MedTech醫療科技雙周報第46期：馬來西亞進入醫療數位化落地期

重點新聞（0116～0131 ）

 馬來西亞   醫療AI   現代化 

馬來西亞進入醫療數位化落地期，打造全國級健康資料平臺

馬來西亞衛生部在1月初宣布，2026年將正式進入國家醫療體系改革的落地實施期，不再停留在規畫與盤點階段。衛生部長Dzulkefly Ahmad表示，今年改革將以「現代化醫療體系、提升服務品質」為主軸，並推動四大面向改革。

第一是全面數位化，衛生部將擴大全院資訊系統（THIS）至16家醫院，作為核心醫療資訊系統（HIS）平臺，整合臨床、行政與財務模組。同時，他們還要將雲端診所管理系統（CCMS）導入2,489處基層醫療機構，統一門診流程、病歷紀錄與營運資料。衛生部也將啟用整合式監控儀表板，即時彙整各院所的營運、資源與服務量能，作為中央決策依據。

此外，馬來西亞也啟動國家健康互通平臺（NHIP）規畫，作為長期資料架構藍圖，來整合跨院、跨層級的健康資料，讓民眾能存取數位健康資料，同時為後續AI應用與公共衛生分析奠定基礎。

在財務與治理層面，衛生部將強化以疾病診斷關聯群（DRG）為基礎的支付機制，並同步調整保險與給付架構；人力與公共衛生改革則搭配數位人資儀表板與器官移植資料治理。馬來西亞也將於2026年主辦東協衛生部長會議，討論區域醫療治理布局。（詳全文）

衛福部   高算力中心   聯邦學習 

衛福部正式啟動高算力中心暨跨國聯邦學習平臺

衛福部在1月28日啟動國家級高算力中心暨跨國聯邦學習平臺，回應行政院AI新十大建設，也試圖解決醫療體系使用商用公雲時，在資料主權、合規與治理上的限制。該算力中心從硬體設備、機房環境、系統管理到模型訓練流程，全數設於臺灣境內，並完全受我國法規管轄。

這項建設自2024年開始規畫，已完成LS40等級系統建置，並於2025年導入H200等級系統，未來將進一步引進GB200等級系統，以支援大型語言模型與高複雜度醫療AI運算。為提升GPU使用效率，衛福部也導入Nvidia Run:ai，動態調度算力資源，避免傳統靜態配置造成閒置。

在應用層面，衛福部以高算力中心為核心推動聯邦學習，解決醫療AI模型「換醫院就不準」的通用性問題。透過聯邦學習，各醫院在資料不出院的前提下，以本地資料共同訓練模型，僅交換模型參數。此外，該平臺也延伸至跨國合作，已與泰國瑪希敦大學進行乳房攝影與肺結核X光影像的跨國聯邦學習驗證，並與瑞典卡洛琳斯卡醫院展開跨足群智慧醫療研究，作為臺灣醫療AI走向國際驗證與落地的基礎。（詳全文）

 聯邦學習   衛福部   NVFLARE 

衛福部揭國家級聯邦學習平臺運作機制

衛福部資訊處在1月28日啟動國家級高算力中心暨跨院聯邦學習平臺，並揭露其驗證機制與實際運作流程。該平臺以NVFLARE為基礎，主打在醫療資料不出院的前提下，提供跨院AI模型訓練與外部驗證的共同基礎架構。

在系統架構上，聯邦學習平臺由中央端FL Server與各醫院端FL Client組成。中央端負責發布初始模型與訓練設定，各醫院於院內以本地資料完成模型訓練後，僅回傳經加密與差分隱私處理的模型權重與效能指標，由中央端彙整更新模型，再回送各院，透過多輪迭代提升模型在不同醫療場域的泛化能力。

醫院加入平臺需先完成一次性配置（Provisioning），設定身分驗證、安全連線與治理規則；第二步是準備Script，每一個聯邦學習專案皆視為獨立專案（Job），由醫院端主動選擇是否參與，並配置CPU或GPU資源，中央端收到通知後才能派工。目前已有16家醫院加入這個平臺，其中三軍總醫院正進行兩項驗證專案，分別為胸部X光肺結核判讀與乳房攝影乳癌辨識，要驗證模型在跨院場域的通用性。（詳全文）

衛福部   主權雲   資料存取 

衛福部公布主權雲八大方針

衛福部資訊處於1月14日首度對外揭露醫療主權雲政策與八大指導方針，明確回答醫療雲端治理的三個核心問題：誰能管資料、誰管系統、誰握有金鑰。衛福部指出，主權雲不只是資料放在哪裡，而是要確保醫療資料與關鍵系統，全程受我國法律與治理架構管轄。

八大方針可分為三大面向。第一是資料主權與隱私保護，包括資料全程加密且金鑰由政府掌控、資料用途限制、以及不可逆刪除機制，確保雲端業者無法擅自存取或二次利用醫療資料。第二是數據與系統的在地化與管轄權，要求所有生產資料、中繼資料與備援均須存放於境內，並以我國《個資法》與《資通安全管理法》為最高準則，外國法規不得凌駕其上。第三則是營運與資安治理，規範高權限管理員須為本國籍、系統需具備高可用與雙活架構，並要求所有管理操作可被即時稽核與追蹤。

衛福部強調，主權雲並非禁用公有雲，而是採取「分級治理」策略，讓不同風險等級的資料，使用對應安全等級的雲端環境，為醫療AI與雲端應用建立可落地的治理底座。（詳全文）

FHIR   衛福部   SNOMED CT 

衛福部揭FHIR一條龍工具進展，準確率已破91%

衛福部日前揭露FHIR一條龍轉換工具的最新進展，這套由工研院受託開發，主打「病歷潤飾」和「國際編碼推薦」兩大功能，已在3家醫學中心、12,756份病歷測試下，達到91.3%的整體編碼推薦準確率。

FHIR一條龍工具以大型語言模型為核心，第一步會先將病歷中常見的縮寫與片段式描述，轉寫為完整、可被機器理解的臨床敘述；第二步再根據優化後的內容，自動推薦SNOMED CT、LOINC與RxNorm等國際醫學編碼，作為FHIR資料轉換與交換的基礎。

衛福部表示，這項工具是次世代數位醫療平臺計畫的重要基石，目標是協助醫學中心在不汰換既有HIS的前提下，將病歷資料轉為符合國際標準的FHIR格式，提升資料可交換性與後續AI應用潛力。下一步，團隊規畫導入AI代理（AI Agent），讓系統能學習疾病分類師的錯誤回饋邏輯，先提出修正建議，再由醫師快速確認，以進一步自動化除錯與修正流程。（詳全文）

 奇美醫院   居家護理   GenAI 

奇美醫院揭居家護理和護理之家場域AI應用成果

奇美醫院2月初舉辦智慧輔助照護成果發表會，展示與業者共同開發的智慧護理雲端整合系統，將AI應用導入居家護理所與護理之家等場域。

在居家護理應用中，「AI隨行秘書」可透過語音或文字輸入，自動產出照護紀錄草稿，護理師在訪視結束當下就能完成紀錄，新收案平均可縮短25至45分鐘文書作業時間。系統也整合智慧排程功能，自動規畫訪視路線、預估服務時間，並支援傷口影像、錄音和錄影即時回傳。

在護理之家場域，系統整合了住民生命徵象與照護重點，建立即時紅、黃、綠燈警示機制，主動提示健康異常風險，協助護理人員及早介入。奇美醫院表示，AI主要用於處理高重複性的行政與紀錄工作，讓護理人員能將更多時間回到實際照護與專業判斷，讓臨床作業更有效率。（詳全文）

 Humana   保險   客服 

Humana導入AI客服輔助系統，支援2萬名專員處理8,000萬通來電

美國醫療保險公司Humana宣布推出AI客服輔助系統Agent Assist，以Google Cloud的生成式AI技術為核心，來協助會員服務專員即時回應保險給付與資格相關問題。這項新工具於2025年10月開始導入，預計2026年全面部署至Humana客服中心。

Humana目前擁有超過2萬名會員服務專員，每年處理約8,000萬通來電。Agent Assist可在通話過程中即時摘要對話內容、預測會員需求，並快速推薦相關給付與政策資訊，同時自動產出通話紀錄、合規提示，減輕人工整理負擔，讓專員能專注於與會員互動。

在技術架構上，Agent Assist建於Humana自家的代理型AI平臺，整合Google Cloud的Vertex AI、Gemini和Gemini Enterprise for Customer Experience（CX）等服務。系統設計強調人機協作，由AI提供即時建議與背景處理，但決策與回應仍由客服專員負責，以確保服務品質與責任歸屬。Humana表示，Agent Assist 也納入資料隱私、資安與透明性設計，符合其負責任AI原則，作為提升會員體驗與客服效率的關鍵數位轉型項目之一。（詳全文）

 Google   MedGemma   3D影像 

Google升級醫療多模態模型MedGemma，可讀3D影像了

Google最近更新開放權重醫療生成式AI模型MedGemma 1.5，同時推出醫療語音轉文字模型MedASR，要讓開發者更容易把影像、文字和語音，帶進醫療AI應用流程。

Google先提醒，MedGemma 1.5並非直接安裝就能看病的成品，在實際上線前，醫院或廠商仍得用自家資料微調、驗證。Google這次釋出的是4B多模態版本，模型較小、所需的算力也比較省，適合拿來評估或做客製化應用。如果要執行更複雜的文字任務，使用者仍可選擇27B參數的MedGemma 1。

技術上，1.5版最大的進步是能處理電腦斷層（CT）、MRI這類3D醫學影像，甚至是容量非常大的病理切片，只要將把影像切成多個區塊或多張切片，再搭配提示詞一起丟給模型，就能處理。Google內部測試顯示，3D影像判讀準確率確實提升，如CT的宏平均準確率由58.2%提升到61.1%、MRI則由51.3%提升到64.7%。

在系統整合上，Google也補齊DICOMweb影像傳輸標準流程，讓應用可直接用連結在伺服器端讀取CT、MRI，再交給模型推理，不必來回傳輸龐大的影像。至於MedASR則是為醫療口述特別調教的語音辨識模型，針對醫療名詞和說話習慣優化，錯誤率明顯低於通用模型，適合用於醫師對話聽寫，後續再整理或進行AI分析。（詳全文）

攝影／王若樸

  MedTech醫療科技近期新聞 

1. 美政府建立USCDI+BH和FHIR互通機制，強化行為健康病歷資料的跨院傳輸

資料來源：iThome整理，2026年2月