臺大醫院執行中的生成式AI（GenAI）專案超過300個，已落地的更是破百。他們的成功關鍵除了「程式做球、AI殺球」，還靠長年經營的IT基礎，包括精心設計的電子病歷系統、完整的歸戶資料、一次次行動化應用帶來的使用者創新習慣，以及足夠的硬體資源。這些基礎，讓臺大醫院在GenAI浪潮掀起時，得以快速開發並大規模應用。

關鍵1：電子病歷系統

早在2009年，臺大醫院提出全臺第一張完成衛福部報備的電子病歷單張：給藥紀錄後，十多年來持續投入電子病歷系統的建置。他們在做的，不只是把紙本病歷單純數位化，而是反過來思考，如果醫師平常翻的是紙本病歷，那麼電子病歷也應該要有同樣的閱讀感覺。

臺大醫院資訊室經理溫家昶形容，他們設計電子病歷時，一直在思考一件事：能不能讓醫師登入系統後，就像在翻一本熟悉的病歷本一樣，很快知道「這個病人有哪些資料、重要的資料在哪裡」。因此，他們刻意在單一登入介面下，讓電子病歷的結構對齊紙本病歷，而不是讓資料散落在不同系統裡。

這樣的想法，呈現在病歷目錄的設計上。臺大醫院自2010年起，就建置整合式的EMR單一查詢頁面，醫師登入後，看到的不是一堆零散的系統畫面，而是一份像「目錄」一樣的清單，可一眼看出病人的病歷結構，想看哪一類資料就直接點進去。

這份病歷目錄採樹狀結構，就像資料夾一樣，有不同層級與分類。為了讓這本「數位病歷本」長期好翻、好用，每新增一張病歷單張，團隊都會討論該放在哪個位置，確保整體結構不會越來越亂。久而久之，這套目錄也成為醫師在治療病人、回顧病程，甚至做研究時的重要參考。

這樣的設計，在GenAI興起後，意外成了最佳搭配。臺大醫院資訊室主任陳權忠指出，大型語言模型（LLM）其實很適合「讀目錄」。病歷結構清楚，AI就越能快速從病歷海中找到相關資料，不必像人工一樣，一頁一頁點開來看。

臺大醫院有項轉診回覆的GenAI應用，就是從這本病歷目錄開始。系統先用LLM掃描病人在醫療資訊系統（HIS）中的完整病歷目錄，挑出和轉診摘要有關的項目，再進一步抓取入院紀錄、出院病摘、檢驗報告等資料，最後由另一套LLM整理成轉診回覆摘要，醫師只需檢視與調整即可。

對臺大醫院來說，這類AI應用能跑得順，是因為電子病歷早就被整理成「一本好翻的書」。當AI出現時，只是多了一個讀得快、抓重點的新助手。

關鍵2：易於歸戶的病歷資料

更進一步來看，這套結構清楚的病歷系統，也讓GenAI能發揮「不挑資料格式」的優勢。溫家昶指出，大型語言模型並不只擅長讀結構化資料，對PDF、文字檔，甚至影像等非結構化資料，也能理解與整理，尤其是系統本身知道這份資料是誰的、屬於哪一種檢查。

也就是說，無論是儀器輸出的檢驗報告、影像檔，還是以PDF形式產出的文件，都能從臺大醫院HIS資料源頭，清楚對應到病人身分與檢查項目。再加上醫療影像多半透過DICOM等標準格式輸出，系統能事先掌握資料結構與重點欄位，必要時先擷取關鍵資訊，再交由AI進行判讀與分析，提高正確率和可用性。

也因為每一份病歷資料在上線時，就已符合歸戶和結構清楚的原則，AI才能在不同格式間自由切換，不必額外花力氣釐清資料來源。這就像是已經整理好書名、章節和頁碼的資料，GenAI只需負責讀和整理重點，而不是從一堆零散的文件中自行猜測脈絡。

關鍵3：行動化應用推波助瀾

另一項GenAI應用規模化的關鍵，在於臺大醫院一次次的行動化和BI工具應用，逐步改變醫院使用者對新科技的使用習慣和心態。

以HCA行動醫事憑證與電子簽章為例，醫師和護理人員可直接透過手機完成病歷簽署與相關作業，不必再回到護理站或固定電腦前處理。這類「隨手可用」的設計，讓許多原本零碎、耗時的行政流程，可以自然融入臨床工作節奏，加速院內作業的行動化，也這達到非常高的普及率。

不只如此，臺大醫院本身也依不同角色，發展出醫師、護理師、行政人員和病患等人專屬的應用程式，將既有HIS功能延伸至手機端。例如，臨床人員可即時查詢病人資訊、上傳拍攝的文件或影像，病患則可透過行動介面完成同意書簽署或相關確認流程。這些應用不只提升便利性，也讓資料在第一時間完成產生與歸戶。

這種行動化應用風潮，也讓醫護和行政人員對「新工具是否真能改善流程」建立信任。這樣的經驗，讓使用者更願意嘗試新系統、新介面，甚至主動提出資料整合與流程優化的需求，而不排斥系統變動。

同樣的變化，也出現在資料應用層面。臺大醫院長年推動BI工具自助化管理報表，使用者可自行設定查詢條件，即時取得所需資訊，減少等待資料申請和人工彙整的時間。當資料變得「隨時可查、即時可用」，使用者也更容易理解資料如何支持決策，而非只是靜態的報表輸出。

正是這種由行動化和BI工具培養出的使用文化，對GenAI發展產生推波助瀾的效果。臺大醫院也預計在明後年，將原本只能在PC上操作的GenAI應用，進一步擴展到行動裝置上。

關鍵4：高效能的硬體配置

臺大醫院能把GenAI應用一路推到臨床現場，還有一個很實際的前提：後面的機器跑不跑得動。

因為，GenAI不只是寫程式那麼簡單，模型要訓練、要測試，真正上線後還要能穩定運作，背後需要一套撐得住的運算環境。因此，在AI研發階段，臺大醫院就先把算力底盤準備好。

在模型訓練時，臺大醫院使用業界等級最高的一批GPU，包括Nvidia H200，以及廣泛用於AI訓練的A100系列，加上專為AI設計的DGX伺服器，讓團隊可以訓練結構複雜、資料量龐大的醫療AI模型，不必擔心算力不足。這讓醫院在影像、語言和跨資料型態的AI研發上，都能穩定進行。

不過，真正進到臨床後，重點就不再只是跑得快，而是要「跑得穩」。為此，臺大醫院在推論環境中，改採更彈性、可控的方式配置GPU資源，透過vGPU技術，依不同AI應用的需求，把一張GPU資源分成多份使用，交給不同系統且彼此互不干擾。

這麼做，醫院可同時跑好幾個AI服務，又不會因為某個應用用量暴增，影響到其他系統。對醫護人員來說，看到的不是後臺怎麼切資源，而是AI工具能隨叫隨到、穩定可靠。

臺大醫院的GenAI能從概念驗證到臨床大規模落地，並非單點突破的成果，而是長期IT投入的自然結果。從一開始以「好翻、好找」為核心設計的電子病歷系統，到每一筆資料都清楚歸戶的架構，再到行動化與BI工具逐步培養使用者善用新科技的工作習慣，以及撐得住訓練與臨床推論需求的算力底盤，這些基礎都成為臺大醫院GenAI發展的關鍵。

LLM與結構化病歷的新分工

結構化病歷一直是不少醫院關心的重要議題。為了讓機器理解與處理病歷內容，本來就需要一定程度的結構化，在生成式 AI（GenAI）時代更是如此。然而，實務上結構化也面臨不少挑戰。

例如，欄位究竟該不該開、要開多少，再加上醫療內容本身持續變動，一旦欄位設計過於僵化，反而會讓前後病歷難以對照，系統設計的複雜度也隨之提高。

臺大醫院在進行大型語言模型（LLM）應用開發時，也觀察到一個現象：不少關鍵的醫療知識，其實存在於醫師自由書寫的文字（free text）之中。如果過度追求結構化，除非每一個欄位都提供「其他」選項，否則很容易遺漏醫師在臨床流程中的細微判斷和處置思路。

因此，院方採取的策略是「能結構化的就結構化」，但不強迫所有內容都必須切成欄位。對於不一定適合硬性結構化的內容，則保留自由書寫空間，再交由大型語言模型進行後續整理、歸納與分析。如此一來，即使未來需要進行統計分析或機器判讀，仍能以相對簡單的方式轉換處理。

臺大醫院IT團隊也認為，隨著工具演進，未來系統設計可進一步重新思考資料的儲存與使用方式。過去多半採用關聯式資料庫，將資料拆解為正規化欄位；但在GenAI應用情境下，也考慮改以JSON等格式儲存，將資料視為一個完整檔案，以提升存取彈性，並讓大型語言模型搜尋與理解更為順暢。