【臺大醫院GenAI實例】從掛號推薦到照護流程優化，臺大醫院把生成式AI變成臨床日常

「臺大醫院目前有300多個生成式AI專案在執行，100多個已經實際可用，其他還有200個開發測試中，」臺大醫院院長余忠仁在11月的生成式AI（GenAI）成果發表會中，用一句話點出院內的發展規模。

兩年前，臺大醫院悄悄擁抱生成式AI。他們的起點很特別，有別於當時常見的會議摘要應用，臺大醫院先從門診醫師推薦功能試水溫，讓病人在掛號前，先在App填寫症狀，再由大型語言模型（LLM）分析內容，推薦合適的科別與醫師。系統還會把能力好、但掛號數未滿的年輕醫師一起納入推薦名單，既幫病人更快找到對的人，也能分散門診壓力。

這項功能正式上線後反映不錯，也讓臺大醫院開始思考一件事：生成式AI最適合用在什麼地方？這一思考，也進一步催生了他們的GenAI轉型。經過一段摸索，臺大醫院歸納出5種最能發揮GenAI長處的場景：整理病歷重點、輔助生成報告、解析結構化資料、即時問答，以及管理審核。接下來的幾個實例，展示了臺大醫院GenAI如何從「工具」走向「流程的一部分」。

 實例1  自動化串起心衰照護流程

在眾多應用中，一大亮點是心衰照護團隊以4項GenAI自動化，串起原本高度仰賴人工的照護痛點。

進一步來說，心臟衰竭一直是高再住院率、高死亡率且高度仰賴團隊合作照護的疾病。在臺灣，心衰盛行率為5.5%、每年住院人次超過7萬，病人出院後一年內的再住院率還超過6成。醫院如果能在住院早期，就辨識出高風險患者、及早介入照護，就能大幅影響病人預後。

臺大醫院自己就有心衰照護團隊，由10類醫事人員組成，從心臟內科醫師、個管師、護理師、臨床心理師，再到物理職能治療師、社工、復健科醫師、藥師和營養師等都包含在內，是一個高度專業的跨部門團隊。即便如此，他們仍面臨心衰照護的瓶頸。

在傳統心衰病人住院照護流程中，「入院時篩檢」是第一步，也是最困難的一步。以臺大醫院為例，每年收治約3,200至4,000人次的心衰住院病人，相當於每天有100多位病人進出。過去，要找出這些心衰病人，只能靠醫師轉介，或靠團隊為數不多的3名個案管理師，人工判讀散落在不同系統、數十多項的病歷資料。這個流程非常耗時，還容易因人力有限出現遺漏。

於是，心衰照護團隊聯手資訊室，用GenAI每天自動「掃描」住院病人的資料，執行心衰篩檢。這套系統每天從各系統撈資料，產出3份心衰指標報告，包括住院病人的診斷碼報表、心臟收縮力LVEF小於40%的報表，以及心臟衰竭指標Pro-BNP大於900的報表。

如此，個管師每天只要看這些清單，就能快速找出可能的心衰病人，再決定後續照護模式，比如是否符合健保心衰竭整合照（HF-PAC）收案條件，還是另行處置。這個原本靠人力撐的篩檢工作，變成每天固定、自動跑的流程，還大幅降低漏接風險。

臺大醫院打造一套GenAI工具，可分析散落各處的病人資訊，每日自動產出3份報表，來讓心衰照護團隊的個管師更快鎖定個案。圖片來源／臺大醫院

自動算風險、整理用藥脈絡，優化照護流程

找出心衰高風險個案後，照護團隊還得在短時間內完成精準風險評估，才能支撐後續的治療決策。這是因為，心衰病人常合併心房顫動（AF），中風、大出血與死亡風險都比較高，若缺乏快速且可靠的風險評估，治療與用藥策略就難以到位。

不過，傳統計算風險方法，得靠醫師手動計算多項分數，包括預測中風風險的CHA　DS-VASc、評估出血風險的HAS-BLED，以及估算一年與三年死亡率的MAGGIC分數。這些分數往往需要醫師自行上網或用App計算，每位病人的每項分數計算約需5到10分鐘，累積起來是可觀的人力成本。

為加速這個流程，照護團隊與IT聯手開發一套AI風險評估工具，自動擷取病歷資料中的年齡、性別、心血管病史、檢驗數據等資訊，即時計算中風風險分數，並附上來源供檢核。要是沒問題，醫師可將結果直接帶入入院病摘。

辨識心衰病患後，接著還有套GenAI工具，能根據患者病歷資訊即時計算中風風險，醫師檢查無誤後能將結果直接帶入病歷系統。圖片來源／臺大醫院

他們測試發現，這項AI的表現不只與人工無異，還更省時。以臺大醫院每年收治2千名心房顫動病人，來人工計算3項分數，一年下來需要至少1至2個月的工作時間，但靠AI輔助計算，1項分數不到1分鐘就能算完，等於一年只需要6個工作天來計算3項分數。這些節省下來的時間，可讓醫療人員將時間真正投入到臨床照護和病人溝通上。

心衰照護的第三項GenAI應用，則鎖定「風險評估之後」的用藥決策環節。在心衰住院照護中，用藥管理是最複雜、也最耗時的環節之一，因為病人常合併心房顫動、腎功能不全等共病，藥物種類多、調整頻繁，且住院與門診處方也有所差異。

藥師要搞清楚「為什麼這個藥被調整」，常常得同時打開好幾個系統，一項一項比對藥單、病程紀錄和檢驗數據，才能理解哪些藥物被調整、為何調整。這個流程高度仰賴人工經驗，也增加了遺漏風險。

為解決問題，心衰團隊與IT開發一套AI輔助藥事照護模組，但他們沒有讓AI直接建議怎麼開藥，而是先幫藥師做一件最花時間的事：整理用藥相關的臨床脈絡。系統會自動擷取散落在各個系統的病歷資料，如心血管病史、重要檢驗檢查結果（如腎功能、BNP）、心臟超音波與用藥紀錄，並生成一頁的藥事病程重點摘要，讓藥師能在短時間掌握治療方向和風險背景。

為了讓心衰照護團隊的藥師掌握病人病況和用藥變化，臺大醫院也打造一款GenAI工具，來將四散的資訊整合至單一頁面，讓藥師快速掌握病人狀態。圖片來源／臺大醫院

不只如此，這套AI還能結構化比對病人住院期間的用藥變化，清楚標示藥物的新增、停用與劑量或頻率調整，讓用藥變化一眼可見。藥師不必再手動對照多張藥單，而是透過AI降低資訊整理成本，快速理解病情轉折與用藥決策脈絡，進而更好地參與治療討論。

善用GenAI彙整資訊，建立共通的照護資訊基礎

最後，當病人接受治療、需要跨科照會或團隊討論時，另一個問題也浮現：每個人看到的資料都不一樣。心衰病人的病史、心電圖、超音波、心導管、檢驗與照會紀錄分散在不同系統，醫師、藥師與護理人員各自關注的重點不同，溝通成本自然提高。

為此，臺大醫院在今年初展開一項專案，希望用大型語言模型，打造一套AI心血管智慧摘要應用程式，把分散的心血管病程資訊整合成一份大家都看得懂、也能一起用的摘要。這個專案分為2階段推動，今年先打造照護團隊使用的臨床摘要，明年再延伸為病人用的白話衛教版本。

臺大醫院用GenAI優化心衰照護流程，除了辨識風險和用藥決策外，也針對病人接受治療、回覆照會階段，運用大型語言模型打造AI心血管智慧摘要，來分析四散的資訊、摘要心血管病程資訊，供跨專業的團隊溝通。圖片來源／臺大醫院

他們先整理出模型需要讀取的資訊，包括病人的診斷、就醫經過與社會背景，還有心臟相關的檢查數據、各項檢驗結果、目前用藥情況，以及後續的門診安排。接下來換大型語言模型上場。團隊透過提示設計，引導模型把這些分散在各處的資料整合起來，自動抓出重點，例如病人這次就醫的主要問題、目前治療的重點方向，以及關鍵數據在住院期間的變化情形，最後再整理成有臨床邏輯的表格或分段摘要，方便醫療人員快速閱讀。

在實際流程設計上，這項AI摘要並不是一個需要額外點開的工具，而是直接嵌入既有的照會系統中，在背景自動生成內容，不會增加醫療人員的等待時間。醫師在回覆照會或進行跨科討論時，只要查看並視情況修正AI整理的重點即可。

這套心血管智慧摘AI要經過幾個月開發、調整，目前已進入測試階段，團隊正持續比對AI產出的內容，與專家人工整理的摘要是否一致，確認準確性與可靠度。

透過這種「AI先整理、人工再確認」的方式，團隊希望逐步建立一份可供不同職類共同使用的臨床摘要，減少搜尋與整理資訊的時間，也讓跨團隊決策更有效率。

 實例2  更精準的轉診二次回覆

除了臨床照護流程，臺大醫院也將GenAI用在轉診回覆這類高度行政、卻又不能出錯的工作上。

進一步來說，依現行法規，接受轉診病人的醫院，必須在病人就醫3天內，將處理情形與建議事項回覆給原院所。臺大醫院原本就有一套轉診回覆機制，電子資料每2小時會自動上傳至健保署系統，並在病人就醫後第2個工作日寄送紙本診療回覆單和檢驗檢查報告給原院所。甚至，臺大醫院還在法規要求外，主動補寄後續檢查結果，將病人就醫28日內的檢驗檢查報告紙本寄回原診治院所，作為第二次轉診回覆。

但這套做法，在實務上仍有落差。由於許多檢查無法在3天內完成，初次回覆內容往往偏制式，對原院所醫師來說，資訊其實有限。臺大醫院門診部因此希望，在第二次回覆時，能提供更有脈絡、也更容易理解的說明。

於是，今年3月開始，門診部聯手資訊室，要用GenAI來輔助整理轉診摘要。他們的構想是，先用LLM解析醫療資訊系統（HIS）中病人所有病歷目錄，從中找出與轉診摘要有關的目錄，再透過HIS查詢，撈出如入院記錄、出院病摘、檢驗報告等資料，再由LLM解析病歷、生成轉診回覆的摘要結果。

臺大醫院針對轉診病患，除了原本的就醫3日內轉診回覆外，還多設計一套28日內紙本轉診回覆機制，來提供更詳細的轉診記錄。他們針對二次轉診回覆，開發一套GenAI工具，來彙整各式病歷資料，提供更完整的摘要，並符合專有名詞不縮寫等多項原則。圖片來源／臺大醫院

在這個流程中，有2個步驟需要LLM，他們分別採用2套不同的模型。第一套是Azure OpenAI GPT 4.1，團隊用它來執行較無隱私疑慮的病歷目錄解析，另一套則是在地端執行的Llama 3.3-70B，用來生成轉診回覆，確保隱私安全。臺大醫院還採取資料平行化處理，同時處理抓取的多份病歷，15到20秒就能生成對應的轉診回覆摘要。

同時，IT設計了AI系統，來讓使用者即時設計提示詞、執行並測試，主打動態調整。提示詞設計則是整個應用的關鍵，團隊希望AI分析並總結病人病歷的3項內容：過去1個月的門診和住院紀錄、檢驗／檢查結果，以及醫療摘要。他們期望產出精簡的重點摘要，涵蓋就醫原因和主訴、檢查及檢驗結果解讀、主要處置和病人對處置的反應、未來計畫等內容。

但團隊還是遇到不少提示詞挑戰，比如生成內容字數過多、冗長，且品質不穩定，就算已給出明確說明，AI仍無法產出完全符合預期的內容。

為此，團隊進一步改善，比如針對品質不穩定，將系統改為即時重新產生摘要內容，來反覆調整、修正。又或是針對無法產出預期內容，進一步加上新提示，比如濃縮重點、寫一篇摘要文章且以段落方式呈現，不使用條列或編號格式等。

測試穩定後，團隊將AI系統串接轉診系統，包括在原本的二次轉診系統回覆介面中，新添「產生AI摘要」按鈕，同時在轉診診療回覆單中，新增「轉診綜合摘要」欄位，呈現AI輔助摘要內容。

自3月開發測試、6月串接系統，今年7月，臺大醫院找來參與轉診星月計畫的7名醫師，進行2個月的測試，期間共完成了192件二次轉診AI輔助回覆。

今年10月1日，這項功能正式上線，單月就完成194件紙本二次回覆，且醫師回饋良好。接下來，臺大醫院門診部將持續精進AI，還要擴大到電子轉診，將AI摘要內容整合至臺大醫院轉診計畫的星月資訊平臺，來讓合作院所醫師自行查詢，或由系統Email給醫師，提供更完整的轉診回覆資訊。

 實例3  護理問答機器人

生成式AI不只被用在醫師與行政流程，也走進護理現場。臺大醫院護理部上線一款名為Zebra的即時問答機器人，目的很單純，就是要降低新進護理人員的心理壓力。因為，對新手護理師來說，短時間內要熟悉大量照護流程與操作細節，本身就是一大挑戰；再加上臨床節奏快，想請教資深同仁也不一定隨時有人能回答。

為解決這個痛點，護理部和IT早在2024年初，就發起一項專案，要打造一套GenAI問答平臺。他們的構想是採檢索增強生成（RAG），串接臺大醫院內部護理專業知識庫，來供新進護理人員提問、即時給予正確資訊。

於是，團隊先收集了醫院使用的207份護理技術評核表，採用Azure OpenAI GPT-4o作為對話模型。接著，他們開始設計提示詞，根據護理臨床習慣、同一技術可能有多種共用語，他們將這些可能加入提示詞中，讓模型學習判讀、提高準確度。

再來，團隊建置測試驗證機制，以165道題目來測試模型表現，同時請護理專家來評估模型回答並校正。最後，臺大醫院在半年前正式上線Zebra系統，讓護理人員在專用的Portal網站中使用它，約5到10秒就能給出答案。服務上線後，團隊也定期盤點使用狀況、修正資料，持續提高品質。

然而，這個過程並非一帆風順。比如團隊一開始選擇模型串接資料時，採用為JCI評鑑而建立的專案管理計畫（PMP）文件，約3、400份，內容涵蓋抽血、化療等各種照護流程的規範說明。但當他們測試時，才發現Zebra的回答並不準確，比如給錯數字；他們溯源時也才知道，原本知識庫中的文件並未與時俱進，需適時修正，之後再重新打包測試。

另一個挑戰則是GenAI幻覺問題。團隊坦言，不論給多少參考資料，很難避免模型在回答時，加入自己的思考。為此，他們先是在對話中加入模型參考資料連結，好讓使用者參考；但測試又發現，模型連連結也會無中生有，於是，他們在RAG索引裡的詮釋資料（Metadata）下功夫，讓模型找對內容、把對的來源連結引用出來，最後正式上線Zebra給新手護理師使用。

IT投入許多人工在精進系統，成果也反映在使用者的回饋上。據統計，新進護理師對Zebra滿意度，不論是回覆是否符合需求、還是介面操作，都達4分，上線後新進人員的單月使用人次為377，每人平均提問4次，最重要的是能即時提供正確資訊、降低新進護理師的挫敗感。

 實例4  影像AI加上GenAI病歷彙整

另一個GenAI亮點應用，則是臺大醫院影像醫學部的影像AI加上LLM的整合式應用，要來解決影像部的過勞痛點。

因為，臺大醫院光是一年的影像醫學檢查量，就高達67萬件，放射科醫師不只要判讀影像，還要花費大量時間查詢病史、整合跨系統資訊並撰寫文字報告，是影像醫學部過勞主因。

為因應這項挑戰，臺大醫院結合原本的8套影像AI，進一步開發6款LLM輔助文字資訊整理。

簡單來說，他們的影像AI負責腫瘤、肺結節或冠狀動脈鈣化等影像偵測與量化，LLM則聚焦人類最難負荷的文字密集工作，包括病史與病程摘要、跨HIS、RIS與EMR系統的資訊整合，以及影像醫學報告的生成和格式檢查。

這6套LLM工具涵蓋了影像檢查前、報告生成到品質控管等多個環節。例如在檢查前階段，系統可根據病人臨床資訊，自動建議合適的CT或MRI掃描參數，降低Protocol設定錯誤的風險。在報告生成階段，LLM能讀取影像AI計算出的冠狀動脈鈣化分數或骨質密度數值，自動產生結構化或初步的文字報告，減少人工輸入錯誤、提高效率。

臺大醫院GenAI應用還結合醫學影像處理，比如根據病人狀況協助設定CT／MRI掃描參數，減少設定錯誤。圖片來源／臺大醫院

臺大醫院還打造一款GenAI工具，能在影像報告生成階段，讀取影像AI計算出的冠狀動脈鈣化分數或骨質密度數值，自動產生結構化或初步的文字報告。圖片來源／臺大醫院

此外，為解決放射科醫師在判讀前，需花費大量時間查詢病史的痛點，團隊也用LLM來自動摘要病人病史與病程，作為影像判讀的輔助資訊。

為解決放射科醫師在判讀前，需花費大量時間查詢病史的痛點，臺大醫院也用LLM來自動摘要病人病史與病程，作為影像判讀的輔助資訊。圖片來源／臺大醫院

對於癌症影像報告，他們則有套LLM應用，可將原本敘述型的文字內容，轉換為結構化的分期資料，提高分期描述的一致性。報告完成後，LLM還可進一步檢查報告是否符合規範，協助部分人工品質控管工作。

對影像醫學部來說，這些LLM工具並非用來取代醫師，而是作為嵌入臨床流程的輔助系統，負責處理最耗時、最容易出錯的文字整理和流程檢查工作，讓放射科醫師能更專注在影像判讀與臨床決策本身。

下一步瞄準GraphRAG、語音摘要與IT開發優化

臺大醫院的GenAI應用不只聚焦前述五大類別，也延伸到IT開發模式的優化。尤其，他們正在開發過程中導入LLM輔助，讓IT更快理解使用者需求與意圖、更快迭代功能，降低傳統瀑布式開發中反覆溝通所造成的成本。

同時，臺大醫院也正研究更多可能的GenAI應用方向。比如GraphRAG，透過圖學分析與關聯推理，嘗試突破傳統以文字區塊為主的RAG檢索方式，來找出更多疾病之間的關聯線索。另一個方向則是結合語音辨識和LLM分析，先將醫療會議內容轉為逐字稿，再由LLM修正文句、摘要重點，作為後續決策和追蹤的參考依據。

從門診推薦、心衰照護，到轉診回覆、護理問答和影像流程優化，臺大醫院的策略並非追求炫目的單點展示，而是將GenAI嵌入既有系統與日常流程，讓AI接手資訊整理、摘要生成與品質檢查等高重複、易出錯且耗費認知負擔的工作。對臺大醫院來說，GenAI的終極目標不是成為顯眼的工具，而是臨床作業流程中「必要且隱形的基礎設施」。