的基礎。
這不僅是一段醫療數位化的成功經驗，更是一套可供大型組織借鏡的轉型方法論：從制度、文化到人員整合，讓創新不再倚賴部分人的投入，而能成為可複製、可傳承、可永續的組織能力。
打造可持續、可複製的醫療治理新模型
在數位科技、AI 與高齡社會交織的浪潮下，真正困難的從來不是導入新科技，而是組織是否具備承接創新的制度與治理能力。
《北醫體系數位創新——從無縫融合轉型到永續》以臺北醫學大學體系為案例，完整揭示一個大型醫療組織，如何從「系統升級」走向「體系重建」，把數位轉型變成可長期運作的治理能力。
本書深入剖析北醫數位轉型的關鍵抉擇：以單一平台、共通架構與資料治理為核心，打破院區各自為政的資訊孤島，讓制度先行、規則成為共同語言。書中不只談技術，更聚焦決策層最關心的議題──如何透過治理設計，降低協調成本、提升組織韌性，並為 AI 與智慧醫療預留可持續擴展的基礎。
這不僅是一段醫療數位化的成功經驗，更是一套可供大型組織借鏡的轉型方法論：從制度、文化到人員整合，讓創新不再倚賴部分人的投入，而能成為可複製、可傳承、可永續的組織能力。
目錄
序 走向以健康為核心的數位創新 陳良基
序 以治理跨越數位鴻溝，引領創新永續 陳瑞杰
序 一校多機構的數位轉型之路 李祖德
序 醫療持續改變，醫學教育須提前準備 吳麥斯
第1部 奠基新文化 從HIS 2.0 到HIS 3.0
1 系統還能運轉，卻不再有效率
2 HIS 2.0：昔日起點，今日困局
3 從各自為政到建立共同架構
4 HIS 3.0：轉型落地建立新文化
第2部 落地執行 從規則設計到臨床實踐
5 制度運作，不只上線更要被使用
6 治理重建，讓規則成為共同語言
7 文化涵養，讓制度有能力面對未來
第3部 擴展與深化 智慧醫療生態圈成形
8 先立規則，再讓AI 進場
9 醫師不只在診間，照護延伸到家中
10 從病歷到教材，醫學教育正在改變
11 從個案到模型，制度化推動智慧醫療
12 從成功案例到人人都能用的制度
第4部 啟示與未來 創新轉型至永續
13 三層治理結構，成功管控數位轉型
14 建構以倫理信任為基石的AI 醫療
15 教育革命，演算法時代的醫療專業
16 建構臺灣醫療數位升級新典型
序 以治理跨越數位鴻溝，引領創新永續 陳瑞杰
序 一校多機構的數位轉型之路 李祖德
序 醫療持續改變，醫學教育須提前準備 吳麥斯
第1部 奠基新文化 從HIS 2.0 到HIS 3.0
1 系統還能運轉，卻不再有效率
2 HIS 2.0：昔日起點，今日困局
3 從各自為政到建立共同架構
4 HIS 3.0：轉型落地建立新文化
第2部 落地執行 從規則設計到臨床實踐
5 制度運作，不只上線更要被使用
6 治理重建，讓規則成為共同語言
7 文化涵養，讓制度有能力面對未來
第3部 擴展與深化 智慧醫療生態圈成形
8 先立規則，再讓AI 進場
9 醫師不只在診間，照護延伸到家中
10 從病歷到教材，醫學教育正在改變
11 從個案到模型，制度化推動智慧醫療
12 從成功案例到人人都能用的制度
第4部 啟示與未來 創新轉型至永續
13 三層治理結構，成功管控數位轉型
14 建構以倫理信任為基石的AI 醫療
15 教育革命，演算法時代的醫療專業
16 建構臺灣醫療數位升級新典型
序／導讀
走向以健康為核心的數位創新
陳良基（臺灣數位健康產業發展協會發起人暨科技部前部長）
近年來，數位科技快速發展，正在重新塑造人類社會的運作方式。人工智慧、資料科學、雲端運算與智慧裝置，改變了產業的結構，也改變了醫療體系的樣貌。醫療也不再只是醫院內的專業服務，而是逐漸演變成為跨越研究、產業與社會生活的整合型系統。
我在科技部服務期間，曾大力扶植AI發展，並且我也一直認為，科技發展的最終目的是要改善人類的生活，而「醫療照護」正是最足以體現這個概念的代表性場域。當資料分析與智慧演算法進入臨床決策、遠距醫療與數位平台突破空間限制，科技不再只是工具，更可能改變整個醫療照護體系的運作方式。
臺北醫學大學體系近年推動的數位轉型創新，正是這波潮流中的重要案例之一，也是我在協助推動生技產業時最佳的範例。記得當時，我還特別邀請時任北醫附醫院長、現任臺北醫學大學董事長的陳瑞杰教授，來科技部介紹北醫在智慧醫療的做法，以供政策參考。北醫並非將數位創新僅視為系統更新，而是從體系運作的角度重新思考醫療資訊的整體架構；其中，HIS 3.0的建置，正是一項重要里程碑，透過整合附屬醫院的資料架構與資訊邏輯，北醫體系逐步建立起跨院區可共享的資料基礎，使臨床、研究和教學三個場域，能夠在同一資料體系下互相連結。
這樣的改變，看似技術升級，實際上更是一種制度創新。過去醫療資訊系統多半以單一醫院的運作需求為核心，資料難以整合，也不易支援跨院研究與臨床決策；HIS 3.0的發展，透過資料治理與架構設計，使資料不再只是被動儲存的紀錄，而是能被有效運用的公共資源。當資料可以在安全與規範下被整合與分析，人工智慧應用、臨床決策支援與醫療品質管理，才有可能持續的發展。
《北醫體系數位創新》從制度設計、資料治理到智慧醫療應用，呈現北醫體系在數位轉型過程中的實踐經驗。這些努力不僅關乎單一機構的發展，更反映出臺灣醫療照護體系面對科技浪潮時的思考方向。當醫療照護體系能夠善用科技力量，建立更有效率、更具韌性的服務模式，最終受益的將是每一位民眾的健康與整體社會。
北醫體系的範例告訴我們，科技本身並不會自動帶來進步，真正關鍵的是制度是否能承接科技帶來的可能性。當醫療機構能建立清楚的資料治理機制，讓研究者、醫師與學生能在同一資料基礎上協作，創新才會從零星案例逐漸累積為體系能力。這本《北醫體系數位創新》很值得要做數位轉型、科技創新、智慧醫療導入的各界人士參考。
—————
以治理跨越數位鴻溝，引領創新永續
陳瑞杰（臺北醫學大學董事長）
全球醫療資訊的發展，正從「數位」走向「互通」與「智慧」。過去三十年，臺灣醫療體系，病歷已從紙本到電子，院內各系統也整合成醫療資訊系統（HIS）；國際上也透過HL7 FHIR、LOINC和SNOMED CT等標準，持續推動資料跨越機構，讓醫療資訊成為臨床決策、教育研究與醫院治理的基石。
1995 年3月臺灣啟動全民健保，2004年起健保IC卡與病歷電子化推動，短時間內促成醫界快速地數位轉型，此一成就在世界各國中是極少見的。然而，我們也了解，國內各醫院數位化的初衷，多是為了健保申報與資料保存，尚未真正以資料治理，應用於跨域整合與新知的創見。
北醫體系在2008年雙和醫院開辦後，三家附屬醫院逐步浮現病歷無法整合、系統無法互通、運作難以協同的問題。應驗了機構大型化後，資料若缺乏共通架構，巨量資料形同眾多的「數據孤島」，對治理無益。
2011年，北醫體系在時任董事長李祖德先生與校長邱文達教授兩位大力支持下，由管發中心主責推動體系數位轉型。
當時，以「資訊帶動管理，管理引領創新」的理念，藉由不到十人新團隊，揭示以「雙和為體，北萬為用」原則，結合三院資訊團隊，不追求技術炫耀，而以設定共通基準與盡速落地為目標。
歷經無數折衝，在校院一體共識下，以電腦化醫囑輸入系統（CPOE）為本，先後完成體系內的主管資訊系統（EIS, 2012）、醫院科務業管系統（BI, 2013）、醫院資訊系統2.0（HIS 2.0, 2013），以及新醫師費系統（New PF System,2014），逐步完成後續整合。大約三年半的期間，北醫體系以最經濟方式，自我完成第一次跨院資訊整合，也為發展智慧醫療建立堅實基礎。
2015年起，擔任院長六年期間，專注以HIS 2.0基礎，把北醫附醫打造成智慧醫院。除持續優化門、急、住、ICU系統，流暢其作業流程，改造新動線空間，也創新導入全檢驗系統自動化、藥局的智慧倉儲與病房智慧藥櫃等關鍵基礎建設，並進一步發展智能重症照護系統（TED-ICU），成功爭取到科技部新型態產學研鏈結計畫2,000萬元的經費，為臨床與AI整合奠定重要里程碑。
2022 年11 月OpenAI ChatGPT橫空問世，世人皆感新局已啟，AI運用，不再遙不可及。北醫體系也不例外，思索如何能運用體系數據，掌握新局，乘浪而起。面對舊有系統，究竟只是「系統升級」，或是「體系重建」也有許多權衡。
但現實告知，資料沒有一致化的結構，AI頂多只能局部最佳化。而發展醫療AI的瓶頸，也從來不在資料量的多寡，而是在質的優劣，能否互通，能否被共同理解與運用。
基於此認知，2023 年10月，由主持HIS 2.0的羅友聲主任再次擔綱，帶領三家附屬醫院，在半年內將HIS 3.0從啟動到全面落地。此次轉型的核心，也不以追求技術為先，仍然先處理基礎；不只是「系統升級」，更是「體系重建」。
將各附屬醫院放入同一平台，重新定義跨院的準則，建立通用的作業架構，允許保留各院差異的同時，實現模組互通與協同運作。
此一轉型，不只是為一時整合，更為醫院日常，以及AI創新與永續。雖然，這是北醫體系第二次跨院資訊整合，但仍是一條十分艱難的路。因為，真正要改變的，不只是系統，更是習慣；不只是流程，更是信任。
《北醫體系數位創新》這本書記錄的，不只是我們做了什麼，而是我們如何做出選擇。在全球健康醫療仍在探索AI的過程中，北醫的經驗未必能被複製，但我們相信，其間歷程應是可供借鑑。
數位轉型的起點，不是技術，而是資料；數位轉型的關鍵，不是系統，而是治理；數位轉型的終點，更不是數位，而是價創與永續。
如果本書能讓讀者看見一件事：數位轉型真正的競爭，不在誰跑得多快，而在誰能走得長久。那麼，這本書的價值，才能真正被實現。
陳良基（臺灣數位健康產業發展協會發起人暨科技部前部長）
近年來，數位科技快速發展，正在重新塑造人類社會的運作方式。人工智慧、資料科學、雲端運算與智慧裝置，改變了產業的結構，也改變了醫療體系的樣貌。醫療也不再只是醫院內的專業服務，而是逐漸演變成為跨越研究、產業與社會生活的整合型系統。
我在科技部服務期間，曾大力扶植AI發展，並且我也一直認為，科技發展的最終目的是要改善人類的生活，而「醫療照護」正是最足以體現這個概念的代表性場域。當資料分析與智慧演算法進入臨床決策、遠距醫療與數位平台突破空間限制，科技不再只是工具，更可能改變整個醫療照護體系的運作方式。
臺北醫學大學體系近年推動的數位轉型創新，正是這波潮流中的重要案例之一，也是我在協助推動生技產業時最佳的範例。記得當時，我還特別邀請時任北醫附醫院長、現任臺北醫學大學董事長的陳瑞杰教授，來科技部介紹北醫在智慧醫療的做法，以供政策參考。北醫並非將數位創新僅視為系統更新，而是從體系運作的角度重新思考醫療資訊的整體架構；其中，HIS 3.0的建置，正是一項重要里程碑，透過整合附屬醫院的資料架構與資訊邏輯，北醫體系逐步建立起跨院區可共享的資料基礎，使臨床、研究和教學三個場域，能夠在同一資料體系下互相連結。
這樣的改變，看似技術升級，實際上更是一種制度創新。過去醫療資訊系統多半以單一醫院的運作需求為核心，資料難以整合，也不易支援跨院研究與臨床決策；HIS 3.0的發展，透過資料治理與架構設計，使資料不再只是被動儲存的紀錄，而是能被有效運用的公共資源。當資料可以在安全與規範下被整合與分析，人工智慧應用、臨床決策支援與醫療品質管理，才有可能持續的發展。
《北醫體系數位創新》從制度設計、資料治理到智慧醫療應用，呈現北醫體系在數位轉型過程中的實踐經驗。這些努力不僅關乎單一機構的發展，更反映出臺灣醫療照護體系面對科技浪潮時的思考方向。當醫療照護體系能夠善用科技力量，建立更有效率、更具韌性的服務模式，最終受益的將是每一位民眾的健康與整體社會。
北醫體系的範例告訴我們，科技本身並不會自動帶來進步，真正關鍵的是制度是否能承接科技帶來的可能性。當醫療機構能建立清楚的資料治理機制，讓研究者、醫師與學生能在同一資料基礎上協作，創新才會從零星案例逐漸累積為體系能力。這本《北醫體系數位創新》很值得要做數位轉型、科技創新、智慧醫療導入的各界人士參考。
—————
以治理跨越數位鴻溝，引領創新永續
陳瑞杰（臺北醫學大學董事長）
全球醫療資訊的發展，正從「數位」走向「互通」與「智慧」。過去三十年，臺灣醫療體系，病歷已從紙本到電子，院內各系統也整合成醫療資訊系統（HIS）；國際上也透過HL7 FHIR、LOINC和SNOMED CT等標準，持續推動資料跨越機構，讓醫療資訊成為臨床決策、教育研究與醫院治理的基石。
1995 年3月臺灣啟動全民健保，2004年起健保IC卡與病歷電子化推動，短時間內促成醫界快速地數位轉型，此一成就在世界各國中是極少見的。然而，我們也了解，國內各醫院數位化的初衷，多是為了健保申報與資料保存，尚未真正以資料治理，應用於跨域整合與新知的創見。
北醫體系在2008年雙和醫院開辦後，三家附屬醫院逐步浮現病歷無法整合、系統無法互通、運作難以協同的問題。應驗了機構大型化後，資料若缺乏共通架構，巨量資料形同眾多的「數據孤島」，對治理無益。
2011年，北醫體系在時任董事長李祖德先生與校長邱文達教授兩位大力支持下，由管發中心主責推動體系數位轉型。
當時，以「資訊帶動管理，管理引領創新」的理念，藉由不到十人新團隊，揭示以「雙和為體，北萬為用」原則，結合三院資訊團隊，不追求技術炫耀，而以設定共通基準與盡速落地為目標。
歷經無數折衝，在校院一體共識下，以電腦化醫囑輸入系統（CPOE）為本，先後完成體系內的主管資訊系統（EIS, 2012）、醫院科務業管系統（BI, 2013）、醫院資訊系統2.0（HIS 2.0, 2013），以及新醫師費系統（New PF System,2014），逐步完成後續整合。大約三年半的期間，北醫體系以最經濟方式，自我完成第一次跨院資訊整合，也為發展智慧醫療建立堅實基礎。
2015年起，擔任院長六年期間，專注以HIS 2.0基礎，把北醫附醫打造成智慧醫院。除持續優化門、急、住、ICU系統，流暢其作業流程，改造新動線空間，也創新導入全檢驗系統自動化、藥局的智慧倉儲與病房智慧藥櫃等關鍵基礎建設，並進一步發展智能重症照護系統（TED-ICU），成功爭取到科技部新型態產學研鏈結計畫2,000萬元的經費，為臨床與AI整合奠定重要里程碑。
2022 年11 月OpenAI ChatGPT橫空問世，世人皆感新局已啟，AI運用，不再遙不可及。北醫體系也不例外，思索如何能運用體系數據，掌握新局，乘浪而起。面對舊有系統，究竟只是「系統升級」，或是「體系重建」也有許多權衡。
但現實告知，資料沒有一致化的結構，AI頂多只能局部最佳化。而發展醫療AI的瓶頸，也從來不在資料量的多寡，而是在質的優劣，能否互通，能否被共同理解與運用。
基於此認知，2023 年10月，由主持HIS 2.0的羅友聲主任再次擔綱，帶領三家附屬醫院，在半年內將HIS 3.0從啟動到全面落地。此次轉型的核心，也不以追求技術為先，仍然先處理基礎；不只是「系統升級」，更是「體系重建」。
將各附屬醫院放入同一平台，重新定義跨院的準則，建立通用的作業架構，允許保留各院差異的同時，實現模組互通與協同運作。
此一轉型，不只是為一時整合，更為醫院日常，以及AI創新與永續。雖然，這是北醫體系第二次跨院資訊整合，但仍是一條十分艱難的路。因為，真正要改變的，不只是系統，更是習慣；不只是流程，更是信任。
《北醫體系數位創新》這本書記錄的，不只是我們做了什麼，而是我們如何做出選擇。在全球健康醫療仍在探索AI的過程中，北醫的經驗未必能被複製，但我們相信，其間歷程應是可供借鑑。
數位轉型的起點，不是技術，而是資料；數位轉型的關鍵，不是系統，而是治理；數位轉型的終點，更不是數位，而是價創與永續。
如果本書能讓讀者看見一件事：數位轉型真正的競爭，不在誰跑得多快，而在誰能走得長久。那麼，這本書的價值，才能真正被實現。
試閱
第8章 先立規則，再讓AI 進場
AI 進入醫療，關鍵不在技術成熟，而在制度是否到位。
北醫在資料、治理與責任邊界明確後，
才讓AI 走進臨床，形塑可被信任的人機協作模式。
清晨七點半，門診剛開始。資深主治醫師陸羽婷（化名）盯著電腦螢幕上的影像報告，系統旁邊則有著一行提示：「此病灶具高風險特徵，建議優先評估。」
她沒有立刻採信，也沒有本能地否定，只是調出原始影像、比對過往紀錄，接著轉頭詢問住院醫師：「你怎麼看？」
這不是人與機器的對抗，而是一種新的工作節奏。
在醫療場域，人工智慧（AI）的建議，被視為一份可討論的參考意見，但最終的判斷，仍然回到醫療專業者身上。整個過程沒有混亂、沒有額外的負擔，因為背後的資料結構、流程規範與責任邊界，早已被事先規範清楚。
在北醫體系（簡稱北醫），AI之所以能夠安穩地進入臨床日常，從來不是因為技術跑得夠快，而是因為制度已經先一步明確到位。
不是AI 有多強，而是體系該先準備好
近年來，AI在醫療領域的應用，逐步從研究實驗走向臨床輔助，影像判讀、病理分析與臨床決策支援，成為最先被驗證的應用場域。然而，真正決定AI能否進入臨床日常的關鍵，往往不在於演算法本身的精準度，而在於醫療體系是否具備承接這些技術的制度設計與資料基礎。
但，要如何拿捏這個「時機」？
資料結構，正是這道命題的關鍵。北醫選擇啟動AI臨床應用的時刻，是那時臨床資料已開始具備一致性結構、清楚的語意與可被治理的狀態，因為唯有當資料從分散的紀錄，成為能被系統性理解、追溯和使用的狀態，AI才能真正進入臨床流程。
隨著HIS 3.0完成跨院整合並進入穩定運行階段，過去分散於各院、各系統中的臨床資料，首次在同一架構下被重新整理和定義，資料品質與可用性出現質變，這些轉變也成為後續所有AI應用鋪設的基礎。
臺北醫學大學數位創發中心主任羅友聲指出，北醫早在幾年前就已嘗試將AI技術導入特定臨床場域，但是在HIS 3.0 之前，長期累積的大量臨床資料，因資料結構不一致、定義分歧、欄位語意無法互通，系統不易運算或驗證。
在這樣的條件下，AI即使具備技術可行性，仍只能停留在研究或展示層級，難以真正進入臨床應用。面對現實，北醫選擇將資源與心力，優先投注於資料整合和架構重整，而非急於導入更多新型工具。
從資料整合走向資料治理
HIS 3.0帶來的關鍵改變，在於資料首次被視為「可治理的對象」。透過跨院一致的資料架構設計，北醫逐步建立起以結構化、標準化與匿名化為核心的資料治理原則。
結構化，是讓原本僅供人工閱讀的臨床紀錄，能被系統理解與處理；標準化，是確保不同院區、不同科別在相同臨床情境下產生的資料，具有一致的語意與欄位定義；匿名化，則是在研究與應用之初，即納入法規與倫理考量，確保資料使用不逾越病人隱私和制度邊界。
制度的價值是讓研發可以永續
這三項原則的建立，讓資料不再只是被動儲存的紀錄，而是可被安全運用的資產。
「數位轉型的關鍵，從來不在於導入多少新技術，而在於是否具備能長期支撐應用發展的制度條件，」臺北醫學大學董事長陳瑞杰多次強調。這裡所指的制度，是涵蓋資料結構、治理流程與責任分工的一整套運作基礎。
若缺乏穩定且一致的資料基礎，即便短期內能透過個別專案展現AI成效，長期仍難以擴散或複製，反而可能在維運、風險控管與臨床負擔上衍生新的問題。
呼應陳瑞杰的說法，臺北醫學大學管理發展中心主任蔡淑暖從制度運作的角度補充：「資料治理的目的並非限制研究，而是讓研究得以長期、穩定地進行。」
在資料結構和規範建立前，每個研究或應用都必須重新處理合規與審查問題，消耗大量行政與溝通成本；治理原則內建於系統跟流程後，研究人員與臨床團隊便能在明確的制度邊界下持續創新，毋須承擔制度不確定的風險，並為建立後續臨床決策支援與人機協作模式奠定基礎。
而在制度與資料基礎逐步到位之後，北醫也開始意識到：AI進入臨床一事，已經不止是技術性的問題，更是制度面的治理課題。
界定適合導入AI 的場域
北醫從一開始就未將AI視為可由個別單位自行嘗試或快速導入的工具，而是將AI納入校級層次整體審視的架構，透過明確的導入流程與治理原則，界定AI在醫療體系中的適用範圍、使用條件和責任邊界。
陳瑞杰的立場十分明確，醫療體系中的任何新技術，一旦進入臨床流程，影響的不只是效率或品質，更牽涉到責任歸屬、病人安全與社會信任。如果沒有一套可以說清楚、被檢驗的制度，即便技術再成熟，也不應貿然導入。
在這樣的思維之下，北醫選擇先立規則，而不是先求亮眼的成果。
如同羅友聲所說：「AI要長期存在於臨床環境，就不能只被視為一次性的技術展示；AI必須能被制度與流程承接，否則每一次應用都將成為新的風險。」
因此，在實務運作上，AI模型的開發與導入，都必須經過校級審核與倫理委員會確認。雖然時間拉長，但讓委員多面向審視，確保其使用目的、資料來源與應用情境，均符合既有醫療與研究規範，就能讓AI的使用從一開始便被放置在可治理、可追溯的框架中。
建立AI 治理原則
除了流程設計，北醫也同步思考資料安全、倫理考量與透明性等AI治理原則，並在既有資料治理與研究規範的基礎上，跟隨實際運作逐步累積、調整這些原則。
對此，蔡淑暖從管理角度指出，制度的核心價值，在於為創新建立一個能被信任、也能被遵循的運作環境；有了界定清楚的AI使用原則，相關決策就能回到制度層次討論，降低對個人判斷與臨時協調的依賴。
臺北醫學大學校長吳麥斯則從醫學教育與專業養成角度分析：「缺乏明確治理框架的AI，很難被納入長期的人才培育與臨床訓練，唯有說清楚AI的角色、限制，並將責任邊界制度化，醫師與醫療團隊才能在理解與信任的前提下，逐步學習如何跟這類工具協作，而非被動接受其輸出的結果。」
最終，透過流程與原則的雙軌設計，北醫所界定的並非「AI能做多少事」，而是「哪些事情適合AI參與」。這種制度先行的思維，讓AI成功納入醫療治理架構中日常評估的一環，也為後續人機協作與臨床應用的實際落地，建立了必要的制度前提。
有效回饋，確保AI 務實可用
在制度與治理框架逐步成形後，北醫隨即面對另一個更貼近臨床現場的核心問題：當AI進入診療流程，究竟由誰負責判斷？又該如何確保其建議能被臨床端理解、接受，並運用？
對此，北醫將AI明確定位為必須經由臨床端參與驗證並持續修正的輔助工具。換言之，專業判斷始終掌握在醫師與醫療團隊手中，而非轉交予系統。
在AI模型實際運作過程中，臨床醫師並非單純的使用者，而是參與模型驗證與持續調整的角色。
羅友聲指出，若AI產出的建議無法回到臨床現場被理解、被質疑、被修正，那麼，這樣的系統即便當下表現良好，也難保證它在中、長期運作時，仍能安全無虞。因此，在推動相關應用時，北醫特別強調臨床回饋機制，確保模型輸出能與實際情境持續對照，而非停留在理論或數據層次。
這種設計，也直接回應了醫療責任歸屬的關鍵議題。
陳瑞杰強調，AI的引入不應模糊醫師的專業責任，反而更需要透過制度設計，清楚界定人與系統各自扮演的角色，「臨床決策最終仍須由具備專業判斷能力的醫師負責，AI的功能在於提供決策輔助與風險提醒，而非取代專業本身。」
讓醫師參與驗證和修正AI
陳瑞杰的核心信念始終如一：唯有在責任邊界清楚、制度規則明確，AI才能真正取得醫師信任，並成為臨床日常的一部分。
蔡淑暖則從組織運作的角度補充，人機協作並非單靠技術導入就可以自然形成，而是需要反覆調整制度與流程，讓新工具能被納入既有的專業文化中，「當醫師被賦予參與驗證和修正的角色，而非僅是被動接受系統建議，對AI的理解與接受度往往會隨之提升，進而降低臨床現場的排斥和不安。」
吳麥斯則進一步指出，這種人機協作模式，也有助於醫學教育與專業養成的長期發展。
他強調，未來醫師所面對的臨床環境，勢必是各類智慧工具紛陳，關鍵不在於「是否使用」，而在於是否具備理解與駕馭這一些工具的能力。透過讓醫師實際參與模型驗證和實務修正，北醫不僅解決當下的臨床問題，更為下一世代醫療專業建立新的工作模式。
從北醫的策略來看，AI並未被賦予超越專業的地位，而是被嵌入一套以醫師為核心的決策結構之中。這樣的人機協作，不是削弱專業，而是透過制度設計，讓技術成為支持專業判斷的工具，也為後續AI在更多臨床場域的應用，建立可以被複製的運作模式。
選擇成熟、可控的場域做為落點
在資料治理、導入流程與臨床責任逐步釐清後，另一個關鍵問題浮現：在既有制度前提下，AI應該被放進哪些臨床節點，才能夠發揮實質的輔助價值，同時不干擾既有的專業判斷與診療流程？
北醫所設定的原則是，選擇臨床特性相對成熟、風險可控的場域切入，例如：病理判讀、醫學影像分析、用藥風險預測、臨床決策支援系統（Clinical Decision Support System, CDSS）等。
羅友聲說明，這些場域具備幾項共同特徵：累積了長期的臨床資料，結構相對明確、輸出的結果多半能被清楚理解與驗證，醫師可在既有診療流程中，自主決定是否採納相關建議。
換言之，AI提供的資訊，主要是輔助判斷或風險提示，而非直接取代醫師的專業決策。
將AI 定位為輔助判斷工具
從制度層面來看，這個機制是治理思維所衍生出來的自然結果。
陳瑞杰強調，AI要進入臨床，必須放在一個不模糊責任、不破壞流程的位置，相較於高風險、需要即時決策的臨床處置，病理與影像等輔助判讀場域，更適合做為檢驗人機協作是否能在現實情境中穩定運作，讓北醫得以在不放大臨床風險的前提下，逐步累積實務經驗。
這也正是在前述虛擬案例中，陸羽婷所展現的工作模式。判讀影像時，系統會標注具高風險特徵病灶，醫師再結合病人病史和臨床表現進行綜合判斷，決定是否採納該建議。
除此之外，在用藥風險預測與臨床決策支援系統的應用上，北醫同樣遵循這套邏輯。
AI所提供的資訊，主要做為提醒與支持，協助醫師在繁複的臨床資訊中，辨識潛在風險，而非取代醫師對於病人整體狀況的判斷。
「這類系統的價值，不是告訴醫師該怎麼做，而是協助醫師在有限時間內，看見原本可能被忽略的訊號，」蔡淑暖說明，只要決策權仍清楚掌握在人員手中，AI的建議就不會剝削專業，反而有助於提升整體決策品質。
從醫療體系長期發展來看，吳麥斯進一步指出，當AI被嵌入既有流程，而非凌駕於流程之上，醫療團隊才能在實務中逐步理解、信任新工具，進而形成可被傳承與複製的工作模式，「這不僅有助於當前臨床應用的推進，也為未來更多跨領域合作與智慧醫療發展，奠定穩固基礎。」
回顧北醫的實踐經驗，可以看見一個清楚的脈絡：AI應用場域的選擇，本身就是一種治理行為，唯有在制度與角色皆已清楚界定的前提下，AI才能被適當地放進臨床流程中，成為支持專業的工具，而非造成干擾。也正由於有了這樣的安排，才讓北醫得以在穩健前進的同時，為下一階段更深化的研究與創新，保留充足的彈性與空間。
從輔助決策到新知識生成
當AI在臨床中的角色逐步被界定為輔助工具，並透過制度與流程穩定嵌入日常運作，此時北醫開始思考一個更長期的問題：在資料治理與AI應用皆趨於成熟的情況下，這套體系最終能為醫療帶來什麼樣的改變？
羅友聲指出，現階段AI在臨床上的應用，仍然集中於風險提示與決策支援，其核心價值在於協助醫師更有效率地處理既有資訊。
然而，當資料結構與研究規範持續累積，AI的角色有機會從「輔助判斷」延伸至「支持知識生成」，成為疾病研究與臨床新知探索的重要工具。驅動此一轉變的因素，除了AI模型技術突破，資料品質、治理制度與研究文化的同步成熟也是關鍵。
從應用導入到知識創新
面對快速發展的AI技術，陳瑞杰提醒醫療體系，必須保持足夠的耐心與節制，在制度尚未穩固前，過度追求創新成果，有可能反而削弱體系對新技術的信任。循序建立可被驗證、可被複製的應用基礎，才有助於未來在疾病機制研究、族群健康分析等更高階議題上，逐步累積可信賴的研究能量。
蔡淑暖則從管理與組織角度分析指出，當資料治理與AI研究，從特殊專案成為體系日常運作的一部分，醫療機構才能真正邁入以知識創新為導向的下一階段。她認為，制度的價值在於讓新知探索能夠承接既有規範與經驗，不必每一次都重新起步，得以持續向前推進。
吳麥斯指出，當臨床實務、資料治理與AI研究逐漸形成一種正向循環後，未來的醫療專業訓練，將不再只是學習如何使用工具，而是著重培養如何在制度與科技共構的環境中，提出問題、驗證假設並產生新知，並持續產生可被體系吸收的新知能力。
讓AI 應用走得更穩、更深
在制度與治理條件逐步成熟後，北醫開始讓AI在明確的制度與流程框架下進入臨床運作，它的使用方式、責任歸屬與決策角色，都能被既有的醫療體系理解並納入日常實務。
透過明確的流程設計與責任界定，AI得以在不干擾專業判斷的前提下，發揮輔助功能，並隨著實務經驗的累積，逐步延伸其在臨床輔助與研究應用上的可能性。
更重要的是此一制度性基礎，也為後續醫療服務向院外與社區擴展，保留了穩定且可延續的發展路徑。
AI 進入醫療，關鍵不在技術成熟，而在制度是否到位。
北醫在資料、治理與責任邊界明確後，
才讓AI 走進臨床，形塑可被信任的人機協作模式。
清晨七點半，門診剛開始。資深主治醫師陸羽婷（化名）盯著電腦螢幕上的影像報告，系統旁邊則有著一行提示：「此病灶具高風險特徵，建議優先評估。」
她沒有立刻採信，也沒有本能地否定，只是調出原始影像、比對過往紀錄，接著轉頭詢問住院醫師：「你怎麼看？」
這不是人與機器的對抗，而是一種新的工作節奏。
在醫療場域，人工智慧（AI）的建議，被視為一份可討論的參考意見，但最終的判斷，仍然回到醫療專業者身上。整個過程沒有混亂、沒有額外的負擔，因為背後的資料結構、流程規範與責任邊界，早已被事先規範清楚。
在北醫體系（簡稱北醫），AI之所以能夠安穩地進入臨床日常，從來不是因為技術跑得夠快，而是因為制度已經先一步明確到位。
不是AI 有多強，而是體系該先準備好
近年來，AI在醫療領域的應用，逐步從研究實驗走向臨床輔助，影像判讀、病理分析與臨床決策支援，成為最先被驗證的應用場域。然而，真正決定AI能否進入臨床日常的關鍵，往往不在於演算法本身的精準度，而在於醫療體系是否具備承接這些技術的制度設計與資料基礎。
但，要如何拿捏這個「時機」？
資料結構，正是這道命題的關鍵。北醫選擇啟動AI臨床應用的時刻，是那時臨床資料已開始具備一致性結構、清楚的語意與可被治理的狀態，因為唯有當資料從分散的紀錄，成為能被系統性理解、追溯和使用的狀態，AI才能真正進入臨床流程。
隨著HIS 3.0完成跨院整合並進入穩定運行階段，過去分散於各院、各系統中的臨床資料，首次在同一架構下被重新整理和定義，資料品質與可用性出現質變，這些轉變也成為後續所有AI應用鋪設的基礎。
臺北醫學大學數位創發中心主任羅友聲指出，北醫早在幾年前就已嘗試將AI技術導入特定臨床場域，但是在HIS 3.0 之前，長期累積的大量臨床資料，因資料結構不一致、定義分歧、欄位語意無法互通，系統不易運算或驗證。
在這樣的條件下，AI即使具備技術可行性，仍只能停留在研究或展示層級，難以真正進入臨床應用。面對現實，北醫選擇將資源與心力，優先投注於資料整合和架構重整，而非急於導入更多新型工具。
從資料整合走向資料治理
HIS 3.0帶來的關鍵改變，在於資料首次被視為「可治理的對象」。透過跨院一致的資料架構設計，北醫逐步建立起以結構化、標準化與匿名化為核心的資料治理原則。
結構化，是讓原本僅供人工閱讀的臨床紀錄，能被系統理解與處理；標準化，是確保不同院區、不同科別在相同臨床情境下產生的資料，具有一致的語意與欄位定義；匿名化，則是在研究與應用之初，即納入法規與倫理考量，確保資料使用不逾越病人隱私和制度邊界。
制度的價值是讓研發可以永續
這三項原則的建立，讓資料不再只是被動儲存的紀錄，而是可被安全運用的資產。
「數位轉型的關鍵，從來不在於導入多少新技術，而在於是否具備能長期支撐應用發展的制度條件，」臺北醫學大學董事長陳瑞杰多次強調。這裡所指的制度，是涵蓋資料結構、治理流程與責任分工的一整套運作基礎。
若缺乏穩定且一致的資料基礎，即便短期內能透過個別專案展現AI成效，長期仍難以擴散或複製，反而可能在維運、風險控管與臨床負擔上衍生新的問題。
呼應陳瑞杰的說法，臺北醫學大學管理發展中心主任蔡淑暖從制度運作的角度補充：「資料治理的目的並非限制研究，而是讓研究得以長期、穩定地進行。」
在資料結構和規範建立前，每個研究或應用都必須重新處理合規與審查問題，消耗大量行政與溝通成本；治理原則內建於系統跟流程後，研究人員與臨床團隊便能在明確的制度邊界下持續創新，毋須承擔制度不確定的風險，並為建立後續臨床決策支援與人機協作模式奠定基礎。
而在制度與資料基礎逐步到位之後，北醫也開始意識到：AI進入臨床一事，已經不止是技術性的問題，更是制度面的治理課題。
界定適合導入AI 的場域
北醫從一開始就未將AI視為可由個別單位自行嘗試或快速導入的工具，而是將AI納入校級層次整體審視的架構，透過明確的導入流程與治理原則，界定AI在醫療體系中的適用範圍、使用條件和責任邊界。
陳瑞杰的立場十分明確，醫療體系中的任何新技術，一旦進入臨床流程，影響的不只是效率或品質，更牽涉到責任歸屬、病人安全與社會信任。如果沒有一套可以說清楚、被檢驗的制度，即便技術再成熟，也不應貿然導入。
在這樣的思維之下，北醫選擇先立規則，而不是先求亮眼的成果。
如同羅友聲所說：「AI要長期存在於臨床環境，就不能只被視為一次性的技術展示；AI必須能被制度與流程承接，否則每一次應用都將成為新的風險。」
因此，在實務運作上，AI模型的開發與導入，都必須經過校級審核與倫理委員會確認。雖然時間拉長，但讓委員多面向審視，確保其使用目的、資料來源與應用情境，均符合既有醫療與研究規範，就能讓AI的使用從一開始便被放置在可治理、可追溯的框架中。
建立AI 治理原則
除了流程設計，北醫也同步思考資料安全、倫理考量與透明性等AI治理原則，並在既有資料治理與研究規範的基礎上，跟隨實際運作逐步累積、調整這些原則。
對此，蔡淑暖從管理角度指出，制度的核心價值，在於為創新建立一個能被信任、也能被遵循的運作環境；有了界定清楚的AI使用原則，相關決策就能回到制度層次討論，降低對個人判斷與臨時協調的依賴。
臺北醫學大學校長吳麥斯則從醫學教育與專業養成角度分析：「缺乏明確治理框架的AI，很難被納入長期的人才培育與臨床訓練，唯有說清楚AI的角色、限制，並將責任邊界制度化，醫師與醫療團隊才能在理解與信任的前提下，逐步學習如何跟這類工具協作，而非被動接受其輸出的結果。」
最終，透過流程與原則的雙軌設計，北醫所界定的並非「AI能做多少事」，而是「哪些事情適合AI參與」。這種制度先行的思維，讓AI成功納入醫療治理架構中日常評估的一環，也為後續人機協作與臨床應用的實際落地，建立了必要的制度前提。
有效回饋，確保AI 務實可用
在制度與治理框架逐步成形後，北醫隨即面對另一個更貼近臨床現場的核心問題：當AI進入診療流程，究竟由誰負責判斷？又該如何確保其建議能被臨床端理解、接受，並運用？
對此，北醫將AI明確定位為必須經由臨床端參與驗證並持續修正的輔助工具。換言之，專業判斷始終掌握在醫師與醫療團隊手中，而非轉交予系統。
在AI模型實際運作過程中，臨床醫師並非單純的使用者，而是參與模型驗證與持續調整的角色。
羅友聲指出，若AI產出的建議無法回到臨床現場被理解、被質疑、被修正，那麼，這樣的系統即便當下表現良好，也難保證它在中、長期運作時，仍能安全無虞。因此，在推動相關應用時，北醫特別強調臨床回饋機制，確保模型輸出能與實際情境持續對照，而非停留在理論或數據層次。
這種設計，也直接回應了醫療責任歸屬的關鍵議題。
陳瑞杰強調，AI的引入不應模糊醫師的專業責任，反而更需要透過制度設計，清楚界定人與系統各自扮演的角色，「臨床決策最終仍須由具備專業判斷能力的醫師負責，AI的功能在於提供決策輔助與風險提醒，而非取代專業本身。」
讓醫師參與驗證和修正AI
陳瑞杰的核心信念始終如一：唯有在責任邊界清楚、制度規則明確，AI才能真正取得醫師信任，並成為臨床日常的一部分。
蔡淑暖則從組織運作的角度補充，人機協作並非單靠技術導入就可以自然形成，而是需要反覆調整制度與流程，讓新工具能被納入既有的專業文化中，「當醫師被賦予參與驗證和修正的角色，而非僅是被動接受系統建議，對AI的理解與接受度往往會隨之提升，進而降低臨床現場的排斥和不安。」
吳麥斯則進一步指出，這種人機協作模式，也有助於醫學教育與專業養成的長期發展。
他強調，未來醫師所面對的臨床環境，勢必是各類智慧工具紛陳，關鍵不在於「是否使用」，而在於是否具備理解與駕馭這一些工具的能力。透過讓醫師實際參與模型驗證和實務修正，北醫不僅解決當下的臨床問題，更為下一世代醫療專業建立新的工作模式。
從北醫的策略來看，AI並未被賦予超越專業的地位，而是被嵌入一套以醫師為核心的決策結構之中。這樣的人機協作，不是削弱專業，而是透過制度設計，讓技術成為支持專業判斷的工具，也為後續AI在更多臨床場域的應用，建立可以被複製的運作模式。
選擇成熟、可控的場域做為落點
在資料治理、導入流程與臨床責任逐步釐清後，另一個關鍵問題浮現：在既有制度前提下，AI應該被放進哪些臨床節點，才能夠發揮實質的輔助價值，同時不干擾既有的專業判斷與診療流程？
北醫所設定的原則是，選擇臨床特性相對成熟、風險可控的場域切入，例如：病理判讀、醫學影像分析、用藥風險預測、臨床決策支援系統（Clinical Decision Support System, CDSS）等。
羅友聲說明，這些場域具備幾項共同特徵：累積了長期的臨床資料，結構相對明確、輸出的結果多半能被清楚理解與驗證，醫師可在既有診療流程中，自主決定是否採納相關建議。
換言之，AI提供的資訊，主要是輔助判斷或風險提示，而非直接取代醫師的專業決策。
將AI 定位為輔助判斷工具
從制度層面來看，這個機制是治理思維所衍生出來的自然結果。
陳瑞杰強調，AI要進入臨床，必須放在一個不模糊責任、不破壞流程的位置，相較於高風險、需要即時決策的臨床處置，病理與影像等輔助判讀場域，更適合做為檢驗人機協作是否能在現實情境中穩定運作，讓北醫得以在不放大臨床風險的前提下，逐步累積實務經驗。
這也正是在前述虛擬案例中，陸羽婷所展現的工作模式。判讀影像時，系統會標注具高風險特徵病灶，醫師再結合病人病史和臨床表現進行綜合判斷，決定是否採納該建議。
除此之外，在用藥風險預測與臨床決策支援系統的應用上，北醫同樣遵循這套邏輯。
AI所提供的資訊，主要做為提醒與支持，協助醫師在繁複的臨床資訊中，辨識潛在風險，而非取代醫師對於病人整體狀況的判斷。
「這類系統的價值，不是告訴醫師該怎麼做，而是協助醫師在有限時間內，看見原本可能被忽略的訊號，」蔡淑暖說明，只要決策權仍清楚掌握在人員手中，AI的建議就不會剝削專業，反而有助於提升整體決策品質。
從醫療體系長期發展來看，吳麥斯進一步指出，當AI被嵌入既有流程，而非凌駕於流程之上，醫療團隊才能在實務中逐步理解、信任新工具，進而形成可被傳承與複製的工作模式，「這不僅有助於當前臨床應用的推進，也為未來更多跨領域合作與智慧醫療發展，奠定穩固基礎。」
回顧北醫的實踐經驗，可以看見一個清楚的脈絡：AI應用場域的選擇，本身就是一種治理行為，唯有在制度與角色皆已清楚界定的前提下，AI才能被適當地放進臨床流程中，成為支持專業的工具，而非造成干擾。也正由於有了這樣的安排，才讓北醫得以在穩健前進的同時，為下一階段更深化的研究與創新，保留充足的彈性與空間。
從輔助決策到新知識生成
當AI在臨床中的角色逐步被界定為輔助工具，並透過制度與流程穩定嵌入日常運作，此時北醫開始思考一個更長期的問題：在資料治理與AI應用皆趨於成熟的情況下，這套體系最終能為醫療帶來什麼樣的改變？
羅友聲指出，現階段AI在臨床上的應用，仍然集中於風險提示與決策支援，其核心價值在於協助醫師更有效率地處理既有資訊。
然而，當資料結構與研究規範持續累積，AI的角色有機會從「輔助判斷」延伸至「支持知識生成」，成為疾病研究與臨床新知探索的重要工具。驅動此一轉變的因素，除了AI模型技術突破，資料品質、治理制度與研究文化的同步成熟也是關鍵。
從應用導入到知識創新
面對快速發展的AI技術，陳瑞杰提醒醫療體系，必須保持足夠的耐心與節制，在制度尚未穩固前，過度追求創新成果，有可能反而削弱體系對新技術的信任。循序建立可被驗證、可被複製的應用基礎，才有助於未來在疾病機制研究、族群健康分析等更高階議題上，逐步累積可信賴的研究能量。
蔡淑暖則從管理與組織角度分析指出，當資料治理與AI研究，從特殊專案成為體系日常運作的一部分，醫療機構才能真正邁入以知識創新為導向的下一階段。她認為，制度的價值在於讓新知探索能夠承接既有規範與經驗，不必每一次都重新起步，得以持續向前推進。
吳麥斯指出，當臨床實務、資料治理與AI研究逐漸形成一種正向循環後，未來的醫療專業訓練，將不再只是學習如何使用工具，而是著重培養如何在制度與科技共構的環境中，提出問題、驗證假設並產生新知，並持續產生可被體系吸收的新知能力。
讓AI 應用走得更穩、更深
在制度與治理條件逐步成熟後，北醫開始讓AI在明確的制度與流程框架下進入臨床運作，它的使用方式、責任歸屬與決策角色，都能被既有的醫療體系理解並納入日常實務。
透過明確的流程設計與責任界定，AI得以在不干擾專業判斷的前提下，發揮輔助功能，並隨著實務經驗的累積，逐步延伸其在臨床輔助與研究應用上的可能性。
更重要的是此一制度性基礎，也為後續醫療服務向院外與社區擴展，保留了穩定且可延續的發展路徑。
配送方式
-
台灣
- 國內宅配：本島、離島
-
到店取貨：
不限金額免運費
-
海外
- 國際快遞：全球
-
港澳店取：
訂購/退換貨須知
加入金石堂 LINE 官方帳號『完成綁定』，隨時掌握出貨動態：
提醒您！！
金石堂及銀行均不會請您操作ATM! 如接獲電話要求您前往ATM提款機，請不要聽從指示，以免受騙上當！
退換貨須知：
**提醒您，鑑賞期不等於試用期，退回商品須為全新狀態**
-
依據「消費者保護法」第19條及行政院消費者保護處公告之「通訊交易解除權合理例外情事適用準則」，以下商品購買後，除商品本身有瑕疵外，將不提供7天的猶豫期：
- 易於腐敗、保存期限較短或解約時即將逾期。（如：生鮮食品）
- 依消費者要求所為之客製化給付。（客製化商品）
- 報紙、期刊或雜誌。（含MOOK、外文雜誌）
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。（如：電子書、電子雜誌、下載版軟體、虛擬商品…等）
- 已拆封之個人衛生用品。（如：內衣褲、刮鬍刀、除毛刀…等）
- 若非上列種類商品，均享有到貨7天的猶豫期（含例假日）。
- 辦理退換貨時，商品（組合商品恕無法接受單獨退貨）必須是您收到商品時的原始狀態（包含商品本體、配件、贈品、保證書、所有附隨資料文件及原廠內外包裝…等），請勿直接使用原廠包裝寄送，或於原廠包裝上黏貼紙張或書寫文字。
- 退回商品若無法回復原狀，將請您負擔回復原狀所需費用，嚴重時將影響您的退貨權益。
商品評價