講者：Dr. William Hersh（美國奧勒岡健康與科學大學 Oregon Health and Science University, OHSU 的生醫資訊學教授） 主題：歡迎詞、10x10 計畫（10x10，10,000 by 2010） 的起源、課程結構、教學模式、師生彼此的期待、Unit 1 內容預告 時長：約 12 分鐘 / 英文原稿約 2,206 字

TL;DR（最該記住的 5 件事）

1. 這不是可以自訂進度（self-paced）的自學課：教材雖然都是非同步（asynchronous）的、可自選時間收看，但你必須跟上進度。Hersh 直說，人跟不上的最大原因就是「落後太多」——一旦拖久了，幾乎補不回來。
2. 每個單元預計要花 4–8 小時：包含聽課、選讀、討論、小測驗（quiz）。全課程共 10 個單元，總計約 40–80 小時。
3. 偶爾遲交沒關係：Hersh 原話——"You can occasionally be late, but my big concern is that when people fall too far behind, it's almost impossible for you to get caught up."（偶爾遲交可以，我真正擔心的是有人落後太多、幾乎追不回來）。換句話說，你錯過 4/29 不是死罪，持續往前推進就好。
4. 作業是「自我評量（self-assessment）」性質的多選題小測驗：重點在考你能不能把教材應用出來，而不是斤斤計較分數。
5. 討論區禮儀很重要：發言不要太短也不要太長；不要從網站或生成式 AI（Generative AI）的輸出直接複製貼上，要用自己的話；小測驗截止後一週內，先別在論壇討論題目（保護還沒作答的人）。

課程結構

10 個 Unit 主題（高層次）

1. 領域總覽，以及推動資訊學（informatics） 與人工智慧（AI，Artificial Intelligence） 發展的醫療問題（就是現在這個單元）
2. 生醫資訊學會用到的計算概念（computing concepts，資訊科學的底層觀念）
3. 電子健康紀錄（EHR，Electronic Health Record，臨床端在用） 與個人健康紀錄（PHR，Personal Health Record，病人端愈來愈常用）
4. 標準與互通性（interoperability）：讓不同系統的資料能彼此互通
5. 人工智慧：深入談預測型 AI（Predictive AI） 與生成式 AI 各自的挑戰
6. 電子健康紀錄的進階應用
7. 電子健康紀錄的導入、資安與成效評估
8. 資訊檢索（也就是搜尋）
9. 研究資訊學（research informatics）：涵蓋臨床研究，以及轉譯生物資訊學（translational bioinformatics）
10. 其他領域：公共衛生、護理、消費者健康、醫學影像、實證醫學等資訊學

學生 ↔ 講師期待（雙向）

對學生：聽完所有課程影片、參與討論、勇於（有建設性地）挑戰講師、按截止日完成作業。Hersh 強調大家都是成人學習者（adult learners）——偶爾遲交可以，但別落後太多。

對講師：營造客觀、對事不對人的學習氛圍；保持高度可及性（Gmail 是最優先的聯絡管道，必要時也能視訊或電話）；課程品質「很好但不完美」——Hersh 自評喜歡邊講邊停下來修正自己，而不是照稿念的「talking head（照稿念的講者）」；他會讀完論壇所有貼文（但不會每一篇都回）。

10x10 計畫小歷史

• 2005 年，構想來自時任美國醫學資訊學會（AMIA，American Medical Informatics Association） 主席的 Dr. Charles Safran：他主張全美約 6,000 家醫院每一家都該至少有一位受過資訊學訓練的醫師與一位護理師。Hersh 把這個願景「具體化」成一個可執行目標——在 2010 年前訓練 1 萬人（10,000 by 2010），這就是「10x10」名稱的由來。
• 到 2026 年，完成這套英文版課程的人已逾 3,400 人。另有西班牙文版，由阿根廷布宜諾斯艾利斯 Hospital Italiano（義大利醫院）的 Dr. Paula Otero 等人主持，也已有逾 1,000 人完訓。

Unit 1 預告（Hersh 在影片末尾說明）

• Video 1.1：生醫與健康資訊學（BMHI，Biomedical and Health Informatics） 的定義與歷史
• Video 1.2：人工智慧的定義與歷史
• Video 1.3：推動資訊學／AI 的醫療問題
• Video 1.4：哪些人在做資訊學與 AI
• Video 1.5：這個領域的專業組織、資訊來源與教育資源

對你（陳禮揚）特別有用的觀察

• 作業是自我評量小測驗，而且計分方式是「取最高分」（Highest grade，可多次嘗試、取最高的一次） → 完美主義可以放下。
• 截止日 4/29 並非硬鎖（已驗證），加上講師親口說「偶爾遲交沒關係」→ 你錯過 Unit 1、Unit 2 的截止日其實沒有實質損失。
• 「幾乎追不回來」那句話，是講給那些一路拖到最後的人聽的——你現在還在第一週，從現在開始完全來得及。
• 講師特別強調不要從生成式 AI 複製貼上。在論壇發言時要用自己的話（你本來就會這樣，這裡只是提醒一下）。

完整逐字稿（英文 → zh-TW）

為節省篇幅，下方只用 「→」 標出每一段的關鍵中文意涵，並非逐字翻譯。完整英文原稿見 1.0_overview.en.txt。

歡迎來到 10x10 課程「生醫資訊學與人工智慧導論」。我是課程總監 William Hersh，OHSU 生醫資訊學教授。聯絡我最好用電子郵件，更多資訊在我的個人網站 billhirsch.info；在各個社群平台中，我認為 LinkedIn 是最適合專業交流的地方。

→ 10x10 的起源：2005 年，時任 AMIA 主席的 Charles Safran 主張，全美每一家醫院都該至少有一位受過資訊學訓練的醫師與護理師；Hersh 把它具體化為「在 2010 年前訓練 1 萬人」。

→ 到 2026 年，完成本英文版的人已逾 3,400 人；西班牙文版（阿根廷布宜諾斯艾利斯 Italian Hospital，由 Paula Otero 主持）另有逾 1,000 人完訓。

→ 課程分兩部分：（1）線上 10 個單元是主體；（2）修課一年內可任選一場實體聚會參加。這不是可自訂進度（self-paced）的自學課：時間可自排，但不能落後——因為（a）一旦落後就難以追上，（b）與同期同學在論壇上的互動，本身就是學習的重要部分。

→ 預期投入：每個單元約 4–8 小時（聽課 + 選讀 + 討論 + 小測驗）。

→ 教學模式：旁白式簡報，每個單元 5–8 段、每段 20–30 分鐘；任何電腦或行動裝置都能看；另提供投影片 PDF 與引用文獻（僅供個人使用，不可分享）。

→ 論壇禮儀：發言不要太短（避免只寫「我同意」）、也不要長到沒人想讀；要尊重同儕；用討論串（thread）回覆、不要另開新串；禁止從網站或生成式 AI 複製貼上，要用自己的話；若引用網站請附上（可點擊的）連結；小測驗截止後一週內不在論壇討論題目（保護還沒作答的人）。

→ 對學生的期待：聽完所有課程影片、參與討論、可以（有建設性地）挑戰講師、按時交作業——「大家都是成人學習者，偶爾遲交可以，但別落後太多」。

→ 對講師的期待：客觀的學習環境、高度可及性（Gmail 為優先聯絡管道）、影片品質「很好但不完美」（Hersh 自承喜歡邊講邊修正，而不是照稿念的 talking head）、會讀完所有論壇貼文（但不會每篇都回）。

→ Unit 1 接下來的內容：1.1 生醫與健康資訊學的定義與歷史 → 1.2 AI 的定義與歷史 → 1.3 推動資訊學／AI 的醫療問題 → 1.4 哪些人在做資訊學／AI → 1.5 這個領域的組織與資源。

講者：William Hersh / 長度：約 25 分鐘 / 字數：3,727

TL;DR

• 生醫與健康資訊學（BMHI，Biomedical and Health Informatics）是資訊學（informatics，Informatics）用在生醫與健康領域的傘狀學科，定義為「運用資訊（常借助技術）來改善個人健康、醫療照護、公共衛生與生醫研究」。核心是資訊（information），不是技術（technology）——技術只是載具，重點在如何善用資訊。
• Hersh 提出「資訊學的形容詞問題」（adjective problem）：每個次領域都愛在 informatics 前面冠上自己的字（bio-、clinical-、nursing-、dental-、public health-、imaging-、research-…），但骨子裡都是同一條光譜上的資訊學。
• 資訊學基本定理（Fundamental Theorem of Informatics，Friedman 提出）：人 + 電腦 > 單獨的人。資訊學追求的是擴增人類認知（augment cognition），不是取代人。
• 黃金法則（golden rule，Cooperman 提出）：別把你自己都不願意用的系統強加給別人——白話說，做出來的東西你自己也得肯用。

必背的術語金字塔（從 cell 到 population）

                    Population 族群（公共衛生）
                           ↑
                    Person 個人（臨床 clinical ＝ 醫學 medical）
                           ↑
              Cell / Molecule 細胞・分子（生物資訊學 bioinformatics）

這條「從細胞到族群」的光譜是 Shortliff 的經典分層，Hersh 把它倒過來畫、最底層是資訊學本身（人 + 資訊 + 技術的交集）。要點：對細胞/分子（如基因體）做資訊學就是生物資訊學（bioinformatics），對個人（病人）做的則叫臨床資訊學（clinical informatics，等同舊稱 medical informatics 醫學資訊學，只是現在多人偏好「臨床」以免被誤會只講醫師）。三層之外還有兩個橫跨各層的分支：影像資訊學（imaging informatics，從細胞到族群的影像都涵蓋）與研究資訊學（research informatics，對各層做研究）。把全部包起來的傘狀詞，就是生醫與健康資訊學（BMHI）。

必背的相關術語對照

研究端術語

• 轉譯研究（Translational Research） — 典型指 bench-to-bedside，把實驗室的基礎研究轉化成能用在病人身上的臨床應用；許多人主張再往外延伸到社區與整體族群。美國 NIH 為此設立 CTSA（Clinical and Translational Science Award，臨床與轉譯科學獎助）中心，資訊學在其中角色吃重。
• 轉譯生物資訊學（Translational Bioinformatics） — 把生物資訊學處理基因體等分子資料的成果，導入健康相關應用。
• 精準醫療（Precision Medicine，舊稱 personalized medicine 個人化醫療） — 依個人特徵（尤其基因體與其他分子屬性）量身打造的診療；因追求「更精準」而改用此名。
• 臨床研究資訊學（Clinical Research Informatics） — 資訊學應用在臨床與轉譯研究的領域，隨 CTSA 計畫大幅成長，也再次凸顯「資訊學 ≠ IT」的差別。

DIKW 框架（Blum 1984）

資料–資訊–知識–智慧（DIKW，Data-Information-Knowledge-Wisdom）框架由 Blum 於 1984 年引入資訊學，影響深遠。可以把電腦裡的東西想成一條加值鏈：

Data → Information → Knowledge → Wisdom（資料 → 資訊 → 知識 → 智慧）

• 資料 Data = 原始觀察值，我們蒐集儲存的一筆筆個別事實。
• 資訊 Information = 資料經組織後產生意義。例：病人的個別觀察值彙整成病史與理學檢查，一組抽血數值變成一張檢驗報告。
• 知識 Knowledge = 分析資訊後得到的理解，能推廣到新情境、化為規則與行動計畫。
• 智慧 Wisdom = 在具體情境中應用知識、也懂得它的限制（這是部分學者外加的第 4 階，加上去才成為完整的 DIKW）。

Quiz 容易考的點

1. EHR 取代 EMR — 為什麼用 EHR？因為強調「病人全域紀錄」的概念，而不只是單一機構的單次就醫紀錄。
2. Bioinformatics 的「正確」用法 = 細胞/分子層次（基因體、微生物體 microbiome），不是拿來泛指整個資訊學。
3. 資訊學基本定理 = 人 + 電腦 > 單獨的人；不是 電腦 > 人。早年想讓電腦取代醫師做診斷、開治療的系統多半失敗了，關鍵在於系統要「擴增認知」而非取代人。
4. AMIA 對 informatics 的定義，關鍵字尾是「efforts to improve human health（致力於改善人類健康）」——美國醫療資訊學會（AMIA，American Medical Informatics Association）的定義以這句收尾。
5. HIT ≠ informatics — 資訊學範圍更大、聚焦於資訊；HIT 偏技術。
6. Florence Nightingale（南丁格爾） = 公認最早的資訊學先驅（會在 1.3a 提到）。
7. 健康專業人員的 5 大核心能力（美國醫學研究院 IOM，Institute of Medicine，2003 年報告）裡，資訊學是其中之一。

講者：William Hersh / 長度：約 22 分鐘 / 字數：3,281

TL;DR

這段用一條時間線串起生醫與健康資訊學（BMHI，Biomedical and Health Informatics） 的歷史——從 1959 年奠定科學基礎，到電子病歷興起、政府立法推動，最後走到新冠疫情。照時序記住這條主線，重點是理解每個事件「推動」或「修正」了什麼：

1959 年 Ledley 與 Lusted 的論文 → 1970–80 年代早期電子健康紀錄（EHR，Electronic Health Record） → 美國國家醫學圖書館（NLM，National Library of Medicine） 建立文獻檢索 → 人類基因體計畫（HGP，Human Genome Project） → 美國醫學研究院（IOM，Institute of Medicine） 的系列報告 → 2009 年 HITECH 法案 推動電子病歷普及 → 2016 年 21st Century Cures Act 強制系統互通 → 2020 年新冠疫情（COVID-19）。

必記事件年表

四大歷史性 IOM 報告（按重要性記）

1. To Err is Human（1999）— 醫療錯誤是系統問題，不是個人過失
2. Crossing the Quality Chasm（2001）— 提出 STEEEP 六大品質目標
3. Computer-based Patient Record（1991／97）— 推動電子病歷
4. For the Record（1997）— 隱私與資安 → 促成 HIPAA

早期電子病歷 — 哪個還活著？

只有 VistA（退伍軍人部 VA 的系統）至今仍廣泛使用——但目前正被 Cerner 取代。其他歷史系統（COSTAR、HELP、TMR、Regenstrief）多已退場。

HITECH 法案的四個層面

1. 電子病歷導入誘因（約 300 億美元）
2. 健康資訊交換（Health Information Exchange，約 20 億美元）
3. 區域推廣中心（Regional Extension Centers）
4. 人力培育（本課程的緣由）+ 資訊學研究

21st Century Cures Act 修正了什麼

講師強調的四個未來挑戰

1. 改善電子病歷的易用性（減少 burnout）
2. 讓資料、資訊、知識更容易取得（即 DIKW 前三層的可及性）
3. 從資料中學習，同時保護隱私與資安
4. 把新一波人工智慧整合進醫療專業

Quiz 容易考的點

• Ledley 與 Lusted 的年代（1959）＋三支柱
• To Err is Human 的死亡數字範圍（4.8–9.6 萬）
• IOM 六大目標 = STEEEP
• HITECH 是哪一年？（約 300 億美元、Obama、隸屬 ARRA）
• 唯一仍在用的早期電子病歷 = VistA
• 21st Century Cures Act 的兩大重點：應用框架 + 禁資訊封鎖
• AI 寒冬是什麼／為何發生（第一波 AI 的「希臘神諭」模型失敗）

講者：William Hersh / 長度：約 19 分鐘 / 字數：2,976

TL;DR

• 人工智慧（AI，Artificial Intelligence）＝電腦科學底下的一個領域，讓電腦去做「原本需要人類智慧」的工作（如診斷、判讀影像）。
• 起源：電腦科學家 John McCarthy 在 1956 年於 Dartmouth College（達特茅斯學院）辦的研討會提出這個名詞。
• AI 三大時代（Howell 提出的分類）： 1. 第一波（20 世紀） — 靠人工建的知識庫（knowledge base）＋專家系統（expert system）；到 1980 年代被認定無法規模化、臨床無用，於是進入 AI 寒冬（AI Winter），多數研究被放棄。 2. 第二波 — 預測型 AI（predictive AI，21 世紀） — 隨機器學習（machine learning）、尤其深度學習（deep learning）的突破而復興，擅長影像分類與診斷預測。 3. 第三波 — 生成式 AI（generative AI，2022 年 ChatGPT 之後） — 以大型語言模型（large language models，LLMs）為基礎，能生成新內容、又能彈性適配到多種任務。

預測型 AI vs 生成式 AI（必懂的對比）

這是本課最常考的對比：預測型 AI 負責「判斷／分類」既有資料，生成式 AI 則「產生」新內容；兩者的技術基礎、訓練資料與醫療用途都不同。

2024 年深度學習拿下兩座諾貝爾獎

深度學習的成功在 2024 年一口氣拿下兩座諾貝爾獎（Nobel-2024），象徵 AI 方法已被主流科學界肯定： - 化學獎（Chemistry）：頒給 Google DeepMind 的 AlphaFold，解決了長年懸而未決的「蛋白質摺疊」難題——從胺基酸序列推算蛋白質的三維結構。 - 物理獎（Physics）：頒給 Hinton 等人，表彰他們證明神經網路（neural networks）能被訓練來做影像分類，對生物醫學影響深遠。

AI 第一波的 4 種方法（重要！）

第一波 AI 想讓電腦做診斷，發展出專家系統，並依「知識如何被表示」分成四種做法：

1. 臨床演算法（clinical algorithms） — 本質是電腦化的流程圖。
2. 貝氏統計（Bayesian statistics） — 用貝氏定理（Bayes' theorem）計算各診斷的機率。
3. 生產規則（production rules） — 一大堆 if-then（如果…就…）規則；由 Edward Shortliffe 的博士論文發揚，成果就是知名的 MYCIN 系統。
4. 評分與啟發法（scoring & heuristics） — 替每個疾病的「表現輪廓」評分挑最佳診斷；這類最能規模化，代表作 DXplain 至今仍可使用。

→ 第一波留到現在的，只剩以規則為基礎的臨床決策支援（clinical decision support, CDS），內建在電子病歷（EHR）系統裡。

為什麼第一波失敗？（Randy Miller 1990 年的論文）

到 1970 到 1980 年代大家發現，當時的電腦扛不住醫療診斷的複雜度。Randy Miller 在 1990 年發表的經典論文點出關鍵原因： - 醫療診斷太複雜，超出當時電腦程式能處理的範圍。 - 電腦太慢。 - 資料要重複輸入：寫在紙本病歷上之後，還得再 key 一次進系統。 - 知識庫全靠手工建構，既沒效率也無法規模化。 - 「希臘神諭」模式不適合醫療：把電腦當成無所不知、直接吐答案的神諭（Greek oracle），在臨床上並不恰當。

為什麼第二波成功？

進入 21 世紀，三個條件到位，AI 才鹹魚翻身： 1. 深度學習突破 — 神經網路的「多層」結構讓學習能力大躍進。 2. 資料源爆炸 — 電子病歷、體學（omics，如基因體）、社群媒體、行動裝置都在大量產生資料。 3. 電腦／網路效能提升 — 算力終於跟上了。

資料科學與資訊學的關係（Payne 模型）

生物／社會／科技流程（process）
        ↓ 傳入（afferent）：資料 → 知識　＝資料科學主場
    資料 → 資訊 → 知識（data → information → knowledge）
        ↓ 傳出（efferent）：知識 → 真實世界　＝資訊學主場
    回饋改善原本的流程

Payne 把「從流程到資料、再回到流程」畫成一個循環： - 傳入端（afferent）：資料 → 知識，主要是資料科學（data science）的地盤——用演算法、機器學習、統計從資料裡萃取知識。 - 傳出端（efferent）：知識 → 真實世界，主要是資訊學（informatics）的地盤——負責評估演算法好不好用、在複雜組織裡落地，並處理人機互動（human-computer interaction, HCI）與工作流程整合。

→ 一句話：資料科學偏向萃取知識，資訊學偏向把知識實作回真實世界。

大數據的 4 個 V（NIST 定義）

大數據（big data）常用「4 個 V」來描述，最新版由美國國家標準與技術研究院（National Institute of Standards and Technology, NIST）提出：

Volume（量）＋ Velocity（速度）＋ Variety（多樣性）＋ Variability（變動性）

• Volume：資料量龐大。
• Velocity：資料產生與湧入的速度很快。
• Variety：類型多元——醫療裡有文字、結構化資料、影像、波形等。
• Variability：資料會隨時間改變。

資料分析的 4 個層次（Gartner 分類）

資料分析（data analytics）由淺到深分四層（顧問公司 Gartner 的分類），愈往後愈有洞見：

1. 描述型（descriptive） — 發生了什麼？（單純報告或示警既有的模式）
2. 診斷型（diagnostic） — 為什麼發生？
3. 預測型（predictive） — 未來可能發生什麼？
4. 處方型（prescriptive） — 該走哪條路最好？—— 最有洞見的一層

必背術語

• 機器學習（machine learning） — Arthur Samuel 在 1959 年的說法：「讓電腦不必被明確編程就能學習」。它不照固定演算法跑，而是從資料裡自己學出關聯與規則。
• 深度學習（deep learning） — 使用「多層」神經網路的機器學習，需要大量算力；是 LLMs 與影像 AI 背後的引擎。
• 資料溯源（data provenance） — 資料的來源與可信度：這筆資料哪來的？能信多少？
• 資料整理（data wrangling） — 把雜亂的原始資料清理、轉成可分析的格式（通常靠寫程式）。
• 詮釋資料（metadata） — 「描述資料的資料」，例如來源、產生者、機構、地區、存取位置。
• 多模態資料（multimodal data） — 跨不同模態、可合併使用的資料，小到細胞分子、大到族群與全球環境。
• 統計 vs 機器學習（Scarlet 的圖）：
• 統計（statistics）：資料＋規則 → 模型 → 輸出結果。
• 機器學習：輸入＋輸出 → 模型 → 產出演算法（再用這個模型對新資料做預測）。

DXplain 逆襲 LLM？（Hersh 提的有趣案例）

近期一篇論文發現：老牌但持續更新的 DXplain，在它從沒見過的新臨床案例上，鑑別診斷竟然贏過好幾個 LLM。寓意——舊系統不一定輸給新 AI，關鍵在有沒有持續維護。

Quiz 容易考的點

• AI 三波的時間線＋各自的代表方法
• 預測型 AI vs 生成式 AI 的差別
• 大數據的 4 個 V（Volume／Velocity／Variety／Variability）
• 資料分析的 4 個層次（描述 → 診斷 → 預測 → 處方）
• 深度學習的 2024 兩座諾貝爾獎（化學：AlphaFold；物理：Hinton）
• 第一波 AI 的 4 種方法＋為什麼失敗
• ChatGPT 公開日期：2022/11/30
• AI ≠ 機器學習 ≠ 資料科學（三者要分清楚）

講者：William Hersh / 長度：約 27 分鐘 / 字數：4,456

TL;DR

• 南丁格爾（Florence Nightingale，1863 年） 被視為史上第一位醫療資訊人：她在著作《醫院筆記》（Notes on Hospitals）中呼籲各醫院以「統一格式」公開統計數據，並用著名的玫瑰圖把戰時可預防的死亡視覺化——這正是醫療資訊學（informatics，Informatics）與資料科學的濫觴。
• 現代醫療的主軸已從急性病轉向 慢性病 與 多重共病（multimorbidity）：一位典型老年病人每天吃 19 種藥、固定看 7 位醫師、住院一趟接觸 27 位照護者，出院後 每 5 人有 1 人在 30 天內再入院——過程處處是資訊斷點。
• 健保追求的目標逐步加碼：Berwick 提出的 三重目標（Triple Aim） → 加上「照護者福祉」成為四重目標（Quadruple Aim）→ 再加「健康平權」成為五重目標（Quintuple Aim）。
• 一句話記牢：健康結果只有 20% 由醫療照護決定，另外 80% 由健康的社會決定因素（SDOH，Social Determinants of Health）決定。

美國健保體系（Reid 四模型——必記）

記者 T.R. Reid 走訪各國，把全世界的健保財源整理成 四種基本模型；美國最特別之處，是全球少數 四種模型同時並存 的國家（多數國家只採用其中一種）。

→ 換句話說，別國多半「一國一制」，美國卻是四制並存：退伍軍人走公醫、上班族走俾斯麥式私保、老人與窮人走政府保險、沒保險的人只能自費。

健保的四種付費方式

1. 論量計酬（Private fee-for-service）：做多少、付多少，是 20 世紀美國的主流；因為對支出沒有任何煞車，最後 難以為繼。
2. 管理式照護（Managed care）：用 健康維護組織（HMO，Health Maintenance Organization） 與 優先提供者組織（PPO，Preferred Provider Organization） 兩種形式控管費用——病人須在特約「網絡內」就醫、費率事先議定，跑到網外就得多付錢。
3. 單一支付者（Single-payer）：醫療多由私人提供，但政府是唯一的付款方（唯一保險人）。
4. 政府直營（Government-provided）：醫院、診所、醫師全由政府擁有並經營，例如退伍軍人醫療系統（VA）。

目標的演進：三重 → 四重 → 五重（Berwick / Bodenheimer / Itchhaporia）

意見領袖 Donald Berwick 主張健保應同時追求前三項，合稱 三重目標；後人再逐步加碼：

1. 更好的健康（Better health）——同時涵蓋 個人 與 群體。
2. 更好的品質與安全（Better quality + safety）。
3. 更低的成本（Lower cost）。
4. 照護者的身心福祉（Provider well-being）——由 Bodenheimer 增列。
5. 健康平權（Health equity）——由 Itchhaporia 增列，構成目前的 五重目標。

美國健保的錢花在哪（2023 年數據）

• 總支出 約 4.8 兆美元，佔 國內生產毛額（GDP，Gross Domestic Product）的 17.6%、平均每人每年約 13,600 美元——等於全美近 1/6 的經濟活動都繞著醫療轉。
• 錢從哪來：43% 來自公家保險（以 Medicare、Medicaid 為主）、30% 來自私人保險、其餘約 27% 來自自費等各種來源。
• 錢花到哪：30% 進醫院、20% 付醫師與臨床服務、9% 買處方藥（其餘為金額較小的各類支出）。
• 少數人花掉大部分錢：前 1% 的人用掉 24% 的醫療支出、前 5% 用掉 51%、前 10% 用掉 67%——費用高度集中在重症與慢性病患者身上。

Medicare 的四個 Part

Medicare 是美國聯邦提供給 65 歲以上長者與部分身障者 的公家保險，分成四個部分（Part）：

老年病人的照護有多複雜

美國醫學研究院（IOM，Institute of Medicine）的報告《Best Care at Lower Cost》具體描繪了慢性病老人面對的複雜處境：

• 不到一半的老年人 的預防保健項目是最新、到位的。
• 有多重共病的老人 每天要吃多達 19 種藥，且服法各異，自我管理極為困難。
• 在門診，平均要看 7 位醫師、橫跨 4 家診所。
• 一旦住院（例如開刀），會接觸到 27 位不同的照護人員（醫師、護理、物理治療師、營養師……）。
• 不到一半的人 出院後有妥善追蹤，結果 每 5 人就有 1 人在 30 天內再入院。

→ 對 informatics 而言，這也點破了核心痛點：病人在多院所、多醫師之間流動，資料卻常常沒跟著一起走。

健康的社會決定因素（SDOH，必背）

健康結果有 80% 由「非醫療」因素決定，這些因素統稱 健康的社會決定因素（SDOH）；真正靠醫療照護左右的，其實只有 20%。

• 涵蓋 經濟、教育、健康行為、實體環境、社區與社會脈絡 等面向。
• 但只有 24% 的醫院、16% 的診所 會主動篩檢病人的 SDOH——醫療體系其實很少處理這一塊。
• COVID-19（新冠疫情） 又凸顯出一個新的 SDOH：寬頻網路——沒有網路，不只就醫受阻，連教育、求職機會都受影響。

美國健康成果為何這麼差（關鍵數據）

• 美國 人均醫療花費全球最高，平均餘命（life expectancy，平均壽命）卻在其他 OECD（經濟合作暨發展組織）先進國家中墊底——錢花最多、命卻最短。
• 郵遞區號（ZIP code）是預測一個人壽命最準的指標之一：住在哪裡幾乎就決定活多久，凸顯地域性的健康不平等。
• 更糟的是，美國的平均餘命近年還在 倒退（多數發達國家並未如此），主因是 藥物過量、酒精性肝病、自殺，以及 COVID-19。
• 城鄉差距明顯：鄉村地區的 可預防住院率高出 40%、死亡率高出 23%。

20 世紀公衛十大成就（CDC）

美國疾病管制中心（CDC，Centers for Disease Control） 回顧 20 世紀，列出公共衛生與醫療的十大里程碑——提醒我們別只盯著缺點看：

疫苗接種、車輛安全、職場安全、傳染病控制、心臟病與中風死亡率下降、更安全的食物、更健康的母嬰、家庭計畫（避孕普及）、飲水加氟（減少蛀牙），以及 認知到菸害。

Quiz 容易考的點

• 南丁格爾：記住年份 1863，以及她為何被視為資訊學之祖（公開統計 ＋ 資料視覺化）。
• Reid 四種健保模型 的特徵，以及各自的 美國對應。
• Medicare 的四個 Part 各管什麼（A 住院、B 門診醫師、C 私人打包、D 藥）。
• SDOH 佔健康結果的比例 ＝ 80%（醫療只佔 20%）。
• 三重／四重／五重目標 各自新增了什麼（福祉、平權）。
• 美國健保 佔 GDP 約 17.6%。
• 前 5% 的高用量者 用掉約 51% 的醫療總支出。

講者：William Hersh / 長度：約 19 分鐘 / 字數：3,140

TL;DR

美國健保有 4 大問題：成本（Cost）、品質（Quality）、變異（Variation，同一種病在不同地區／醫師手上做法差很多）、可近性（Access，看不看得到、付不付得起）。本影片只講前兩項——成本與品質。

美國的成本問題（Cost）

為什麼這麼貴？

• 美國人並非用了比較多醫療，而是每項服務的單價比較貴——同樣的照護，美國付的錢是其他高所得國家的 1.5 倍以上。
• 三大推手（driver，把成本墊高的主因）：人事薪資、商品（尤其是藥）、以及行政成本（大量花在「控制成本」的行政作業上，反而更貴）。
• 美國醫師的平均薪資高於其他先進國家。
• 「做處置的」程序型醫師（如外科、心導管）收入遠高於「靠判斷思考的」認知型醫師（cognitive care，指內科、家醫科、兒科）。

市場失靈

• 醫療不像買車、買電腦，一般自由市場機制在這裡失靈。只有 7–33% 的醫療是「可購物的」（shoppable，指病人能事先比價、預約挑選），其餘大多無法選擇何時、如何購買。
• 賣方（醫院、醫師、藥廠、器材商）同時掌握供給、資訊、以及影響政策的政治獻金，買賣雙方議價能力極不對等。
• 經濟學者 Graeber 形容：美國健保是一份「沒有標價的菜單」（menu without prices）——你點了餐，卻不知道要付多少。
• 更諷刺的是：沒有保險的人付的是完整定價（list price，未經議價的全額），有保險的人反而享折扣議價——最弱勢的人付最多。

失控的藥價案例

• Daraprim（治療 HIV 相關感染的老藥）：2015 年 Martin Shkreli 買下唯一製造商後，把價格一口氣調漲數千 %。病人非用不可、又無替代品，藥廠便予取予求。
• 多種抗癌藥、以及呼吸科用的 ACTH（促腎上腺皮質素，Adrenocorticotropic Hormone）也是同樣套路。
• 美國聯邦老人與身障健保（Medicare，給 65 歲以上及部分身障者的公營保險）付錢買了 134 種藥——這些藥經美國食藥署（FDA，Food and Drug Administration）核准，卻被英國、加拿大、澳洲的醫療科技評估機構拒絕給付（認為療效撐不起價格）→ 每年浪費約 260 億美元。

醫院整併（hospital consolidation）

• 醫院彼此併購、市場集中 → 價格上漲，品質卻只有小幅改善。
• 私募股權基金（PE，Private Equity，追求短期財務報酬的投資者）收購醫院後，不良事件（adverse events，醫療過程造成的傷害）增加——包括病人跌倒、中心導管相關血流感染（CLABSI，Central Line-Associated Bloodstream Infection）、手術部位感染（SSI，Surgical Site Infection）。
• 收購後病人的就醫滿意度也下降。

價格不透明（Pricing Opacity）

• 2013 年研究：詢問髖關節置換的完整價格，只有 50% 的頂尖醫院、10% 的其他醫院答得出來，且報價落差極大。
• 只有 21% 的骨科醫師正確知道自己要植入病人體內的植入物（implant）成本。
• 有研究發現：報得出「停車費」的醫院，竟比報得出一次心電圖（ECG，Electrocardiogram）價格的醫院還多——醫療訂價的不透明可見一斑。

已知有效的省錢方式

• 包裹式給付（Bundled payments）：一次手術（如關節置換）給醫院一筆總額，而非醫院、外科、麻醉各自請款，逼各方一起控成本。Medicare 的下肢關節置換省了 2.5%、商業保險三種手術省約 10%，系統性回顧一致顯示能降成本。
• 強化基層醫療（primary care）：每 10 萬人多 10 位基層醫療醫師（PCP，Primary Care Physician，第一線家醫／內科醫師），平均壽命增加 51.5 天；同樣多 10 位專科醫師（specialist）只增加 19.2 天——基層醫療的壽命效益約是專科的 3 倍。
• 價值導向採購（Value-based purchasing）：依療效而非服務量付費，尤其「高強度」的合約，能同時提升品質、壓低成本。

美國的品質問題（Quality）

聯邦基金會「Mirror Mirror」2024 年報告

非營利組織「聯邦基金會」（Commonwealth Fund）每隔幾年做一次跨國比較，最新一版是 2024 年的「Mirror Mirror」報告。美國在經濟合作暨發展組織（OECD，Organisation for Economic Co-operation and Development，泛指高所得先進國家俱樂部）當中： - 整體系統表現：最後一名。 - 可近性（Access）、行政效率（admin efficiency）、公平性（equity）、健康結果（health outcomes）：全部墊底或接近墊底。 - 可避免死亡（avoidable mortality，因缺乏醫療照護而死）：最後一名。 - 唯一強項：照護流程（care process）——急性、高科技的治療，只要進得了門，美國做得不錯。

兩種錯誤

談品質可分兩種錯誤——「該做卻沒做」與「做了卻做錯」：

抗生素亂用（持續多年）

抗生素用錯不只傷病人，更會養出抗藥性細菌，是研究數十年仍未解的老問題： - 25% 的門診抗生素處方屬於不當使用（inappropriate，該病症根本不需要抗生素）。 - 18% 的處方病歷上查無適應症（indication，開這個藥的正當醫療理由）。 - 17% 的看診沒有任何感染診斷，卻開了抗生素。 - 28% 的處方甚至完全沒有對應到實體看診。 - 針對「推定性」肺炎（pneumonia）與泌尿道感染（UTI，Urinary Tract Infection）診斷所開的處方，高達 75% 找不到病歷佐證。

低價值檢查（Low-value testing）

• 「低價值檢查」指對這位病人幾乎不會有幫助的檢查，卻會牽動更多看診、檢查、處置，只墊高成本、不帶來價值。
• Oakes 等人強調：減少低價值照護（low-value care），正是提升醫療整體價值（health value）的關鍵。

醫師自有 vs 醫院／系統所有（clinician-owned vs system-owned）

• 醫師自己擁有的診所（clinician-owned）在心血管照護品質上表現更好，且員工的職業倦怠（burnout，長期高壓導致的身心耗竭）並未因此增加——優於由醫院或大型醫療系統持有的診所。

Quiz 容易考的點

• McGlynn 2003 的數字 = 約 55%（照護符合最佳實證的比例）。
• IOM 醫療錯誤死亡數字（4.8–9.6 萬／年；極端推估可能再高 10 倍）。
• 疏漏之錯 vs 犯錯之錯（errors of omission vs commission）的定義與範例。
• 包裹式給付的成效（省 2.5%～10%）。
• 基層醫療 vs 專科的壽命槓桿（每 10 萬人多 10 位，基層醫療醫師的效益約 3 倍）。
• 醫院整併的副作用（價格升、品質微升、私募股權收購後不良事件升）。
• 為什麼健保不適用一般市場機制（4 個原因，見上方「市場失靈」：可比價比例低、賣方掌控供給、掌控資訊、影響政策）。
• 美國醫療人力與 OECD 比較（醫師較少、護理師較少、病床較少、住院天數（LOS，Length of Stay）較短）。

講者：William Hersh / 長度：約 24 分鐘 / 字數：3,913

TL;DR

接續前段，講完「美國健保四大問題」的後兩項——醫療差異（variation） 與 醫療可近性（access），再深入 平價醫療法案（ACA，Affordable Care Act，即歐巴馬健保 Obamacare） 的內容、各方批評與未來改革方向。

醫療差異問題（Variation）

達特茅斯地圖集（Dartmouth Atlas）的起源

• 達特茅斯健康照護地圖集（Dartmouth Atlas of Healthcare） 由 Wenberg 在數十年前提出：他發現不同地區的手術率、住院床位使用率差很多，而且與病人本身的病情特徵無關——同樣的病，住在不同地方就接受到不同強度的醫療。
• 美國醫學研究院（IOM，Institute of Medicine） 在 2013 年 的報告再次確認：這個差異問題至今依舊存在。
• 一項分析發現，只有 8% 的美國人接受到所有「高優先」的臨床預防服務（該做的篩檢、疫苗等），顯示預防照護落實得很差。

醫療差異的四大成因（占花費變異的比例）

1. 醫療服務使用量（service utilization）——65%：最大宗。同樣的病用了多少檢查、住院、手術，占了花費差異的近三分之二，這也是最重要的考點。
2. 服務的價格與強度（price + intensity）——24%。
3. 疾病盛行率（disease prevalence）——7%：當地人本來就比較多病。
4. 人口年齡結構（population age）——4%。

醫療結果差異的有趣發現

• 花錢多不代表照顧得好：研究一再發現，醫療花費與照護品質、病人結果之間沒有明顯正相關。
• 在 聯邦醫療保險（Medicare，Medicare，美國 65 歲以上長者的健保） 病人中，由女性醫師、年資較淺的年輕醫師、以及外國醫學院畢業醫師照顧的病人，死亡率反而較低。
• 診量效應（volume effect）：看得多、做得多的機構（不論是手術或糖尿病門診），病人結果較好——熟能生巧。
• 醫病性別一致（gender concordance）：女病人由女醫師照顧結果更好；男醫師照顧女病人時結果較差（尤其在心臟疾病）。
• 瑞典與美國的研究都發現：女外科醫師的手術結果較佳，即使控制了各種干擾因子仍成立。

醫療可近性問題（Access）

美國是唯一沒全民健保的先進國

• 美國是唯一沒有全民健保的先進經濟體。沒保險的人容易因「門診可控疾病（ambulatory care-sensitive conditions，本來在門診就能處理的病）」延誤而住院，住院率與死亡率都上升。
• 保險確實有用：2017 年 兩篇分析顯示，有保險能提高就醫可近性、提高慢性病治療率、改善自評健康，並降低死亡風險。
• 聯邦醫療補助（Medicaid，Medicaid，美國低收入者的健保） 的擴大納保效果明確：納保人數每增加 12%，低收入成人死亡率就下降 2.5%；換算下來新加保者的死亡風險（hazard）降低 21%。
• 而且划算：每延長一年壽命約花 18 萬美元（$180K），與其他公認值得做的醫療介入相當。

健保改革的歷史（Healthcare Reform）

平價醫療法案（ACA / Obamacare）三大目標

1. 擴大納保（expansion of coverage）：讓人人都有保險——手段包括個人強制納保（individual mandate）、補貼低收入戶、擴大 Medicaid、以及處罰不替員工投保的雇主。
2. 規範保險內容（regulate coverage）：禁止保險公司因既往病史（pre-existing conditions）拒保，並強制所有保單涵蓋一組必要給付項目（essential benefits）。
3. 壓低成本成長曲線（bend the cost curve）：用「高品質、低成本」的誘因，試圖減緩醫療費用的成長速度。

Krugman 的「三腳凳」比喻

經濟學家 Krugman（Paul Krugman）用「三腳凳」形容平價醫療法案的設計，三隻腳缺一不可：

1. 社區費率（community rating）：同一地區大家保費相同、給付相同，不因個人病史或健康狀況被加價。
2. 個人強制納保（individual mandate）：健康的人也要投保、也要付費，不能等生病才保——這樣風險才分攤得開。此腳已於 2017 年被廢除。
3. 補貼（subsidies）：替負擔不起的人出一部分保費，適用對象最高可達貧窮線的 400%。

平價醫療法案的十項必要給付（essential benefits）

所有保單都必須涵蓋以下十項必要給付，杜絕過去那種漏洞百出的「垃圾保單」：門診、急診、住院、孕產（生育）、心理健康、處方藥、復健、檢驗（實驗室）、預防保健、兒童照護（含牙科與視力）。

平價醫療法案成功了嗎？

• 無保險率明顯下降：在法案上路前的 2013 年 達到高峰 16%，到 2022 年初 降到最低約 8%，之後就穩定在這個水準——這是最常考的數字。
• 目前約有 4,400 萬（44 million） 美國人透過此法案獲得保障，大約一半來自有補貼的保險交易市集（marketplace），另一半來自 Medicaid 擴大納保。
• COVID-19 疫情期間 它是重要的社會安全網——大量失業者靠它維持保險。
• 系統性回顧顯示，它改善了民眾的自評健康（self-reported health）、多種特定疾病的治療結果，以及整體人口的存活率。
• 對財務吃緊的偏鄉醫院（rural hospitals） 也有幫助：病人有 Medicaid 給付總比完全沒保險好，能避免醫院倒閉。

平價醫療法案也對成本與品質出招

• 責任照護組織（ACO，Accountable Care Organizations）：採「共享結餘（shared savings）」模式——若醫療機構能更有效率地把病人照顧好，省下來的錢可以跟政府分。奧勒岡州的 Medicaid 就用這套（當地稱為協調照護組織 CCO，Coordinated Care Organizations）。
• 聯邦醫療保險與補助中心（CMS，Centers for Medicare & Medicaid Services）報告，責任照護組織近年每年替系統省下 50 至 60 億美元（$5–6 billion）。
• 以病人為中心的成效研究院（PCORI，Patient-Centered Outcomes Research Institute）：資助「比較有效性研究（comparative effectiveness research）」，比較不同治療方式，找出哪一種真正有效。

共和黨 vs 民主黨的改革思路

→ 但實證打臉：針對高自付額方案的研究發現，人們傾向乾脆不看病，而不是去找比較便宜的醫療——這不符合「消費者會精打細算比價」的古典經濟學假設。

其他改革論點

• 遏止藥廠「製造疾病（disease-mongering）」——為了賣藥，把正常狀態塑造成需要治療的病。
• 社會過度醫療化（medicalization）：做得越多、邊際效益越低，錢花下去不見得更健康。
• 讓醫療從「交易式（transactional）」轉向「投入參與式（engagement）」——醫師多花心力解決病人問題，少花在文書與計費上。
• Medicare Advantage（聯邦醫保的商業版方案） 快速成長，但保險公司有「挑健康病人（cherry-picking）」的誘因，推高成本與利潤。
• 健康生活（healthy living）：Ford 提出四個簡單因素，可大幅降低心臟病、中風、癌症等主要死因的風險： 1. 身體質量指數（BMI）< 30 2. 每週運動 ≥ 3.5 小時 3. 多蔬果、全穀、瘦肉（優質蛋白）的飲食 4. 不抽菸
• 美國心臟協會（AHA，American Heart Association）的「必要八項（Essential Eight）」：上述四項再加上「睡眠」，以及控制血脂、血糖、血壓。
• 超加工食品（ultra-processed food） 是傷害健康的重要元凶（Tovia 的文獻回顧）。
• 美國的「壽命（lifespan）與健康壽命（healthspan）落差」是全球最大——活得久，但晚年不健康的時間也最長。

科技公司能否破局？

Hersh 的立場是懷疑，理由有四：

1. 科技公司擅長迎合消費者偏好（consumer preferences），但那不等於真正的醫療需求（true medical needs）。
2. 這些公司通常不願承擔醫療責任（medical liability）——出事誰負責？
3. 資料所有權（data ownership） 問題未解，而這恰恰是他們能否成功的關鍵。
4. 一句話總結（Pearson 2022）：「醫療需要的是橋樑與隧道，不是鐵鎚與釘子（healthcare needs bridges & tunnels, not hammers & nails）」——意思是科技業得從內部改善既有醫療體系，而不是另起爐灶。

考試容易考的點（Quiz）

• 平價醫療法案「三腳凳」的三隻腳：社區費率、個人強制納保、補貼。
• 法案上路後無保險率的變化：16% → 8%。
• 責任照護組織（ACO）的模式特徵：共享結餘。
• Reid 四模型（Reid）（前一段已講）。
• 健康生活的四因素（BMI、運動、飲食、不抽菸）。
• 美國心臟協會的「必要八項」。
• 醫療差異最大的成因 = 醫療服務使用量（service utilization）。
• 為什麼單一支付制（single-payer）在美國有爭議 = 稅負會增加，但行政成本省下來。

講者：William Hersh / 長度：約 24 分鐘 / 字數：3,784

TL;DR

• 資訊學（informatics，Informatics）的人力（workforce）分兩大類：從業者（practitioners）——實際開發、導入、評估與領導資訊系統的人；以及使用者（users）——運用這些工具完成醫療與研究工作的人（臨床醫師、病人、研究者、行政人員等）。
• 醫療資訊人力（Health IT workforce）由三大專業組成：資訊技術（IT，Information Technology）、健康資訊管理（HIM，Health Information Management）、臨床資訊（Clinical Informatics）。
• 美國至今沒有資訊學專屬的職業分類代碼（標準職業分類（SOC，Standard Occupational Classification）納入失敗），導致這個領域難以做出可信的人力統計。

資訊人力的五大實務領域

美國醫學資訊學會（AMIA，American Medical Informatics Association）委託進行的「資訊人力分析」（又稱實務範疇界定，Delineation of Practice，DOP），是目前對資訊從業者工作內容最詳細的描述。它分別針對兩種人力——臨床資訊（clinical informatics）與健康資訊（health informatics）——各做一次分析，結果卻高度相似，都歸納出五個實務領域（domain）：

1. 基礎知識與技能（Fundamental Knowledge & Skills）：讓資訊人員具備共同詞彙、跨資訊領域的基礎知識，以及對所處環境（個人健康、醫療照護、公共衛生、研究）的理解。這是所有資訊工作的共同底座。
2. 提升健康決策與照護品質（Enhancement of Health Decision-making & Care Delivery）：核心是臨床決策支援（CDS，Clinical Decision Support）——如何開發、導入、評估與維護；也包括分析既有流程、評估資訊系統對臨床實務的影響，並推動創新。
3. 資訊系統（Information Systems）：規劃、開發、採購、導入、維護與評估資訊系統，範圍橫跨臨床、消費者健康與公共衛生三個場域，並須處理資安、隱私與病人安全等議題。
4. 資料治理、管理與分析（Data Governance, Management & Analytics）：這是相對於早期架構後來新增的領域（所以被標為「第 5 個」），反映資料工作在資訊學中日益重要；內容涵蓋資料品質、辨識並降低偏誤（bias），以及導入與評估人工智慧（AI，Artificial Intelligence）與機器學習（ML，Machine Learning）應用。
5. 領導、專業素養與變革（Leadership, Professionalism & Transformation）：處理「人與組織」的面向——變革管理、建立共識，並透過跨組織協作與利害關係人參與（stakeholder engagement）來推動資訊計畫。

Valenta 的基礎領域架構（Foundational Domains）

另一套能力架構來自 Valenta 提出的「應用型健康資訊學基礎領域」。三個最基本的領域——健康（Health）、資訊科學與技術（Information Science & Technology）、社會與行為科學（Social & Behavioral Science）——彼此交疊，三者共同的交集正中央，就是資訊學：

       Health
      /      \
Information  Social/Behavioral
Sci & Tech    Sci
      \      /
        ↓ 中央 = informatics

再往外圈加上領導（leadership）、專業素養（professionalism）與跨專業協作（interprofessional collaboration）三個環繞領域。這套架構正是健康資訊與資訊管理教育認證委員會（CAHIIM，Commission on Accreditation for Health Informatics and Information Management Education） 用來認證應用型健康資訊碩士學程的依據。

醫療資訊人力（Health IT Workforce）的三大組成

醫療資訊人力中人數最多的，是在醫院／臨床場域工作的人，通稱「醫療資訊人力（Health IT workforce）」，可再細分為三大專業組：

健康資訊管理（HIM）的三個層級

健康資訊管理這門專業正在轉型：過去負責紙本病歷室與紙本病歷，如今隨著電子健康紀錄（EHR，Electronic Health Record）普及而全面數位化，甚至有人說這個領域「不轉型就會消失」。歷史上它分成三個層級，各需不同訓練；其中只有中低兩階被美國勞工統計局（BLS，Bureau of Labor Statistics）納入官方統計。

這一階（RHIT 加編碼人員）是整個醫療資訊人力中，唯一有官方統計數字的族群；最高階的 RHIA 反而沒被算進去。

醫院裡的資訊人力配置

• 配置比例約為每 60 名非資訊人員配 1 名資訊全職人力（1 FTE，全職人力當量，Full-Time Equivalent）。這是衡量醫院資訊人力投入的基準比值。
• 研究進一步推估：若全美每一家醫院都達到 美國醫療資訊與管理系統學會（HIMSS，Healthcare Information and Management Systems Society）電子病歷成熟度最高的第 7 級（Stage 7，即完全採用電子病歷），將需要再增加約 40,000 名資訊人員。正是這項研究，促成 經濟與臨床健康資訊科技法案（HITECH，Health Information Technology for Economic and Clinical Health Act） 把人力培育納入經費補助。

臨床資訊人力有多少人

• AMIA 前理事會主席 Charles Safran 曾主張：美國每家醫院都該有 1 位醫師 + 1 位護理師 受過資訊訓練。全美約 6,000 家醫院，推算需求約 10,000 人——這正是本課程 「10x10」（目標在 2010 年前訓練一萬名資訊人才）名稱的由來。
• 臨床資訊實際從業人數不明，但一般認為高於這個估計。
• 多數醫療機構設有獨立的臨床資訊部門，與 IT 部門分開（有時也納入 HIM 人員）。

求職市場分析（2020 年 indeed.com 206 筆職缺）

2020 年一項針對求職網站 indeed.com 的分析，篩出 206 筆 健康／臨床資訊相關職缺，可看出市場的實際需求：

• 約 四分之三（75%） 是臨床資訊職缺。
• 62.1% 要求至少學士學歷。
• 平均要求 1.6 年 經驗（要求學士者平均 3.5 年、要求碩士者平均 5.8 年）。
• 只有 7.3% 要求正式的資訊學學歷——顯示這個領域仍高度倚重實務經驗，而非科班訓練。
• 最搶手的技能是 電子病歷（EHR）支援、教育訓練，以及其他臨床系統操作。

教育供給與求職需求的落差（94 所美國大學分析）

另一項分析檢視了 94 所 提供資訊或相關研究所學程的美國大學，並比對其課程內容與職缺需求：

• 多數學程提供 資訊學碩士 學位。
• 教學內容與求職市場需求之間存在落差。
• 職缺最常要求的技能是 資料分析（data analysis）、資料庫管理（database management）與電子病歷（EHR）應用。
• 常被點名的工具，是資料分析／視覺化工具與程式語言：Tableau、R、Python、SQL。

資料科學家（Data Scientist）的市場行情

與資訊學高度重疊的另一個成長領域，是資料科學（data science）：

• 據美國勞工統計局（BLS），資料科學家在美國的平均年薪約 112,000 美元。
• 2024 年約有 246,000 個 職位，預估到 2034 年再增加 82,000 個（成長 34%）。
• 這個領域不只需要「跑數字的核心運算者（number crunchers）」，也需要 輕量量化人才（light quants） 與 分析轉譯者（analytical translators）——後兩類負責確保資料品質，並把分析結果轉譯成醫療等組織能實際落地運用的決策。

職業分類代碼（SOC Code）闕如的來龍去脈

人力難以統計的根本原因，是缺乏對應的官方職業分類代碼。

• 2018 年版標準職業分類（SOC）的草案，曾納入「健康資訊學」的獨立職業代碼。
• 但最終公告版把它刪除，健康資訊學被併入 29-9021「健康資訊技術人員（health information technologists）」 這個大類，失去獨立身分。
• 國際上的 國際標準職業分類（ISCO，International Standard Classification of Occupations） 同樣沒有資訊學代碼，而且自 2008 年起就未再更新。
• 結果就是：這個領域始終缺乏可信的人力統計數據。

考試容易考的重點

• AMIA 的五大實務領域分別是什麼。
• 醫療資訊人力（Health IT workforce）的三大組成。
• HIM 三個層級各對應哪種學歷。
• 「每 60 名非資訊人員配 1 名資訊全職人力（1 FTE）」這個比值。
• 課程為什麼叫 「10x10」。
• 臨床資訊部門通常獨立於 IT 部門。
• 健康資訊學認證（AHIC，AMIA Health Informatics Certification）、CAHIIM 與 CFIMS 分別是什麼（下一段 1.4b 會深入）。

講者：William Hersh / 長度：約 21 分鐘 / 字數：3,313

TL;DR

• 資訊學（informatics）與人工智慧（AI，Artificial Intelligence）的使用者（users）遠多於實作者（practitioners）——不只臨床醫師，連研究者、護理人員、甚至病人本身都算；在 21 世紀，人人都需要基本的資訊素養來管理自己的健康與照護。
• 主要的資訊學領導者（leaders）有四類：資訊長（CIO，Chief Information Officer）、醫療資訊長（CMIO，Chief Medical Informatics Officer，近年漸改稱健康資訊長 CHIO，Chief Health Information Officer）、護理資訊長（CNIO，Chief Nursing Informatics Officer）與技術長（CTO，Chief Technology Officer）。
• 專業認證（certification）有三條主線：醫師走臨床資訊學醫師次專科認證（臨床資訊學次專科認證，2011 年起）；美國醫學資訊學會（AMIA，American Medical Informatics Association）另推的健康資訊學認證（AHIC，AMIA Health Informatics Certification）2022 年起開放給所有專業人員；此外還有醫療資訊與管理系統學會（HIMSS）的 CFIMS 認證。

資訊學的使用者（Users）——重要！

資訊學實作者所服務的對象——也就是「使用者」——範圍遠比實作者本身廣。臨床與轉譯研究者、下一代的資料科學研究者、護理人員，乃至病人，在 21 世紀都得具備一定的資訊與 AI 知能。

醫師與醫學生——必修能力（2014 年版 → 2023 年更新）

注意：你（陳禮揚）是 CMIO-equivalent，這部分跟你的工作直接相關。

這份能力清單最早出自 2014 年的論文，之後多次更新，最近一次是 2023 年新增了「使用並批判 AI」。所有醫療專業人員（不只醫學生）理論上都該具備這 13 項：

1. 搜尋知識（查找實證與文獻）
2. 使用電子健康紀錄（EHR，Electronic Health Record）
3. 使用並指導臨床決策支援系統（CDS，Clinical Decision Support，系統依病人資料主動給出提醒或建議）
4. 族群健康管理（population health management，以整個病人群體為單位做健康管理）
5. 保護病人隱私與資訊安全（privacy & security）
6. 圍繞健康資訊科技（IT，Information Technology）的病人安全
7. 品質量測（quality measurement）
8. 透過健康資訊交換（HIE，Health Information Exchange）取用他院的病人資料
9. 病人參與（patient engagement）——個人健康紀錄（PHR，Personal Health Record）與病人入口網站（patient portals）
10. 遠距醫療（telemedicine，COVID-19 期間大幅增加）
11. 個人化／精準醫療（personalized / precision medicine）
12. 實務為本的臨床與轉譯研究（practice-based research）
13. 使用並批判 AI（2023 年新增，呼應 AI 進入臨床）

病人也是使用者（KFF 2024 年調查）

凱瑟家庭基金會（KFF，Kaiser Family Foundation，美國知名健康政策智庫）2024 年的調查顯示，病人普遍會自行找健康資訊：

• 63% 每週至少一次用網路搜尋健康資訊；93% 曾經用過
• 56% 每週用社群媒體查健康資訊；78% 曾經用過
• 13% 每週用 AI 聊天機器人；37% 曾經用過

資訊學的領導者（Leaders）

醫療機構常把臨床端的資訊主管統稱為「臨床資訊長（CCIO）」，其中最常見的就是 CMIO。許多機構還會成立獨立於 IT 部門、由臨床領導的「臨床資訊營運單位」，通常由 CMIO 掌舵。

資訊長 CIO——任何組織的標配

資訊長（CIO）是幾乎所有組織（不只醫療業）都有的資訊系統最高主管。2024 年一份醫療 CIO 調查發現：

• 多數已進入組織的高階經營團隊（executive team）
• 約半數年薪超過 50 萬美元
• 工作滿意度普遍高，並視人才培育為要務
• 當前優先事項：替 AI／機器學習打好策略基礎，同時維持財務謹慎

醫療資訊長 CMIO（你的等級！）

• 通常由醫師或臨床領袖擔任，是臨床端與 IT 部門之間的關鍵橋樑（executive informatician）
• 頭銜漸改為健康資訊長（CHIO），強調關注範圍已超越單純的醫療或 EHR 議題
• 主要任務從系統導入（implementation）轉向系統最佳化（optimization）、AI、族群健康與病人參與
• 新興職位：健康 AI 長（Chief Health AI Officer），已有多家學術醫療中心設立

CMIO 2023 年 Witt Kiefer 調查（215 人）

高階獵才公司韋特凱佛（Witt Kiefer）於 2023 年、對逾 215 位醫師資訊主管做的調查：

• 75% 為男性
• 最常見頭銜是 CMIO（48%）；健康資訊長 CHIO 約 8%；副 CMIO／CHIO 約 15%
• 75% 服務於多院區系統、整合式醫療網（IDN，Integrated Delivery Network）或學術醫療中心
• 75% 有超過八年的資訊學經驗
• 約七成仍看診（多數為 25% 工時以下）
• 回報對象（reporting）多為醫務長（CMO，Chief Medical Officer）或 CIO
• 75% 有直屬部屬（帶團隊）——早年許多 CMIO「有責無權」，如今已改觀
• 72% 具臨床資訊學專科認證，但只有 32% 受過正式資訊學訓練——顯示多靠實務資歷、而非科班出身
• 薪資中位數約 35 萬美元，高於一般內科、家醫或兒科

護理資訊長 CNIO

• 54% 的組織已設有此正式職位
• 回報對象大致三分天下：資訊系統／IT、資訊學部門、護理部各約三分之一
• 擁有碩士學位＋護理資訊學認證的比例持續上升
• 任務從戰術性（tactical）逐步走向策略性（strategic）

認證（Certification）路徑

臨床資訊學醫師次專科（必背歷史）

臨床資訊學之所以是「次專科」而非獨立專科，是政治協商的結果——它被設計成「所有醫師專科底下都能加掛」的次專科，因此必須先有主專科認證才能報考。關鍵年份：

實務路徑（practice pathway，即將消失）——兩條路

所謂「grandfathering／實務路徑」，是新次專科成立時，給資深從業者「不必受正式訓練即可報考」的過渡辦法。共有兩條：

1. 近五年中有三年（3 of last 5 years）、每年至少 25% 時間投入臨床資訊學
2. 取得碩士學位，或完成美國預防醫學委員會（ABPM，American Board of Preventive Medicine）認可的非認證 fellowship（如 OHSU）

→ 這對你（陳禮揚）很關鍵：若想拿美國專科認證，只剩 2025 年能走 grandfathering；2026 年起就只能循 ACGME fellowship。

行政管理

• 由美國預防醫學委員會（ABPM）主管；病理科醫師例外，改由美國病理學委員會（ABP，American Board of Pathology）管理
• 不需要先取得預防醫學專科認證
• 但要求先有主專科認證（primary specialty）——因此純做資訊學、沒有臨床專科的醫師無法報考

線上 vs 實體 fellowship 之爭

• ACGME 要求實體（in-person）訓練 → 把有家庭、有工作、無法停職的人排除在外
• Hersh 認為 21 世紀轉換職涯很常見，應允許「大量線上＋實作經驗」的混合式（hybrid）訓練

健康資訊學認證 AHIC

AHIC 是 AMIA 為「所有資訊學從業者」（不限醫師）設立的認證，2022 年推出，到 2024 年底已有逾 125 人取得。分三條軌道（track）：

1. 資訊學研究所學位
2. 相關領域研究所學位
3. 健康資訊學學士學位

不同軌道要求不同的年資，且工作時間須有 ≥ 50% 投入資訊學。最快的一條：持健康資訊學學位＋近六年中四年（4 of 6 years）投入逾 50% 工時；其他軌道需要更久。

HIMSS 認證

醫療資訊與管理系統學會（HIMSS，Healthcare Information and Management Systems Society）也提供認證：

• CFIMS（Certified Professional in Healthcare Information and Management Systems，專業級）
• 入門級：Certified Associate（準專業級）

考試容易考的點

• 臨床資訊學次專科何時起步：2011 年 ABMS 批准、2013 年首次考試
• 實務路徑（practice pathway）截止年：2025 年
• 主管機構是 ABPM（美國預防醫學委員會）
• AHIC 何時推出：2022 年
• CMIO 與 CHIO 的差別：CHIO 關注範圍更廣（不限 EHR／醫療）
• 醫師資訊學必修能力共 13 項（2023 年新增「使用並批判 AI」）
• CMIO 薪資中位數約 35 萬美元
• 為何要先有主專科認證：等於把「純資訊學、無臨床專科」的醫師排除在報考資格外

講者：William Hersh ／ 長度：約二十一分鐘 ／ 字數：3,386

TL;DR

這是第一單元（Unit 1）的收尾。它把整個領域的組織、書籍、期刊、會議、網站、教育機會完整盤點一遍，等於給你一張「進入這個領域的資源地圖」。

必記專業組織

旗艦組織：美國醫學資訊學會（AMIA）

美國醫學資訊學會（AMIA，American Medical Informatics Association） 是資訊學（informatics，Informatics）領域的「專業歸屬」（professional home）——想投入這個領域的人，幾乎都以它為主要學會。

使命（mission）：「advance the informatics professions relating to health and disease」——推動與健康及疾病相關的資訊學專業。 終極目標：「improving human health」（改善人類健康）——這是使命宣言的最後一句，也是 quiz 必背的重點。

其他重要組織

醫療專業協會的資訊學觸角

如今幾乎每個醫療專業學會都設有資訊學計畫。例如：美國醫學會（AMA，American Medical Association）、美國護理學會（ANA，American Nurses Association）、美國醫學院協會（AAMC，Association of American Medical Colleges）、美國內科醫學會（ACP，American College of Physicians）、美國家庭醫學會（AAFP，American Academy of Family Physicians）——這些都有各自的資訊學觸角。

美國政府機構（皆隸屬 HHS 衛生及公共服務部）

以下機構全都隸屬美國衛生及公共服務部（HHS，Department of Health and Human Services），是聯邦層級的衛生主管部會。

重要書籍

教科書（一般資訊學 general informatics）

• Hersh（講者本人）主編——本課程的選讀教材；課程大綱（syllabus）裡有一張表，把各章對應到各單元。
• Shortliffe／Cimino／Chang 主編——本領域最知名的教科書，Hersh 也參與其中一章。
• Finnell & Dixon——針對醫師次專科委員會考試（subspecialty board exam）的複習用書，也是臨床資訊學的好概覽。

主題類

• 數位健康（digital health）：Rivas、Syed Abdul
• 健康資訊管理（HIM）：Davis、Keough
• 資訊人力與職涯（workforce）：Butler-Henderson、Meehan
• 人工智慧（AI）：美國國家醫學院（NAM，National Academy of Medicine）2019 年報告、Topol、Lea、Wiggins、Davenport、Lee、Asselbergs、Reddy、Shimon、Jurafsky 等

主要期刊

主要會議

• AMIA 主辦：年度研討會 Annual Symposium（每年秋天）、聚焦研究應用的 Informatics Summit、聚焦實務的 Clinical Informatics Conference。
• MedInfo——由國際醫學資訊學會（IMIA）主辦的雙年會（每兩年一次）。
• HIMSS 年會 + 各地分會。
• AMDIS Physician-Computer Connection（醫師與電腦連結會議）。
• 生物資訊領域：太平洋生物計算研討會（Pacific Symposium on Biocomputing）、ISCB 大會。

重要網站

• healthit.gov（ASTP 官網）——健康資訊科技資訊最豐富；含實作指南 Health IT Playbook 與教學素材 Health IT Curriculum。
• AHRQ 網站——收錄它資助的數位醫療研究，以及美國健康資訊知識庫（Health Information Knowledge Base）。
• 民間／業界：HealthIT Answers、Klepfowiki（OHSU 奧勒岡健康與科學大學維護的 wiki 式網站）。
• AMA Introduction to AI in Healthcare——給醫師看的 AI 入門，內容扎實。
• 知名部落格（blogs）：
• John Halamka —— Digital Health Frontier（資訊學意見領袖）
• Keith Boone —— Motorcycle Guy（專攻標準 standards）
• ASTP —— Health IT Buzz
• Hersh 本人的部落格（聚焦資訊學教育與訓練）
• Podcast（播客）：FYI Informatics（Women in AMIA 女性資訊學社群製作）、Go Live（臨床資訊學 fellow 製作，CIF＝Clinical Informatics Fellow）、Informatics in the Round（Kevin Johnson 主持）
• 社群媒體：X（前身 Twitter）、LinkedIn、Bluesky 等

教育機會

資訊學教育的特色

• 跨領域（interdisciplinary）——沒有單一入行路徑，大家背景各異。
• 課程種類繁多：臨床（clinical）、生醫（biomedical）、健康（health）、生物（bio）、護理（nursing）資訊學各有專攻。
• 重心從早年的學術研究，逐漸轉向專業應用型碩士（applied master's）。

美國的資訊學學程類別

Hersh 的「金科玉律」（Cardinal Rule，資訊學教育的核心公式）

你從資訊學訓練「出來」後能做什麼，取決於兩件事： 1. 你進來「之前」的背景 2. 你在學程（program）裡學到什麼

→ 例：醫療資訊長（CMIO）幾乎都是醫師出身 ＋ 受過臨床資訊學（clinical informatics）訓練；生物資訊學家（bioinformatician）通常是生物或電腦科學（CS，Computer Science）出身 ＋ 受過生物資訊學訓練。

Hersh 的個人成就（影片末提及）

• 2025 年當選美國國家醫學院（NAM，National Academy of Medicine）院士——這是美國醫學界的崇高榮譽。
• 線上教資訊學課程超過二十五年（自 1999 年起）。

收尾訊息

「這是令人振奮的時代，有許多職涯機會，也有許多用資訊科技在健康各面向做好事的機會……但真正的核心，始終是如何最妥善地運用資訊與科技來增進人類健康。」

原文："These are exciting times. Many career opportunities. Many opportunities to do good things with information technology in all aspects of health... but the main focus should be on how to optimally use information and technology to advance human health."

Quiz 容易考的點

• AMIA 是什麼的縮寫（American Medical Informatics Association）＋ 使命結尾那句（improving human health）
• ASTP 改名前叫什麼（答：ONC）
• 哪些聯邦機構隸屬 HHS（衛生及公共服務部）
• JAMIA ＝ AMIA 的旗艦期刊
• MedInfo ＝ 由 IMIA（國際醫學資訊學會）主辦
• NLM 資助的資訊學訓練學程分布在 十八所大學
• 資訊學教育「金科玉律」的兩個變數（進來前的背景 ＋ 學程所學）
• IMIA 的國家會員約 六十個
• 美國有 九十多個 應用型碩士學程

TL;DR

• Unit 2 的主題是資訊學（informatics）必備的計算（computing）概念——也就是要進入這個領域，底層必須先掌握的電腦與運算基礎。
• 資訊學的本質是以「資訊」為中心（information-centered），而不是以「技術」為中心（tech-centered）；但資訊專業人員（informatician）仍必須會講技術的語言，才能跟電腦科學（CS，Computer Science）與資訊技術（IT，Information Technology）的同事有效溝通。
• 這個單元涵蓋的範圍：電腦類型（computer types）、資料儲存（data storage）、硬體與軟體（hardware/software）、網路（networks）、以及軟體工程（software engineering）。

重點

技術成熟度曲線（Gartner Hype Cycle，必背五階段）：這是 Gartner 顧問公司用來描述一項新技術從問世到成熟、市場期待如何隨時間先過熱、再幻滅、最後回穩的經典曲線。 1. Innovation Trigger（觸發）：新技術剛問世、開始受到關注，但通常還沒有成熟產品或實證。 2. Peak of Inflated Expectations（炒作高峰）：媒體與市場過度期待，聲量被吹捧到最高點。 3. Trough of Disillusionment（幻滅低谷）：實際成效不如預期，熱潮消退、失望湧現。 4. Slope of Enlightenment（啟蒙坡）：逐漸摸索出真正可行的用法，價值開始被理性理解。 5. Plateau of Productivity（生產高原）：技術成熟穩定，進入主流被廣泛採用。

2024 年醫療照護版 Hype Cycle 的範例定位（來自影片 PDF 中的一張圖）：這張圖把各項醫療科技標定在曲線的不同階段。 - 已達 Plateau（生產高原，最成熟）：醫療互通性（healthcare interoperability）——不同醫療系統之間能彼此交換並實際運用資料的能力。 - Trough（幻滅低谷）：語意互通性（semantic interoperability，指資料交換後、雙方連資料的「意義」都能一致理解）、醫療物聯網（IoMT，Internet of Medical Things，把醫療裝置連上網互通資料）、健康資料策管（health data curation，對資料進行整理、清洗與維護）。 - Slope（啟蒙坡）：人群健康（population health，以整個群體而非單一病人為對象的健康管理）、資源排程（resource scheduling）。 - Peak（炒作高峰）：環境式數位聽寫（ambient digital scribes，自動聆聽醫病對話、生成病歷草稿）、用於照護服務（care delivery）的大型語言模型（LLM，Large Language Model）。 - Innovation Trigger（觸發）：自主臨床編碼（autonomous clinical coding，由 AI 自動完成病歷的醫療編碼、把診斷與處置轉成標準代碼）。

Quiz 重點

• Hype Cycle 五個階段的正確順序。
• 資訊專業人員（informatician）為什麼要懂技術（technology）——不是為了成為技術專家，而是為了能跟技術團隊溝通。

TL;DR

電腦硬體一路朝「更小、更便宜、更強」的方向演進，依序走過大型主機（mainframe）、伺服器（server）、個人電腦（Personal Computer，PC）、行動裝置（mobile）到穿戴式裝置（wearable）五個世代。推動這條曲線的核心是摩爾定律（Moore's Law）——它至今仍然成立，只是成長的腳步已明顯放慢。

必背電腦分類

電腦可依規模與用途分成六大類，從最龐大的主機一路排到最貼身的穿戴裝置：

Moore's Law（必背）

• 1965 年由 Gordon Moore 提出。
• 核心預測：電腦的速度、容量與性價比（即每單位成本能買到的效能）大約每 18 個月翻倍一次，效能呈指數成長。
• 如今這條定律正遭遇物理極限的挑戰——電晶體已微縮到接近原子尺度，再加上散熱瓶頸，難以再等速微縮下去。
• 不過仍有領域維持指數成長，例如圖形處理器（GPU，Graphics Processing Unit）與儲存裝置（storage）。

加速計算的兩大新趨勢

1. 圖形處理器（GPU）：以 NVIDIA 為領頭廠商。原本專責圖形繪製，如今搖身成為 AI 深度學習（deep learning）訓練的主力硬體。
2. Apple Silicon 系統單晶片（SoC，System on a Chip）：例如 M 系列（M-series）、A 系列（A-series）晶片，把中央處理器（CPU，Central Processing Unit）與 GPU 整合在同一顆晶片上，能效（每瓦效能）特別高。
3. 量子計算（Quantum Computing）：以 Google 等為代表，目前仍未商用，但潛力巨大——在蛋白質摺疊、藥物開發與密碼學等難題上都有突破的可能。

規模觀念

• 拿 iPhone 4 對比 1980 年代的 Osborne 攜帶式電腦，可看出短短數十年間的巨大跨越：快 100 倍、輕 100 倍、便宜 10 倍、體積小 485 倍。
• Apollo 11 登月任務所用的電腦，運算能力比今天一顆 USB 充電器還要慢。
• 效能單位換算：1 個 teraflop＝每秒 10^12（一兆）次浮點運算（flops，floating-point operations per second）；一台 MacBook Air M2 就有 3.6 teraflops。
• 成本的崩跌更驚人：以每 gigaflop（每秒 10 億次浮點運算）的運算成本計（換算成 2013 年美元），1961 年約要價 1,450 億美元（$145B），到 2017 年只剩約 3 美分（3¢）。

Quiz 重點

• Moore's Law 倍增週期 = 18 個月
• GPU 為何在 AI 時代崛起
• Mainframe vs Server vs PC 差別
• BYOD（Bring Your Own Device）的安全議題

TL;DR

• 電腦以「數位」（digital）方式儲存資料——把訊號切成一格格離散的值，最小單位是位元（bit）；相對地，「類比」（analog）是連續、不分格的值。
• 1 byte（位元組）= 8 bits（位元）= 256 種值（也就是 2 的 8 次方）。
• 文字編碼一路演進：美國資訊交換標準碼（ASCII，American Standard Code for Information Interchange）是 7-bit、只有 128 個字元；ASCII Extended 擴充成 8-bit、256 個字元；再進化到統一碼（Unicode），以 UTF-8/16/32 實作，可容納數十億字元，連 emoji 都涵蓋在內。
• 影像壓縮分兩類：無損（lossless，如 PNG、TIFF）約 2-3:1、可完整還原；有損（lossy，如 JPEG）在 X 光片可達 20-30:1，靠丟棄人眼難辨的細節換取更小的檔案。
• 資料量級由小到大：bit → byte → KB → MB → GB → TB → PB → EB → ZB → YB，每往上一階約差 1000 倍。

必懂單位換算

儲存量的階梯以「每階 1000 倍」往上疊，換算表如下：

注意進位基準：早期以 1024（即 2 的 10 次方）為一階，這種二進位版本另稱 kibibyte（KiB）、mebibyte（MiB）以資區別；現代 SI 國際單位制（Système International）則統一採 1000 進位。

影像壓縮分類（必背）

壓縮的核心取捨是「還原度 vs 檔案大小」：無損壓縮還原後與原檔完全相同，有損壓縮則丟掉部分資訊來換取更小的檔案。

Image 計算範例（必會算）

以一張 24-bit 色深、3000×2000 像素（pixel）的影像為例：3000 × 2000 = 6,000,000 像素，也就是 6 megapixels（百萬像素）；每個像素佔 24 bits，總資料量 = 6 megapixels × 24 bits = 144 Mbit，換算成位元組（÷8）即 18 MB（壓縮前）。

若改存成 JPEG，檔案可壓到約 9 MB。

一張圖 ≈ 多少字

用資料量來檢驗「一張圖到底值多少字」這句俗諺：

• 一頁文字：約 50 字 × 60 行 = 3,000 個字元，每個字元約 1 byte，故約 3,000 bytes ≈ 3 KB。
• 一張品質不錯的黑白圖：約 120 KB。
• 一張 24-bit 彩色圖（壓縮前）：約 1 MB。

一張彩圖的資料量遠遠超過一頁文字，所以「a picture is worth ~1000 words」在資料量上確實成立。

資料量級（要點）

• 全世界的資料總量：2023 年約 123 ZB（zettabyte），預估到 2028 年將達 394 ZB。
• 一個人一生大約會產生 1.1 PB 的健康相關資料；其中不到 0.1% 來自臨床醫療照護（healthcare）本身——換言之，絕大多數健康資料都不是在看診過程中產生的。
• 醫療機構平均每家的電子健康紀錄（EHR，Electronic Health Record）資料量，從 2016 到 2019 年成長了 878%，達到 8.41 PB。
• 2025 年的估計：全球每天產生約 463 EB（exabyte）的資料。

儲存媒體歷史

• 1956 年的 IBM RAMAC 是首批商用硬碟，容量僅 5 MB，體積卻大到要用一整架飛機才裝得下。
• 更早的打孔卡（punch cards）若要存 4.5 MB，需要 62,500 張卡片。
• 現代一支 USB（Universal Serial Bus，通用序列匯流排）隨身碟就有 1-5 TB，容量約是上述舊媒體的 100 萬倍。

Quiz 重點

• ASCII 與 Unicode 的字元範圍差異。
• 有損（lossy）與無損（lossless）壓縮各自何時該用。
• 給定 1 megapixel × 色深（bit depth），怎麼算出檔案大小。
• 1 byte = 8 bits = 256 values。
• 健康相關資料大部分來自健康的社會決定因子（SDOH，Social Determinants of Health），而非臨床醫療照護（healthcare）。

TL;DR

電腦可拆成兩大部分：hardware（硬體）與 software（軟體）。硬體含中央處理器（CPU，Central Processing Unit）、記憶體（memory）、儲存（storage）與輸入/輸出（I/O，Input/Output）；軟體含作業系統（OS，Operating System）、應用程式與程式語言。資料庫（database）模型主要分兩類：關聯式用 SQL（結構化查詢語言），階層式則屬 NoSQL（非關聯式）、使用 MUMPS。臨床上的 EHR（電子健康紀錄）就是採 MUMPS-based 的階層式資料庫，代表產品為 Epic 與 VistA。

Hardware 速記

Software 主要分類

1. 作業系統（Operating System）：管理硬體與所有程式的底層軟體，如 Windows、macOS、Linux、iOS、Android。
2. 應用程式（Applications／Programs）：使用者實際操作、用來完成任務的軟體。
3. 程式語言與工具（Programming Languages + Tools）：用來撰寫上述軟體的語言與開發工具。

虛擬化 vs 容器化（必懂）

• Virtualization（虛擬化）：模擬出一整台虛擬機、含自己的 OS，例如在 Mac 上跑一個完整的 Windows。
• Containerization（容器化）：只打包可執行軟體與資料、共用主機的 OS（不含完整 OS），因此比虛擬機輕量；代表工具是 Docker 與 Kubernetes（Google 開發）。

Programming Languages 排行

最常用語言的歷史演進大致是 C → Java → Python（Python 目前使用者最多）。

新趨勢： - Low-code／No-code：少寫或完全不寫程式碼就能開發（例如 Orange 這類資料探勘工具）。 - 用 Generative AI（生成式 AI）寫 code：讓 AI 直接產生程式碼，俗稱「vibe coding」。 - Jupyter Notebook：把程式碼、執行結果與說明文字合在一起的互動筆記本，適合科學運算與可重現研究。

Open Source

• GitHub：目前最主要的程式碼儲存庫（repository）。
• SourceForge：早期的開放原始碼軟體（OSS，Open Source Software）託管平台。
• VistA（VA EHR）：美國退伍軍人部（VA，Veterans Affairs）的 EHR，是醫療領域開源軟體的代表。
• 商業模式：以 Red Hat 為例——程式碼免費，技術支援（support）另外收費。

Database 必懂

基本術語

• 資料由小到大的層級：欄位（Field）→ 紀錄（Record）→ 資料表（Table）→ 資料庫（Database）。
• CRUD：資料庫四種基本操作——Create（新增）、Read（讀取）、Update（更新）、Delete（刪除）。
• ACID：交易型資料庫的四大保證——Atomicity（不可分割）、Consistency（一致）、Isolation（隔離）、Durability（持久）。
• ETL：資料整合三步驟——Extract（擷取）、Transform（轉換）、Load（載入），常用於把來源資料搬進資料倉儲。
• 三種資料儲存形態：Data warehouse（資料倉儲，整合後、結構化的大型集中儲存）、Data mart（資料超市，針對單一部門或主題的小型子集）、Data lake（資料湖，原封不動容納各式原始資料）。

Database 模型

Database 名人 — Robert Greenes

• MUMPS／M 由麻省總醫院（MGH，Massachusetts General Hospital）團隊於 1960 年代開發，Robert Greenes 是團隊成員之一。
• 他也是本課程講者 Hersh 的資訊學（informatics）導師。
• MUMPS 後來改名為 M；其商業實作版本稱為 Caché。

重要演算法（書上 9 個）

1. Search engine indexing（搜尋引擎索引，用 inverted file 倒排索引）
2. PageRank（Google 的網頁排名演算法）
3. Public-key cryptography（公開金鑰密碼學）
4. Error correcting code（錯誤更正碼）
5. Pattern recognition／ML（模式辨識／機器學習）
6. Data compression（資料壓縮）
7. Databases（資料庫）
8. Digital signatures（數位簽章）
9. Computability（可計算性）

Metadata（3 種）

Metadata（詮釋資料）就是「描述資料的資料」，分三類： 1. Descriptive（描述型）：描述與辨識內容，如標題、作者、關鍵字。 2. Structural（結構型）：描述內容如何組織，如章節、頁序、檔案關聯。 3. Administrative（管理型）：管理用途的資訊，如存取權限、保存期限。

Quiz 重點

• CRUD、ACID、ETL 各代表什麼
• Relational vs Hierarchical 差別
• Epic 用哪種 database 模型 → MUMPS-based hierarchical
• Docker vs VM 差別
• Python 為什麼是 ML 主流

TL;DR

電腦網路的核心運作，是把一則較大的訊息切成一個個封包（packets），交由網際網路的核心協定——傳輸控制協定／網際網路協定（TCP/IP，Transmission Control Protocol / Internet Protocol）——透過路由器（routers） 分頭傳送、再於目的地重組。所謂網際網路（Internet） 就是全球以 TCP/IP 串接起來的網路。網路架構則用開放系統互連（OSI，Open Systems Interconnection）七層模型做分層抽象化，讓開發者不必操心底層電子訊號。無線這一側，Wi-Fi 標準依序演進：802.11g → n → ac（Wi-Fi 5）→ ax（Wi-Fi 6）→ Wi-Fi 7；行動網路則走 3G → 4G LTE → 5G。

Metcalfe's Law（梅特卡夫定律）

網路的價值，會隨著連上它的裝置數與人數呈指數成長。

換句話說，接上網路的人與裝置越多，網路本身就越有價值，而且每多一個連線帶來的加值越來越大。

TCP/IP 必懂

• 傳輸控制協定（TCP，Transmission Control Protocol）：負責把訊息切成封包，並在抵達目的地後重新組合回完整訊息。
• 網際網路協定（IP，Internet Protocol）：負責定址——網路上每個裝置都有一個 IP 位址（IP address），封包就是照這個位址送達。
• 路由器（router）：把 TCP/IP 流量導向正確去處的關鍵設備。
• 和電話的關鍵差異：電話是專線（dedicated circuit），通話時獨占一條線路；TCP/IP 則是封包交換（packet switching），封包可走不同路徑、最後在終點重組，不需獨占線路。

OSI 7 層模型（從低到高）

把網路通訊分成七層、由低到高逐層抽象；就像寫程式的人不必理會晶片內部怎麼運作，開發網路應用時也不必操心底層的電子訊號怎麼跑。

網速單位（頻寬 bandwidth）

• bps（bits per second，每秒位元數）：頻寬的基本單位。
• 數據機（modem）時代：速率約 1.2k–56k baud，這大約就是類比電話線傳資料的極限。
• 寬頻（broadband）時代（現代）：約 1 至數百 Mbps。
• gigabit 等級：企業與部分消費級連線可達，約 1 Gbps。
• 世界紀錄：1.8 Pbps（petabits per second），等於 1,800 Gbps。

網路頻寬永遠是共享的——多個裝置一起分用同一條連線，所以實際感受到的速度往往遠低於理論值。

Wi-Fi 標準（必懂時序）

Wi-Fi 就是 802.11 這一系列無線標準的俗稱，歷代演進如下：

行動網路演進

其他無線標準

• 藍牙（Bluetooth）：短距離、低功耗，速率約 80 kbps、範圍約 10 公尺。
• 無線射頻辨識（RFID，Radio-Frequency Identification）：利用電磁場辨識並追蹤貼在物體上的標籤，醫療場域也會用到。
• 近場通訊（NFC，Near-Field Communication）：距離需在 4 公分以內，最常見的用途是行動支付。

網際網路（Internet）治理

• 網際網路工程任務組（IETF，Internet Engineering Task Force）：負責制定網路的技術標準。
• 網際網路名稱與號碼指配組織（ICANN，Internet Corporation for Assigned Names and Numbers）：負責管理頂級網域名稱（top-level domain names）。
• 2016 年，其控管權由美國政府移交給一個國際非營利組織。
• 重點：ICANN 只管網域名稱，不管網際網路上的內容。

IP 位址與 DNS

• IPv4：使用 4 組 8-bit 數字，位址上限約 43 億（4.3 billion）個——而全球連網裝置早已超過這個數。
• IPv6：改用 4 組 32-bit 數字，可容納的裝置達數兆（trillions）個。
• DHCP（Dynamic Host Configuration Protocol，動態主機設定協定）：動態分配 IP 位址；等於「拯救」了 IPv4，讓有限的位址也能撐住暴增的裝置數。
• 網域名稱系統（DNS，Domain Name System）：把好記的網域名稱（例如 www.ohsu.edu）轉換成機器用的 IP 位址（例如 137.53.1.30），就像網路的電話簿。

其他術語

• Intranet（企業內網）：以 Internet 的 TCP/IP 技術打造、但範圍限於單一組織內部的網路。
• Extranet（外部網）：跨組織、但只開放給特定合作夥伴的網路。
• VPN（Virtual Private Network，虛擬私人網路）：取代舊式的廣域網路（WAN，Wide Area Network），讓遠端使用者彷彿身處內部區網，同時兼顧安全。
• VoIP（Voice over IP，網路電話）：把語音當成資料、透過 IP 傳輸，例如 WhatsApp、Skype。

全球統計（2025）

• 全球網際網路使用者達 54.4 億（5.44 billion），約占全球人口的三分之二。
• 美國：96% 成人使用網路、91% 擁有智慧型手機。
• 79% 家庭有寬頻，其中 15% 只透過手機行動網路上網。

Quiz 重點

• TCP/IP 的封包交換（packet switching）原理——訊息切成封包分頭傳、終點重組，而非像電話那樣獨占專線。
• OSI 七層各放什麼：IP 在 L3、TCP 在 L4、HTTP 在 L7。
• Wi-Fi 6 ＝ 802.11ax；Wi-Fi 5 ＝ 802.11ac。
• IPv4 與 IPv6 的差別（位址空間大小）。
• DNS 的角色：把網域名稱轉成 IP 位址。
• ICANN 管什麼（網域名稱，不是 internet 內容）。

TL;DR

全球資訊網（WWW）是網際網路（Internet）最成功的「殺手級應用」（killer app）；網路上的資料交換格式以 XML 與 JSON 為主；REST 搭配 API 構成 web 服務通訊的基礎；雲端運算分為 SaaS、PaaS、IaaS 三種服務模型；FHIR 是醫療專用的資料交換 API 標準；社群網路與物聯網（IoT）則同時帶來新的臨床機會，以及隱私與資安風險。

全球資訊網（World Wide Web）三大支柱

全球資訊網的運作建立在三個核心標準上：

1. HTTP（超文本傳輸協定，Hypertext Transfer Protocol）：瀏覽器與伺服器之間傳遞網頁的通訊協定；HTTPS（HTTP Secure）就是 HTTP 加上加密的版本，保護傳輸內容。
2. HTML（超文本標記語言，Hypertext Markup Language）：描述網頁結構與內容的標記語言。
3. URL（統一資源定位符，Uniform Resource Locator）：網路資源的位址，格式為 scheme://host/directory/object（協定://主機/目錄/物件）。

資料格式：XML vs JSON

web 上兩種主要的資料交換格式：

兩種格式可以互相轉換。

REST 與 API

• REST（表現層狀態轉移，Representational State Transfer）：透過 URL 進行 client-server（用戶端與伺服器）之間的非同步通訊。
• API（應用程式介面，Application Programming Interface）：軟體與軟體之間互相溝通的介面規範。
• FHIR（Fast Healthcare Interoperability Resources）：21st Century Cures Rule 強制要求採用的醫療 API 標準，用來讓不同醫療系統以標準化方式交換資料。

雲端運算（Cloud Computing）

三種部署模型（deployment model）

1. 公有雲（Public cloud）：由第三方供應商提供，例如 AWS、Google、Dropbox。
2. 私有雲（Private cloud）：機構自行建置、自用。
3. 混合雲（Hybrid cloud）：公有與私有並用。

三種服務模型（service model）

1. 軟體即服務（SaaS，Software as a Service）：直接使用雲端上的完整軟體。
2. 平台即服務（PaaS，Platform as a Service）：供應商提供開發平台，使用者在上面部署自己的應用。
3. 基礎設施即服務（IaaS，Infrastructure as a Service）：供應商提供運算、儲存等基礎資源。

優缺點

• 優點：公用運算（utility computing，按需付費）、容易做到虛擬化（virtualization）。
• 缺點：資料安全顧慮、頻寬（bandwidth）需求高、無法得知資料實際存放的實體位置。

醫療上的 Internet

美國醫學研究院「Networking Health」報告（2000）三大結論

美國醫學研究院（IOM，Institute of Medicine）在這份報告中提出三大結論：

1. 不需要單獨的醫療專用 Internet：使用一般的 Internet 即可。
2. 可用性比頻寬（bandwidth）更重要：重點在於系統隨時都能使用。
3. 醫療與娛樂的資料流方向不同：娛樂以伺服器傳向用戶端的下載為主（server→client）；醫療則常需要用戶端傳向伺服器的上傳（client→server），例如遠距醫療（telemedicine）。

醫師使用網路統計

• 幾乎所有醫師都會使用 Internet。
• 即使是 55 歲以上的醫師，也有 80% 擁有智慧型手機（smartphone）、84% 每天使用搜尋。
• 平均每天搜尋 6 次、每週 9 小時用於專業用途。

Network Neutrality（網路中立性）

主張：所有網路內容都應被平等傳遞，不因來源不同而有差別待遇。

• 支持方（Pro）：保障使用者的選擇與內容多元性，並防止網路服務供應商（ISP，Internet Service Provider）偏袒自家內容。
• 反對方（Con）：擔心削弱業者投資網路的誘因，且遠距醫療等關鍵應用將無法取得優先傳輸。

社群網路

使用上的顧慮

• 美國醫學會（AMA，American Medical Association）的《醫學倫理準則》（Code of Ethics）設有專章，規範醫師使用社群媒體。
• 美國兒科學會（AAP，American Academy of Pediatrics）針對兒童與青少年的使用發布指引，內容包含家長參與、限制螢幕時間等。

物聯網（Internet of Things，IoT）

• 萬物聯網：把各種裝置連上網路互通資料，例如穿戴裝置、血糖機（glucometer）、心律調節器（pacemaker）、健身器材等。
• 醫療物聯網（IoMT，Internet of Medical Things） 是目前的熱門詞彙。
• 風險：隱私（privacy）外洩、裝置遭駭客入侵。

Quiz 重點

• HTTP 與 HTTPS 的差別
• XML 與 JSON 的差別
• REST 是什麼
• FHIR 是什麼、以及 21st Century Cures 為何強制採用
• SaaS／PaaS／IaaS 三者的區別
• IOM「Networking Health」報告的三大結論
• 網路中立性（network neutrality）的兩派論點
• 醫療物聯網（IoMT）對醫療的影響與風險

TL;DR

軟體工程（software engineering）就是把工程紀律套用到寫軟體上：不是隨手寫程式，而是有方法地開發。它涵蓋需求（requirements）、設計（design）、建構（construction）、測試（testing）、維護（maintenance）與品質（quality）等環節。開發流程主要有兩種模型——瀑布式（waterfall）走線性、一關接一關；敏捷式（agile）則反覆迭代、邊做邊修正。醫療場域有個老問題：電子健康紀錄（EHR，Electronic Health Record）廠商過去常在合約中放入免責（hold-harmless）條款，限制使用者對外反映系統 bug。對此，美國醫學資訊學會（AMIA，American Medical Informatics Association）在 2011 年明確主張：只要涉及軟體安全，病人安全（patient safety）高於一切。

Software Engineering 知識體系（SWEBOK）

SWEBOK（Software Engineering Body of Knowledge，軟體工程知識體系）是業界整理出的軟體工程共通知識框架，把這門學問切成幾個關鍵領域：

1. Software Requirements（軟體需求）：需求分析、規格制定與驗證。
2. Software Design（軟體設計）：規劃系統的結構與架構。
3. Software Construction（軟體建構）：實際撰寫程式，核心目標是減少複雜性。
4. Software Testing（軟體測試）：檢驗程式行為是否符合預期。
5. Software Maintenance（軟體維護）：上線後的持續修補與調整。
6. Software Quality（軟體品質）：確保軟體達到可靠、可用的水準。

軟體專案管理三大產出

1. Software Requirements（軟體需求）

• Requirements elicitation（需求擷取）：透過訪談、現場觀察與紀要，把使用者真正的需求挖掘出來。
• Discussion summary（討論摘要）：把訪談結果整理成摘要，再回頭跟使用者確認（validate）內容無誤。
• 這個階段由 Requirements analyst（需求分析師） 或業務分析師（business analyst）主導。

2. Use Case（使用案例）

描述使用者與系統之間的具體互動情境。分兩類： - System use case（系統使用案例）：聚焦使用者與系統（user-system）的直接互動。 - Business use case（業務使用案例）：描述較高層次（high-level）的業務流程。

一個完整 use case 的元素包括：描述（description）、參與者（actors，分主要 primary／次要 secondary）、前提假設（assumptions）、步驟（steps）、變化情境（variations），以及非功能性需求（non-functional requirements）。

3. Functional vs Non-functional Requirements（功能性 vs 非功能性需求）

• Functional（功能性需求）：軟體「要做什麼」，也就是使用者看得到的外顯行為。
• Non-functional（非功能性需求）：軟體「表現得如何」，例如反應速度、易用性、可靠性、錯誤處理，以及網路斷線時的行為。

軟體開發模型（必懂）

Waterfall 瀑布

• 流程一關接一關、線性推進：需求（requirements）→ 設計（design）→ 實作（implement）→ 測試（test）→ 部署（deploy）→ 維護（maintain）。
• 因為是線性設計，一旦往前走就很難中途回溯、重來。

Agile 敏捷

• 採迭代式開發，每一輪都讓使用者持續回饋、逐步修正。
• 特別適合需求多變、一開始講不清楚的專案。
• 缺點：過程可能較不穩定，而且使用者容易一直追加新功能（feature）。

Software Lifecycle（軟體生命週期）

任何軟體都會走過這條路：開發 → 使用 → 修補 → 逐漸老化 → 最終不得不整個重寫。

醫療軟體特殊問題

Hold-harmless 條款

EHR 廠商常在採購合約裡放進免責（hold-harmless）條款，要求使用者「對軟體缺陷無法追究廠商責任」。這是採購時務必要能辨認、也要有所警覺的合約語言。

AMIA 2011 年的立場：當軟體出現安全疑慮時，病人安全應凌駕一切考量（patient safety should trump all concerns）。

EHRA Code of Conduct (2013)

電子健康紀錄業者協會（EHRA，EHR Association）在 2013 年提出的自律準則。業者承諾在以下面向負起責任：病人安全（patient safety）、互通性（interoperability）、帳務（billing）、文件紀錄（documentation）、隱私與資安（privacy/security），以及病人參與（patient engagement）。

出問題的著名案例

• healthcare.gov 上線災難：美國聯邦健保投保網站上線即崩潰，成了軟體工程教科書級的反面教材。
• Software Apocalypse：《The Atlantic》2017 年的專文，警告社會對軟體的高度依賴其實暗藏風險。
• fMRI default settings bug：功能性磁振造影（fMRI，functional Magnetic Resonance Imaging）分析軟體的預設參數藏有 bug，連累了數百篇已發表研究。
• Excel 把 27 個基因名字改成日期：例如基因 MARCH1 被自動轉成日期「March 1」，是資訊學領域經典的 horror story。
• R replicability（R 語言可重現性）：一項分析發現，公開的 R 統計程式有 74% 含 bug，即使清理後仍有 56% 跑不起來（fail）。

科學軟體最佳實踐

• 公開原始碼、工作流程（workflow）與運算環境（compute environment），讓別人能重現你的結果。
• 為所有資料加上標註（annotate）並妥善封存（archive）。
• 測試程式，並替程式碼寫好文件（document）。

Quiz 重點

• Waterfall vs Agile 的差別。
• Use case 的元素（description、actors、assumptions、steps……）。
• Functional vs non-functional requirements 的區分。
• Hold-harmless 條款 加上 AMIA 2011 的立場。
• EHR Association Code of Conduct（電子健康紀錄業者行為準則）。
• Excel 改基因名問題（informatics 領域經典的 horror story）。

TL;DR

這段影片講三件事。第一，人機互動（HCI，Human–Computer Interaction）是介面設計的核心，其中由 Ben Shneiderman 提出的介面設計八黃金法則（8 Golden Rules of Interface Design）是必背經典。第二，使用案例（use case）用一連串具體的互動步驟，來描述一套軟體到底該做什麼。第三，Hersh 以自己的個人計算史串起硬體演進：1970 年代打孔卡（punch card）→ 1980 年代 Commodore 家用電腦 → 1990 年代網頁革命（web revolution）→ 現在全面走進 Apple 生態系。

HCI（人機互動）

人機互動研究的是人如何與電腦互動、以及怎麼把介面設計得好用。以下這套黃金法則，就是評估介面好不好用的經典依據。

Shneiderman 介面設計八黃金法則（必背）

1. Strive for consistency（一致性） — 用語（terminology）、選單（menu）、色彩（color）、版面（layout）都要前後一致。
2. Cater to universal usability（照顧不同程度的使用者） — 新手需要說明（explanation），進階者需要捷徑（shortcut）與巨集（macro）。
3. Offer informative feedback（提供有意義的回饋） — 系統要讓使用者清楚知道每個操作的結果。
4. Design dialogs to yield closure（讓操作有結束感） — 每組動作都要有清楚的「開始—過程—結束」。
5. Prevent errors（預防錯誤） — 盡量事先防錯，並提供簡單的錯誤修正方式。
6. Permit easy reversal of actions（容許輕鬆復原） — 讓使用者隨時能反悔、回復（undo）。
7. Support internal locus of control（維持使用者的主控感） — 讓使用者覺得是自己在掌控系統，而不是被系統牽著走。
8. Reduce short-term memory load（降低短期記憶負擔） — 不要逼使用者硬記太多資訊。

早在 1968 年，Miller 就指出系統回應時間（response time）是關鍵因素。 "Computers must take human diversity into account..." — Shneiderman

EHR 的可用性是一大問題

電子健康紀錄（EHR，Electronic Health Record）的可用性長期是一大痛點，也是本段的重點。以下是政府、組織與意見領袖各自的因應。

政府與組織的努力

• NIST EHR Usability Protocol — 美國國家標準暨技術研究院（NIST，National Institute of Standards and Technology）為 EHR 可用性訂出的評估流程。
• digital.gov 與 Digital Services Playbook — 美國政府推動數位服務設計的入口網站與實作指南。
• TURF framework（Zhang 提出） — 一套用來評估 EHR 可用性的學術框架。

意見領袖的觀點

• Sinsky：醫師需要一個「可掌握的駕駛艙（manageable cockpit）」，意思是介面呈現的資訊量要能被人負荷。
• Ratwani：「Everybody has responsibilities」——可用性不是單方的責任，廠商（vendor）、導入端與使用者都有份。
• Hettinger：觀察到廠商（vendor）的可用性作法正逐步改善。

使用案例模板（Mallon）

使用案例（use case）用一組固定欄位，把「誰、為了什麼、怎麼一步步操作」交代清楚。Mallon 的模板如下：

Description:    這個案例要達成的目標
Actors:         參與者，分主要（Primary）與次要（Secondary）
Assumptions:    前提假設
Steps:          1. user navigates...
                2. system validates...
                3. ...
Variations:     4A. 步驟的額外變化，例如額外驗證（thumbprint 指紋）
Non-functional: 非功能需求，例如 response time < 1s
Include:        重用既有的 base case（基礎案例）
Extends:        在既有案例上修改／延伸步驟

範例使用案例：醫師登入 EHR

• Goal（目標）：authenticate to EHR，也就是通過驗證登入電子病歷系統。
• Actors（參與者）：醫師是主要參與者（primary），醫療系統（health system）是次要參與者（secondary）。
• Steps（步驟）：navigate 到登入頁 → 輸入帳號（username）→ 系統記錄並驗證（log + validate）→ 輸入密碼（password）→ 再次記錄並驗證 → 授予存取權（grant access）。
• Variation（變化）：以指紋（thumbprint）做二次驗證。
• Non-functional（非功能需求）：每一步的回應時間都要小於 1 秒。

Hersh 個人計算史（趣味）

Hersh 用自己歷年用過的設備，串起個人運算從 1970 年代到現在的演進：

Hersh 的結論

"Technology does matter, but in informatics, the use of information is still more critical."

科技確實重要，但在資訊學（informatics）裡，「如何運用資訊」比科技本身更關鍵。

Quiz 重點

• Shneiderman 八條黃金法則，特別是 consistency（一致性）、prevent errors（預防錯誤）、reverse actions（可復原）、reduce memory load（降低短期記憶負擔）。
• 使用案例（use case）的組成元素：description、actors、assumptions、steps、variations、non-functional。
• TURF framework 是什麼。
• NIST EHR Usability Protocol。
• Hersh 對網頁（web）的初判錯誤，是「謙遜學習」的好例子。

TL;DR

• 電子健康紀錄（EHR，Electronic Health Record）是 Unit 3-7 的共同核心：這條主軸貫穿五個單元 —— Unit 3 EHR／個人健康紀錄（PHR，Personal Health Record）概觀 → 4 標準與互通 → 5 人工智慧（AI，Artificial Intelligence）→ 6 進階應用 → 7 實作／安全／評估。整體節奏是先建立病歷本體，再逐步擴及資料交換、AI 分析與實作落地。
• EHR 影響所有 P：patients（病人）、providers（醫療提供者）、purchasers（採購方）、payers（付費／保險方）、public health（公共衛生）、policymakers（政策制定者）—— 這六類利害關係人（stakeholders）共同構成 EHR 的影響版圖。
• 美國透過 HITECH 法案（Health Information Technology for Economic and Clinical Health Act）投入大量聯邦補助，推動各醫院 EHR adoption（採用／導入）。這筆誘因是美國醫療體系大規模電子化的主要推手。

Unit 3 內容地圖

1. Clinical data（臨床資料）概觀（3.1）：先盤點 EHR 裡究竟存了哪些臨床資料。
2. 健康紀錄的歷史，以及紙本→電子的轉型（3.2 — 缺漏）：此段影片在教材中缺漏。
3. EHR 範例：VistA（Veterans Health Information Systems and Technology Architecture）＋市場現況（Epic 主導）（3.3）：VistA 是美國退伍軍人部少數沿用至今的 1970 年代 EHR；Epic Systems 則是目前美國市占最高的商用 EHR 廠商。
4. Data entry（資料輸入）挑戰（3.4）：病歷資料如何輸入、又為何困難，是 EHR 長年的痛點。
5. 臨床決策支援（CDS，Clinical Decision Support）（3.5a-b）：在對的時機把知識與病人資料智慧過濾後，推送給臨床端。
6. 個人健康紀錄（PHR）（3.6）：由病人端自己掌握的健康紀錄。

Quiz 重點

• Unit 3-7 共同主題 = EHR：這五個單元全都圍繞電子健康紀錄展開。
• EHR 影響所有 P stakeholders：即前述 patients／providers／purchasers／payers／public health／policymakers 六類角色。

TL;DR

• datum（單筆觀察）vs data（複數）：datum 是單數、指「一筆」觀察，data 是其複數；臨床資訊學刻意區分兩者，強調分析與儲存的最小單位是單一觀察值。
• 每筆 datum 由 四個元素 構成：患者、屬性、值、時間；例如一次血壓測量，必須同時記錄「是誰、量什麼、數值多少、何時測」，缺任一元素該筆資料就不完整。
• 臨床資料最根本的分類軸是 Structured（結構化，可離散編碼） vs Unstructured（非結構化，敘述／文件）。
• 健康的社會決定因子（SDOH，Social Determinants of Health）約占健康結果的 80%，但只有 24% 醫院、16% 診所實際篩檢，凸顯「已知其重要卻普遍未做」的落差。
• 重用電子健康紀錄（EHR，Electronic Health Record）資料的風險很多：不準、不完整、缺 provenance（來源脈絡）、語意在轉換中被扭曲、解析度不夠——因為 EHR 原是為照護與計費而生，不是為研究設計。

Clinical Data 分類

Structured（結構化，discrete）

• Numerical（數值）：如 BP（血壓）、HR（心率）、lab 檢驗值，可直接運算、比較與畫趨勢。
• Coded（代碼）：如國際疾病分類第 10 版（ICD-10，International Classification of Diseases, 10th Revision）診斷碼、處置代碼（CPT，Current Procedural Terminology）；把臨床概念對應到標準碼，便於統計、交換與計費。
• Recorded signals（記錄訊號）：如 ECG（心電圖）、EEG（腦電圖），本質是時間序列波形。
• Images（影像）：如 X-ray、CT、皮膚照、病理切片，屬非文字的像素資料。

Unstructured（非結構化）

• Narrative（敘述）：H&P（病史與理學檢查，History and Physical）、progress note（病程紀錄）、reports（報告），以自由文字書寫。
• Reports（報告）：影像、病理、檢驗等報告，雖有版面格式，主體仍是自然語言。

標準病歷模板（H&P 結構）

一份標準病歷大致依下列固定順序書寫： 1. Chief complaint（主訴）：病人就診的主要理由，通常一句話。 2. 現病史（HPI，History of Present Illness）：本次問題的時序與細節。 3. Past Medical History（過去病史）：既往診斷、手術與住院。 4. Social History（社會史）：吸菸／喝酒／職業／同住狀況，與 SDOH 高度重疊。 5. Family History（家族史）：親屬疾病，供遺傳風險評估。 6. 系統回顧（ROS，Review of Systems）：逐一系統詢問症狀的清單。 7. Physical Examination（理學檢查）：從頭到腳的檢查所見。 8. Testing（檢驗與檢查）：lab 與影像等客觀數據。 9. Assessment + Plan（評估與計畫）：針對每一個 problem 給出判斷與處置。

病歷用途（多重）

同一份病歷會被以下多種用途重複使用： 1. 病人照護的歷史紀錄（主要用途）。 2. 跨提供者（provider）之間的溝通媒介。 3. 預測與預防未來的健康問題。 4. 標準預防措施的紀錄。 5. Coding + billing（編碼與計費）：保險給付的依據。 6. 法律紀錄，具舉證效力。 7. Research（研究）與 quality measurement（品質量測）。

健康的社會決定因子（SDOH）

• KFF（Kaiser Family Foundation）歸納六大類：經濟、鄰里／實體環境、教育、食物、社區／社會脈絡、healthcare 系統，涵蓋醫療之外影響健康的因子。
• 收集上的挑戰：文化敏感度（問法不當易冒犯）、複雜因果、long downstream timeline（影響常在很久之後才顯現）。
• Riker 的 EHR template 用結構化欄位提醒醫師收集 SDOH，涵蓋 mental health、擴展的社會史與其影響。

兒科 EHR 特殊挑戰

EHR 多以成人為預設，兒科因此需要額外功能： - Well-child visit tracking（兒童健檢追蹤）。 - Anthropometric analysis（生長評估，即成長曲線圖）。 - Immunization tracking + forecasting（疫苗追蹤，並預測下一劑時程）。 - Weight-based drug dosing（依體重給藥）：兒科用藥幾乎都按體重計算。 - 領養、protective custody（保護性安置）、青少年隱私等特殊情境。

重用 EHR 資料的七大坑

出自 Hersh 2013 的論文，說明為何 EHR 資料難以直接拿來做研究： 1. 不準（inaccurate）：紀錄未必反映真實臨床狀況。 2. 不完整（incomplete）：在他處看診的資料不會出現在本院。 3. 被轉換失真（transformed）：資料在系統間搬移時語意走樣。 4. 無法復原（unrecoverable）：關鍵資訊鎖在自由文字裡，難以結構化取出。 5. Provenance 不明：例如「藥被開立」不等於「病人實際服用」。 6. 解析度不夠（insufficient granularity）：紀錄的粗細度不符研究所需。 7. 與研究 protocol 不相容：日常照護的收集方式不符研究規範。

Verbal Probabilities（口語機率）陷阱

醫師常用模糊字眼描述機率，但同一詞在不同人心中差異極大： - 「rare（罕見）」的實際落點橫跨 0–80%。 - 「common（常見）」的實際落點橫跨 10–100%。 - 差異隨醫師與情境而變，難以標準化。 - 這會直接影響機器學習（ML，Machine Learning）與自然語言處理（NLP，Natural Language Processing）如何解讀病歷文字。

汙名化語言（Stigmatizing Language）

• 約 2.5% 的 H&P notes 含有 stigma 用語。
• 用於 black（黑人）病人的機率高出約 2.5 倍。
• 常見於糖尿病、藥物濫用、慢性疼痛等診斷。
• Williams 的建議：不要把 race（種族）寫在病歷第一行，也不要把 race 當成基因或 SDOH 的 proxy（代理指標）。
• Barcelona 的建議：產科應避免 "failure to progress"、"geriatric pregnancy"、"incompetent cervix"、"refuses" 等帶指責意味的用語。

Quiz 重點

• 4 個 datum 元素
• Structured vs unstructured 分類
• H&P 模板順序
• SDOH 占健康結果 80%
• Reusing EHR data 7 大坑
• 兒科 EHR 缺什麼
• Stigmatizing language 範例

TL;DR

本影片回顧病歷從紙本演進到電子健康紀錄（EHR，Electronic Health Record）的歷史。梅約診所（Mayo Clinic） 是創新先鋒——1907 年由 Henry Plummer 推動以病人為中心（patient-centered）的病歷。Larry Weed 在 1969 年提出 問題導向醫療病歷（POMR，Problem-Oriented Medical Record）與 SOAP，改變了現代病歷的組織邏輯。HITECH 法案（HITECH，Health Information Technology for Economic and Clinical Health Act，2009） 是 EHR 大規模導入的起飛點。時至今日，EHR 已是整個醫療資訊生態的中心節點。

病歷的五種 orientation（組織方式）

病歷可依不同邏輯來組織，歷史上出現過五種：

必懂歷史人物

Hippocrates（希波克拉底，約兩千五百年前）

早在兩千五百年前，希波克拉底（Hippocrates）就已主張：病歷應準確反映疾病的病程與可能成因。可見「病歷須忠實記載病情」的原則其來有自。

Henry Plummer（梅約診所，1907）

• 把病歷從以醫師為中心（physician-centered）轉為 以病人為中心（patient-centered）。
• 讓一份病歷涵蓋單一病人的所有資料，這是現代整合式病歷的原型。

Larry Weed（1969）

• 提出 POMR：主張病歷應依「問題（problem）」來組織，每個 problem 各自記錄。
• 提出 SOAP 書寫格式：Subjective（主觀）、Objective（客觀）、Assessment（評估）、Plan（計畫）。
• 開發 PROMIS 系統（Problem-Oriented Medical Information System）：雖未取得商業成功，卻展示了 informatics 的雛形。
• 講師 Hersh 曾親自見過 Weed——他高齡九十多歲仍在寫作。

SOAP 格式的演化與爭議

原始用法（Weed，1969）

每個 problem 各寫一組 SOAP，這是 Weed 最初的設計。

現代的妥協做法

• 整次就診（encounter）只寫一組 SOAP，不再逐一 problem 分開。
• 只有在 A（Assessment）與 P（Plan）的部分，才依 problem 分列。

幾種替代提案

• Donnelly 主張把 SOAP 改成 HOPE（History、Observations、Assessment、Plan）：
• 反對把病人陳述歸類為「subjective（主觀）」，認為這帶有醫療父權（paternalism）意味。
• 建議把「chief complaint（主訴）」改稱「chief concern（主要關切）」。
• APSO 格式：把 Assessment 與 Plan 移到最前面，方便在電子病歷的小螢幕上一眼看到重點。
• 也有人認為 SOAP 造成 note bloat——病歷內容冗長膨脹。

EHR 相關名詞

• EHR（電子健康紀錄）：目前的首選用詞。
• EMR：電子病歷（EMR，Electronic Medical Record），已過時的說法。EHR 之所以取代它，是因為 EHR 強調跨機構、以病人為中心的全域紀錄，範圍比僅限單一機構的 EMR 更廣。
• CPR：電腦化病人紀錄（CPR，Computer-based Patient Record），是 1990 年代的用詞。
• POMR：問題導向醫療病歷（即前述 Weed 提出者）。
• Legacy systems（老舊系統）：指採用過時技術、卻仍在運作的系統，因此有「唯一優點就是 it actually works（它真的還能動）」的業界笑話。
• Practice management system（診務管理系統）：處理門診排程（scheduling）、計費（billing）與保險資格（eligibility）驗證。
• Registry（疾病登錄）：聚焦單一或少數疾病的資料庫，例如癌症登記。

紙本病歷的五大限制

根據美國醫學研究院（IOM，Institute of Medicine）1997 年的報告，紙本病歷有五大限制：

1. Single user object（一次只能一人使用）：同一份紙本病歷一次只能一個人拿著看。
2. Disorganized（雜亂無章）：資料排列凌亂，遇到複雜病人尤其難找。
3. Incomplete（不完整）：紙張分散各處，資料容易散失。
4. Insecure（不安全）：缺乏存取稽核（audit），也容易被任意拷貝。
5. Illegible handwriting（字跡難以辨識）：曾釀成致命用藥錯誤，著名訴訟案例如 Coumadin 與 Avandia、Isordil 與 Plendil 這兩組長相相近的藥名遭混淆而給錯藥。

紙本病歷仍方便之處

• 病房白板：一眼掌握全局（big picture）。
• 在紗布、紙片上隨手做臨時筆記。
• 急診等分秒必爭的場合，紙筆最快。

EHR 的優勢

• 多人同時使用（multiple simultaneous users）：解決紙本一次只能一人使用的限制。
• 多重檢視（multiple views）：可同時以時間序（time-oriented）與問題導向（problem-oriented）呈現同一份資料。
• 支援跨照護提供者（provider）之間的溝通與資訊傳遞。
• 資料可再利用（reuse）於分析（analytics）、AI、品質改善（QI，Quality Improvement）、人群健康（population health）與研究。

HITECH 法案與 EHR 起飛（2009）

2009 年的 HITECH 法案是 EHR 大規模導入的關鍵引爆點：

• 它包含在 美國經濟振興法案（ARRA，American Recovery and Reinvestment Act） 之中——也就是說，ARRA 涵蓋了 HITECH。
• 內容涵蓋 EHR 導入補助（adoption incentives）、「有意義使用」（meaningful use） 條件，以及人才培育（workforce development）。所謂「有意義使用」是指：不是裝了 EHR 就發錢，必須達到指定的使用標準才能領補助。
• 把原本分散的 informatics 各「部落（tribes）」整合起來——包括品質改善（QI）、支付改革（payment reform）、病人參與（patient engagement）與健康資訊科技（health IT）。
• 講師 Hersh 在 2010 年的部落格寫道：「informatics now lives in a high-tech world（資訊學如今活在高科技世界裡）」。

EHR 在醫療資訊生態的中心位置

EHR 位居醫療資訊生態的中心，四面與其他系統相接：

• 左側：行政系統（admin）——如排程（scheduling）、計費（billing）。
• 下方：對外介面——如病人 App、疾病登錄（registries）、健康資訊交換（HIE，Health Information Exchange）。
• 右側：各科別系統——放射（radiology）、病理（pathology）、麻醉（anesthesia）、檢驗（lab）。
• 上方：遠距健康（telehealth）、資料歸檔（archiving）。

資料流動

1. 各科別系統（departmental systems，如檢驗 lab、放射 radiology、藥局 pharmacy）把資料送進 EHR。
2. EHR 與臨床人員（clinician）雙向互動：醫護輸入、也從中讀取。
3. EHR 把資料匯總（aggregate）到資料倉儲（data warehouse）。
4. EHR 或資料倉儲再把資料送往區域或全國層級的 HIE。
5. 最終流向保險公司、政府與其他照護提供者。

EHR 主要 benefits & challenges（Hersh 課程結構）

Quiz 重點

• Mayo Clinic 1907 Henry Plummer = patient-centered record
• Larry Weed 1969 POMR + SOAP
• SOAP = Subjective、Objective、Assessment、Plan
• 病歷 orientation 5 種
• 紙本病歷 5 大限制（IOM 1997）
• 著名 handwriting 災難案例
• HITECH Act 2009 = EHR 起飛點
• ARRA 含 HITECH
• "informatics tribes" 統合
• EMR 已被 EHR 取代
• Registry vs EHR 差別
• Practice management system 是什麼

TL;DR

• 退伍軍人健康資訊系統與技術架構（VistA，Veterans Health Information Systems and Technology Architecture）是美國退伍軍人部（VA，Veterans Affairs）的 電子健康紀錄（EHR，Electronic Health Record）：開源、功能完整，但正被淘汰、將被 Cerner 取代，且轉移進度嚴重落後。
• Epic 主導美國 EHR 市場：拿下約 52% 的急性多專科（acute multi-specialty）病床，且所有 USNWR（U.S. News & World Report，美國新聞與世界報導）頂尖醫院都用它。
• Judy Faulkner 創辦 Epic，公司成立以來從未換過 CEO；個人淨資產約 $8B，是美國第三富有的女性。
• Epic 嚴格說不算 monopoly（獨占；市占率 < 50%），但在大型醫院已是實質壟斷，地位近似「醫療界的作業系統（OS，Operating System）」。

VistA 架構

VistA 的伺服器端與用戶端採用不同的技術堆疊：

VistA 主要 Tab（分頁）與功能

CPRS 介面以多個分頁（tab）呈現病人資料：

• Cover sheet（封面總覽）：病人整體概況的一頁式摘要。
• Problems（問題清單）：可依 active／inactive（作用中／非作用中）篩選。
• Active orders（作用中醫囑）。
• Patient notes（病歷紀錄）：可套用 template（範本）。
• Lab results（檢驗結果）：可篩選，並將 critical values（危急值）高亮標示。
• Meds（用藥）：整合 臨床決策支援（CDS，Clinical Decision Support），提供 drug-drug（藥物交互作用）與 drug-allergy（藥物過敏）警告。

CDS Demo 案例（必懂）

課程用幾個情境示範 CDS 如何在下醫囑當下攔截用藥風險：

1. 對 penicillin 過敏（penicillin allergy）的病人被開立 amoxicillin → CDS 跳出警示 → 改用 erythromycin。（兩者同屬 β-lactam，有交叉過敏之虞。）
2. erythromycin 併用 simvastatin → 觸發 drug-drug interaction 警示。（erythromycin 抑制 CYP3A4，會拉高 statin 血中濃度、增加橫紋肌溶解風險。）
3. sildenafil（Viagra，威而鋼）併用 nitrates（硝酸鹽類）→ 嚴重 drug-drug interaction。（兩者皆降血壓，併用可能造成致命性低血壓。）
4. 糖尿病病人的年度眼底檢查 reminder（提醒；每年一次）。

VistA → Cerner 轉移

• 國防部（DOD，Department of Defense）的 MHS Genesis 系統（MHS＝Military Health System，軍方健康系統）採用 Cerner，導入接近完成、過程順利——DOD 採用的 EHR 就是 Cerner／MHS Genesis（考點）。
• 相對地，VA 改用 Cerner 是一項 5-10 年的長期計畫，但進度嚴重落後——GAO（Government Accountability Office，美國政府問責署）已多次提出報告示警。
• 就邏輯而言，退役軍人從軍中（DOD）轉銜到 VA 體系時，兩邊若使用同一套系統（皆為 Cerner），照護接續理應更順暢。

市場主導者

美國 EHR 市場的前幾大廠商：

美國 EHR 市場規模

• 2024 年市場規模約 $30B（300 億美元），預估到 2029 年成長至 $49B（490 億美元）——五年間持續擴張。

Epic 的故事

• 創辦人 Judy Faulkner 是 Epic 唯一的 CEO（現年 70 多歲）；公司從 40 多年前的一家 startup（新創），一路走到今天的市場主宰。
• Epic 是私人公司（private company），不公開上市。
• 全美約有 305 million（3.05 億）筆病人資料存放在 Epic 的紀錄中。
• Epic 是全美唯一市占率仍在成長的 EHR，並持續往國際擴張。
• 全部 18 家 USNWR 頂尖醫院都採用 Epic。
• Epic 總部所在的威斯康辛州 Madison 市，經濟高度倚賴這家公司。
• 產品線整合了 hospital（住院）、ambulatory（門診）、revenue cycle（收入循環）、billing（帳務）與 consumer（病人端）等模組。
• Epic 自我定位為「healthcare company（醫療公司）」而非 tech company，刻意與 IBM／Microsoft／Google／Apple 等科技巨頭做出區隔。

Epic 主導地位的爭議

• 是否該由單一廠商掌握「醫療創新的關鍵槓桿（innovation levers）」？
• 被指人為墊高第三方加值服務的成本，藉此壓抑第三方發展。
• 廣泛使用 non-compete（競業禁止）條款與各式合約限制，對象涵蓋員工、客戶與合作夥伴。
• 與醫院的 CIO（Chief Information Officer，資訊長）形成 vertical integration（垂直整合）。
• 透過預先發布產品公告，對第三方造成 chilling effect（寒蟬／嚇阻效應）。
• 接班計畫不明——Faulkner 之後，Epic 是否交由家族信託（family trust）接手管理，仍是未知數。

開源 EHR

• OpenEHR、WorldVistA 皆已通過 ASTP／國家衛生資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT；現改名 ASTP）認證。
• RPMS（Resource and Patient Management System）：印第安健康服務（Indian Health Service）使用，以 VistA 為基礎。
• OpenMRS：最初為開發中國家設計的 EHR。
• LibreHealth：供教學用途。

未來的爭奪

• Epic 被形容為「醫療界的 Microsoft Windows」——它是 cash cow（穩定金流的金牛），創新多半是在它這個平台「之上」進行。
• Oracle Health（挾 Larry Ellison 的雄厚財力，主打從零打造、原生的 AI）意圖正面挑戰 Epic。

Quiz 重點

• VistA 用什麼 DB/語言 = MUMPS/M
• VistA 即將被取代為哪個 = Cerner
• Cerner 被誰收購 = Oracle (2022)
• Epic CEO = Judy Faulkner
• Epic 市占（acute multi-specialty beds）= ~52%
• Epic 是 monopoly 嗎 = 嚴格定義不是，但在大型醫院實質壟斷
• DOD 用什麼 EHR = Cerner (MHS Genesis)

TL;DR

資料輸入（data entry）長年是電子健康紀錄（EHR，Electronic Health Record）最大的痛點。演進歷程：手寫 → 口述 → 打字 → structured menu（結構化選單）→ speech recognition（語音辨識）→ scribes（真人抄寫員）→ ambient AI dictation（環境式 AI 聽寫）。環境式 AI 聽寫是 2024-2025 年醫療 AI 最大的落地應用。Copy-paste（複製貼上）則是一把雙面刃。

Data Entry 的 6 種方式

病歷資料輸入可分為以下 6 種（此分類本身是考點）：

1. Free-form（自由文字）：手寫 → 口述 → 打字；自由度最高，但難以結構化與檢索。
2. Structured / menu-driven（結構化／選單式）：以選單、checkbox 輸入；資料整齊、可運算，但輸入較費時。
3. 自動語音辨識（ASR，Automatic Speech Recognition）：把口述即時轉為文字，又分兩種—— - Front-end（前端）：醫師講、螢幕即時顯示文字，當場自行校對。 - Back-end（後端）：先錄音轉文字，事後（常由他人）再 edit 校修。
4. Scribes（真人抄寫員，可遠端）：由真人陪同看診、即時記錄，可實體到場或虛擬遠端。
5. Ambient dictation（環境式聽寫）：AI 監聽 patient-clinician（醫病）對話，自動生成 draft note（病歷草稿）。
6. Copy-paste（複製貼上）：直接複製既有內容貼上；爭議最大。

著名的 JAMA 2012 年圖示

Hersh 引用一張刊於《美國醫學會期刊》（JAMA，Journal of the American Medical Association）、2012 年的著名插圖：一名 9 歲兒童畫出診間所見——醫師背對病人、緊盯電腦螢幕。它點出原本的「醫師–病人」二元關係（physician-patient dyad），已因電腦介入而變成「醫師–病人–電腦」三角關係（physician-patient-computer triad）。

結構化資料的 trade-off

• 優點：資料被編碼（codified），利於檢索（retrieval）與再利用，並能減少語意含糊（reduce ambiguity）。
• 缺點：輸入耗時、需窮舉所有可能詞彙，且臨床人員多半不喜歡，偏愛自由書寫的敘事（narrative）。

ASR 表現

• Word error rate（字錯誤率）在控制良好的情境下為 8.7%，但在多人對話情境會升到 >50%；此指標越低代表辨識越準。
• F1 score 介於 0.42–0.86，變異相當大；F1 是精確率與召回率的調和平均，越接近 1 越好。
• ASR 能縮短記錄時間，但會增加事後的 editing burden（校對負擔），且對特殊術語與口音的辨識較差。

ASR 錯誤類型（Hersh 引用研究）

1. Enunciation errors（咬字／發音錯誤）：54%，占最多；說話含糊造成的辨識錯誤。
2. Deleted words（漏字）：18%；系統漏掉實際說出的字。
3. Added words（多字）：12%；系統多加了未說出的字。
4. Dictionary errors（字典錯誤）：術語不在辨識字典內而出錯。
5. Suffix errors（字尾錯誤）：時態或字尾變化辨識錯誤。
6. Homonym errors（同音字錯誤）：把同音字辨錯。
7. Critical errors（危害性錯誤）：14.8%，會實際影響 patient care（病人照護）。

Scribes（真人抄寫員）

• 與醫師同坐、即時記錄，可為實體到場或虛擬遠端（remote）。
• 對有志者而言，擔任 scribe 是申請醫學院前累積臨床經驗的途徑。
• 研究顯示：每日省下 1 小時 EHR 文書（含週末），醫師有 75% 時間能專注在病人身上，61% 病人給予正面評價。
• 但一位 informatics（資訊學）領袖批評：需要 scribe 這件事本身，就證明 EHR 已經失敗。

Ambient AI Dictation（最熱門）

主要產品

• DAX（Dragon Ambient eXperience）／ Microsoft
• Suki Copilot
• Abridge
• Nabla
• 多數已整合 Epic（美國市占最高的 EHR 廠商）。

系統性回顧（Hassan 2024）

• 收錄 11 篇研究，整體 engagement（使用者投入度）高、accuracy 高（部分仍需 edit）。
• 能改善 efficiency，並提升 clinician wellness、降低 burnout（醫師身心負荷）。
• 病人感受正面。
• 但無 RCT（隨機對照試驗，Randomized Controlled Trial），也無標準化的結果指標。

隨機對照試驗

• Afshar：每日減少 22 分鐘的文件時間，但未降低整體 burnout（僅減少 exhaustion 疲憊感）。
• Lacaqua：比較 DAX、Nabla 與 control（對照組）——Nabla 每位病人省下 1 分鐘；兩者皆能改善 burnout。

Topaz 的 5 大風險

1. Clinical accuracy（臨床準確度）：hallucinations（幻覺）、症狀被漏掉。
2. Privacy（隱私）：未授權錄音、資料被拿去訓練 AI。
3. Legal liability（法律責任）：出錯時誰負責。
4. Lack of transparency（缺乏透明度）：等同 black box（黑盒子）。
5. Interprofessional communication（跨專業溝通）：團隊之間紀錄不一致。

例外研究

• 急診（ED，Emergency Department）中比較 AI scribe 與 human scribe → AI scribe 產出的 note 品質較差、醫師反而花更多時間 edit。
• 以 14 段 patient interaction（醫病互動）× 5 套系統測試 → 系統之間與系統內部的變異都很大。

Copy-Paste

• 早期研究：10–20% 的 chart（病歷）含 copy-paste 內容。
• 風險：會 propagate error（把錯誤一路複製擴散）。
• ECRI best practices：內容須可辨識、標明 provenance（來源出處）、提供訓練並定期評估；ECRI 是美國知名的病人安全組織。

重新想像 EHR 的 Paradigm

• Steinkamp：主張從 paper-based note paradigm（紙本筆記思維）改為「dynamic collaborative workspace by topic」（依主題動態協作的工作空間）。
• Berry：主張廢除 ROS（Review of Systems，逐系統問診），把時間改用在 shared decision-making（醫病共享決策）。
• Hersh 以 wiki／Facebook 作比喻：EHR 應像 wiki（多人協作 + audit 稽核軌跡），或像 Facebook（profile + privacy + photos + notifications + check-in）。

Quiz 重點

• Data entry 6 種類型
• ASR Front-end vs back-end 差別
• Ambient AI dictation = 2024 醫療 AI 最大應用
• Topaz 5 大風險
• Hassan systematic review 結論（高 engagement、缺 RCT）
• DAX、Nabla 是什麼產品
• Scribes 的 trade-off
• Copy-paste ECRI best practices

TL;DR

臨床決策支援（CDS，Clinical Decision Support）在 1990 年代人工智慧（AI，Artificial Intelligence）寒冬（AI Winter）之後，逐漸演進成嵌在電子健康紀錄（EHR，Electronic Health Record）內的 rule-based reminders + alerts（規則式提醒與警示）。它最大的挑戰是 alert fatigue（警示疲勞）——90%+ 的醫師抱怨被警示淹沒。CDS malfunction（決策支援故障）也很常見，93% 的醫療資訊長（CMIO，Chief Medical Information Officer）都遇過。美國食品藥物管理局（FDA，U.S. Food and Drug Administration）2022 年指引，把同時符合 4 條件的 CDS 排除在「medical device（醫療器材）」定義之外。

CDS 定義（AMIA 2007）

向 clinicians／staff／patients（臨床人員／職員／病人）提供 knowledge + person-specific information（知識＋個人化病人資訊），並 intelligently filtered or presented at appropriate times（智慧過濾、在適當時機呈現），以增進健康與照護。

這個定義包含四個要素：知識、個人化病人資訊、智慧過濾、適當時機。

相關名詞

• 電腦化醫囑輸入（CPOE，Computerized Provider Order Entry）——CDS 最常嵌在此。用藥錯誤多發生在下醫囑階段，把提醒／警示放在醫師開單的當下最有效。
• 最佳實務提示（BPA，Best Practice Advisory）是 Epic 對自家 CDS 的稱呼。 在 Epic 系統裡跳出的 BPA，本質就是 CDS。

Osheroff 的 CDS 應用情境

Osheroff 歸納出 CDS 的幾種應用情境：

1. 輸入資料時（Data entry）：smart forms、order sets、parameter guidance、warnings——在鍵入當下就給結構與提醒。
2. 檢視資料時（Reviewing data）：summary、multi-patient monitoring、analytics——協助彙整與跨病人監看。
3. 評估／理解時（Assessment / understanding）：knowledge resource、workup advisor——提供知識查詢與檢查建議。
4. 事件觸發的 alerts／reminders（Event-triggered）：不需 user action（使用者操作）就自動跳出。

兩大形式

Reminders（提醒做某事）

Reminders 提醒醫師「該做某件事」，本質是即時提示而非教育。

• Clem McDonald 的早期研究：一旦移除 reminder，行為就退回 baseline（基準線）——代表效果來自持續提示，而非一次就把醫師教會。
• Octo Barnett 的 strep（鏈球菌咽炎）follow-up reminder 是經典案例。

Alerts（警告需立刻動作）

Alerts 是需要立刻處理的警告。常見類型：

• Drug-drug interaction（藥物交互作用）
• Allergy（藥物過敏）
• Critical lab values（危急檢驗值）
• 抗生素選擇引導（LDS Hospital 的著名案例）

Alert Fatigue（必懂！）

數據

• 一位醫師平均每天收到 76.9 則 inbox notifications（收件匣通知），光回應就佔掉 1 小時以上。
• 其中約半數是 algorithm（演算法）自動產生。
• 醫師 burnout（職業倦怠）上升，與自動 messages 增加呈正相關。

系統性回顧的減負方法

一篇系統性回顧整理出減少警示負擔的方法：

1. 依嚴重度 prioritize alerts（把警示排優先序）。
2. 從 override（醫師略過警示的紀錄）學習，讓未來不必要的警示不再跳。
3. 結合 biochem（生化數值）與病人特徵，做更精細的 alerts。
4. 聚焦在 atypical／rare（非典型／罕見）事件。
5. 主動徵求 end-user（第一線使用者）意見。
6. Customizing（客製化）商用系統。
7. 依風險分層警示（Tier alerts by risk）——最重要的才用最 interruptive（干擾性最強）的方式呈現。

現場做法

• Snoozing alerts（讓警示「稍後再提醒」）。
• Vanderbilt 的 clickbusters team（專門揪出並清掉無用警示的團隊）。
• 加州大學舊金山分校（UCSF，University of California, San Francisco）的 nudges（推力）——用正向 framing（正面框架）來引導。

Pyrian 「elements of style」

Pyrian 提出的 alert 設計要素（elements of style）：

• 顏色分級：紅（緊急）／橙（中）／黃（資訊）。
• 同時顯示病人名、alert 名稱、以及「為何 fire（為何觸發）」。
• 提供一鍵 order／不 order 的操作。
• 附上常見的「not-order（不開立）」原因選項，並保留 free text（自由輸入）欄位。

CDS Malfunction（93% CMIO 經歷過）

Wright taxonomy 4 大成因

Wright 的分類法（taxonomy）整理出四大成因：

1. Build errors（建置錯誤）：規則本身對，但實作寫錯了。
2. Conceptualization errors（概念錯誤）：規則的邏輯本身就錯。
3. 新 codes 引入：新的代碼（藥品、診斷碼等）進來，舊規則沒跟上。
4. 規則未更新：臨床或知識變了，規則卻沒維護。

偵測管道

• 多數故障是靠 user report（使用者回報）發現。
• 有時則從 override 時留下的文字看出端倪。

案例

• Amiodarone 的甲狀腺監測 alert：因為 drug ID（藥品代碼）變了，規則就失效。
• 兒童鉛篩檢（lead screening）alert：規則被改錯。
• EHR 升級後 → 冒出大量 spurious alerts（假警示）。
• Carvedilol（同時具 α＋β blocker 作用）出現「strict hierarchy（嚴格階層）」的問題。

解方

• 若用了 inappropriate route of administration（不當給藥途徑），也會誤觸規則——解方是標準化 administration route（給藥途徑）。

FDA 2022 CDS Guidance（必懂）

FDA 2022 年指引：一項 CDS 只要同時符合以下 4 個條件，就不算 medical device（醫療器材）（也就不受 FDA 器材法規約束）：

1. 不處理來自 acquisition system（擷取裝置）的 medical image／signal／pattern（醫學影像／訊號／型態）。
2. 只顯示、分析或列印 medical info（醫療資訊，含同儕審查文獻與臨床指引）。
3. 提供 prevention／diagnosis／treatment（預防／診斷／治療）建議。
4. 讓醫師能獨立 review 建議的依據，不必依賴 AI 就能做最終決策。

商業利益污染 CDS

• EHR 廠商 Practice Fusion 收了 pharma（藥廠）的 kickbacks（回扣），讓 CDS 偏頗地推廣 opioid（鴉片類止痛藥），最後與美國司法部（DOJ，U.S. Department of Justice）達成訴訟和解。

改善 CDS 框架（建議）

• DeLuc 提出 3 類 metrics（指標）：design（設計）／what was built（實際建置了什麼）／results（結果）。
• 以病人為中心的 CDS：善用病人自產健康資料（PGHD，Patient-Generated Health Data）、與 EHR 整合、納入衛教、並考量 reimbursement（給付）。

Quiz 重點

• CDS 定義（AMIA 2007）
• Reminder vs Alert 差別
• Alert fatigue 解法（依嚴重度 tier、override learning、customize）
• FDA 2022 4 個排除條件
• CDS malfunction 4 大成因
• Practice Fusion 案例（pharma kickback）
• BPA = Epic 的 CDS 名稱
• Reminders 移除後行為退回 baseline 意涵

TL;DR

臨床決策支援（CDS，Clinical Decision Support）要跨機構規模化非常困難。歷史上有三大標準化嘗試：Arden Syntax（最早的規則語言，卡在 curly braces problem）、CDS Connect（美國醫療照護研究與品質局〔AHRQ，Agency for Healthcare Research and Quality〕維護的 artifact 知識庫）、以及 CDS Hooks（由 HL7，Health Level Seven International 制定，回傳三種 cards）。電腦化醫囑輸入（CPOE，Computerized Provider Order Entry）是 CDS 最主要的落腳處；而 override（醫師略過警示）問題嚴重——光是藥物交互作用（drug-drug interaction）警示就只有 9.2% 被接受。

三大 CDS 標準化方法

1. Arden Syntax（最早）

Arden Syntax 是最早的 CDS 知識表示標準。

• 屬於程序式（procedural）的規則語言。
• 核心是三元素：Event（事件）＋ Condition（條件）＋ Action（動作）——某事件觸發、檢查條件、符合就執行動作。
• 由美國材料試驗協會（ASTM，American Society for Testing and Materials）發布，標準編號為 E1460。
• 最大罩門是 curly braces problem（大括號問題）：大括號內要填的臨床資料綁死各院自己的 local 資料庫，無法跨機構通用，因此限制了規模化。

2. CDS Connect（AHRQ）

CDS Connect 由 AHRQ 主導。

• 是一個公開的 artifact repository（決策支援素材庫）。
• 範例：statin（史他汀類降血脂藥）用於心血管疾病（CVD，cardiovascular disease）的一級預防。
• 每項 artifact 同時附上臨床證據與 implementation guide（實作指引），方便各院落地。

3. CDS Hooks（HL7 標準）

CDS Hooks 是 HL7 的標準。

• 當電子健康紀錄（EHR，Electronic Health Record）發生特定動作（例如開立藥囑）時，就觸發一個 hook 去呼叫外部決策服務。
• 服務回傳三種 cards（卡片）：
• Information card：純資訊，讓醫師閱讀文字。
• Suggestion card：帶按鈕，可一鍵接受建議。
• App link card：連到外部 app 做更詳細的處理。

CPOE（Computerized Provider Order Entry）

定義（ASTP／ONC）

此為美國國家衛生資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT，現已改組為 ASTP）給的定義：

醫護人員透過電腦直接輸入並送出治療指示（含 medication、lab、radiology 等 orders）。

Order 類型

醫囑（order）常見有幾種類型：

• Verbal orders（口頭醫囑，常見於急症當下）。
• Telephone orders（電話醫囑）。
• Standing orders（常規醫囑，每天固定重複執行）。
• Conditional orders（條件式醫囑，即 PRN，pro re nata、需要時給予）。
• Signed downtime orders（停機醫囑，電腦當機時先手寫、事後補簽）。

CPOE 最佳實踐

Individual orders（VA 例）

以美國退伍軍人部（VA，Veterans Affairs）系統為例，單筆醫囑（individual orders）的好設計包括：

• Selectable from menu：從選單挑選，不必手打。
• Quick orders：把常用組合做成一鍵套用。
• Order dialogs：用對話框強制填必填欄位，避免漏填。

Order sets

Order sets（醫囑套組）：

• 最佳的管理層級是 department（科部），而不是整個機構、也不是個別醫師。
• 最常用在入院與術後情境。
• 好處是減少 cognitive workload（認知負荷）與 variation（醫療變異）。
• 但要注意：order sets 並「沒有」減少下單時間、滑鼠 click 次數，或 free text 的使用量。

Override 問題（巨坑）

數據

• Bates 在 1990 年代的 redundant lab（重複檢驗）研究：系統建議取消重複檢驗時，有 31% 的建議被醫師 override；但事後專家回頭審查，認為其中 41% 的 override 其實是合理的。
• Drug allergy（藥物過敏）警示：高達 80% 被 override，醫師多半勾選「已知悉／會監測（aware／will monitor）」；結果其中 6% 真的發生了藥物不良事件（ADE，Adverse Drug Event）。
• 一項大型現代研究則顯示：
• 6.6% 的處方會觸發 alert。
• 藥物交互作用（drug interaction）警示只有 9.2% 被接受（亦即逾九成被略過）。
• Allergy alerts（過敏警示）則有 23% 被接受。
• 警示的 severity（嚴重度）越高，接受率也越高。

Override 主要原因

醫師 override 的主要理由有：

1. Will monitor / take precautions（我會監測、會採取預防措施）。
2. Alert not clinically significant（這個警示在臨床上不重要）。
3. Benefit outweighs risk（利大於弊）。
4. 這個 alert 不屬於我這位 clinician 的責任範圍。
5. 這筆 order 很緊急。
6. 警示所依據的資料有誤。

Override 適當性（NANJI 大規模研究）

NANJI 的大規模研究，評估各類 override 到底「適不適當」：

• Duplicate drugs（重複藥物）的 override：almost always（幾乎總是）適當。
• Allergies（過敏）的 override：也幾乎總是適當。
• Drug-drug interactions（藥物交互作用）的 override：比較不適當。
• 依 age（年齡）／kidney status（腎功能）調整的 override：也比較不適當。

CPOE 安全爭議

• Han 於 2005 年在 University of Pittsburgh 的 PICU（小兒加護病房，pediatric ICU）研究：導入 CPOE 後死亡率不減反升。但深究其實是 implementation（導入方式）的問題——例如病人尚未抵達 ICU 就無法先開立醫囑，這類流程設計缺陷才是死亡率上升的元凶，而非 CPOE 本身有害。
• Schiff 對「安全 e-prescribing（電子開方）」的建議：
• 把 indications（適應症）整合進處方。
• 全院用單一、共享的藥單。
• 停藥時要能同步取消並通知藥局。
• 採用 standardized structured codified instructions（標準化、結構化、編碼化的用藥指示）。
• Re-engineer（重新設計）整個 CDS。
• 主動提供 non-drug（非藥物）替代方案。

David Bates' 10 Commandments（2003，仍適用）

David Bates 在 2003 年提出的「CDS 十誡（10 Commandments）」，至今仍適用：

1. Speed is everything（速度就是一切）——反應太慢的 CDS 沒人願意用。
2. 預期使用者的需求，並在當下即時提供資訊。
3. 貼合 clinician 的實際 workflow（工作流程）。
4. 小改動也可能帶來大改變。
5. 盡量不要直接 stop（擋住）醫師，而要提供替代方案。
6. 「改變方向」比「直接擋下」更容易被接受。
7. 越 simple（簡單）的介入越有效。
8. 只在必要時才追問補充資訊。
9. 要持續 monitor（監測）、收集 feedback（回饋），再據以 modify（修正）。
10. 要有專人管理與維護背後的 knowledge（知識庫）。

Five Rights of CDS（Osheroff）

Osheroff 提出的 CDS「Five Rights（五個對的）」，是設計 CDS 的經典框架：

1. Right information：對的資訊（要 evidence-based，有實證根據）。
2. Right people：對的對象（別忘了也包含病人）。
3. Right channels：對的管道（EHR、patient portal 病人入口網等）。
4. Right intervention format：對的介入形式（prompts 提示、order sets、alerts 警示等）。
5. Right points in workflow：在 workflow 中對的時間點切入。

未來：AI 進入 CDS

• 目前多數 CDS 仍是 deterministic（確定性、規則式）的。
• 機器學習（ML，Machine Learning）與人工智慧（AI，Artificial Intelligence）將擴展 CDS 的能力，例如做到 precision（精準化）與 real-time risk score（即時風險分數）。
• 也出現 CDS Sandbox（沙盒環境）用來訓練 informatician（資訊專家）。

Quiz 重點

• 3 大 CDS 標準化方法
• Arden Syntax 3 元素 + curly braces problem
• CDS Hooks 3 種 cards
• CPOE 定義
• Order set 最佳管理層級 = department
• Override 在 drug-drug interaction 接受率約 = 9.2%
• David Bates 10 Commandments（speed is everything）
• Five Rights of CDS
• Han PICU CPOE 案例 + 解讀

TL;DR

個人健康紀錄（PHR，Personal Health Record）是由病人主控的健康紀錄。共有 3 種類型：tethered（綁定型，綁定單一電子健康紀錄 EHR（Electronic Health Record），如 Epic（Epic Systems）的 MyChart）、standalone（獨立型，如 WebMD）、integrated（整合型，如 Apple Health）。21st Century Cures Act（21 世紀醫療法案）強制即時釋出檢驗結果（lab）與病歷 note 給病人。Open Notes 讓病人閱讀醫師寫的 note；Our Notes 則讓病人參與撰寫。

PHR 定義（ASTP/ONC）

此定義由美國國家衛生資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT；現更名為 ASTP）提出。

由病人主控的紀錄，可涵蓋多家醫療提供者 + 病人自己輸入的資訊。 不取代醫療提供者的法律病歷（legal record）。

也就是說，PHR 是病人端的彙整紀錄，正式法律效力仍以院方病歷為準。

PHR 三種類型

重要 PHR 範例

Epic MyChart（最廣用）

• 提供 Web、iOS、Android app 三種版本
• 可跨多家採用 Epic 的醫院查看自己的資料
• 逐步加入 integrated 功能（納入其他系統的資料）

VA MyHealtheVet

• 綁定 VA 的電子健康紀錄系統 VistA（Veterans Health Information Systems and Technology Architecture）
• 首創 Blue Button 概念（一鍵下載自己的健康資料）

Apple Health App

• 2018 年與 Epic 簽訂 API，讓病人在 iPhone 內即可查看 Epic 的資料
• 整合 fitness（健身）、體重計、血壓計、Apple Watch 步數等資料
• 提供 HealthKit toolbox 供第三方 app 使用
• Daymad：行動裝置上的 integrated PHR，是 PHR 普及的 tipping point（引爆點）

21st Century Cures Act 對 PHR 的影響

• 強制即時釋出檢驗結果（lab results）與病歷 note 給病人，即使醫師尚未親自判讀
• 未依規定即時釋出，即構成 information blocking（資訊封鎖，屬違規）

副作用

• 病人常比醫師更早看到結果（Vanderbilt 的比例從 10% 上升到 40%）
• 對 oncology（腫瘤科）與 mental health（精神／心理健康）領域衝擊最大
• 衍生青少年隱私與父母同意（parental consent）的問題

Open Notes（必懂）

起源

• 約 10 年前由 3 個學術醫學中心試行
• 最早可追溯至 1973 年 Schenken 在 NEJM 的倡議（首度主張讓病人閱讀自己的病歷）

結果

• 簽署啟用後，實際閱讀的病人達 50–100%
• 多數病人覺得對自身健康更有掌控感
• 提升服藥順從性（medication adherence）
• 約 25% 病人雖有隱私顧慮，但仍持續使用
• 僅 1–8% 病人感到困惑、擔心或被冒犯
• 多數醫師並未因此增加額外工作時間
• 研究結束後，醫師與病人皆繼續使用

對醫師寫 note 的要求

• 使用清楚、尊重、包容的語言
• 病人會讀 → 避免使用 stigmatizing（汙名化）字眼
• Lukes 表：避免 "denies"、"endorses"、"poor historian"，也不要用病名來指稱病人
• Lam 原則：engage（參與）、partner（夥伴）、respect（尊重）、encourage to read（鼓勵閱讀）

Cures Act 後

• Open Notes 從「自由選擇」變為「強制」
• 釋出範圍含影像（imaging）與其判讀（interpretation）

Our Notes（病人參與撰寫 note）

• 病人在就診（visit）前提交字數受限（word-constrained）的 interval history（期間病史）與 agenda（就診議題）
• 醫師可將其整合進 visit notes
• 由 4 個學術中心、174 位醫師、1964 位病人參與試行
• 病人與醫師滿意度皆高
• 試驗結束後持續採用

病人擁有並控制資料的願景

資料儲存應從 vendor-centric（以廠商為中心） 轉為 patient-centric（以病人為中心）

MIC 三必要元件

1. Standard data elements（標準化資料元素）
2. Standard data receipt（標準化資料回執：每次 encounter 都 push 一份到病人的雲端儲存）
3. Contract（合約：規範資料的存取與控制權）

願景：未來醫師「subscribe（訂閱）」病人的資料，各家 EHR 不再各自為政（siloed）。

Tethered PHR 典型功能

• 檢視自己的 EHR 資料
• 訊息聯絡（預約 appointments、續領處方 refills、非緊急問題諮詢）
• 消費者導向（consumer-oriented）的健康資訊庫
• 同時提供瀏覽器（browser）與行動 app 兩種版本

Quiz 重點

• PHR 3 種類型 + 範例
• Tethered 最常見、Apple Health = integrated
• Blue Button 來源 = VA MyHealtheVet
• Cures Act 對 PHR 的關鍵要求（即時釋出、禁 information blocking）
• Open Notes 結論（多數正面、低負擔）
• Our Notes = 病人寫 note
• Daymad 認為 PHR 普及 tipping point = 行動裝置 integrated
• 病人擁資料願景的 3 元素（MIC）
• 1973 Schenken paper = 最早倡議病人看自己紀錄

TL;DR

• Unit 4 是整套課程裡資訊最密集、最枯燥的單元（Hersh 本人直接承認）。讀的時候只要抓住 standards 的「分類、用途、限制」 這三件事，不要陷進個別 example 的細節。
• 全單元圍繞四大類 standards：identifier（識別碼）／transaction（交易）／message exchange（訊息交換）／terminology（術語），最後再加上 SMART on FHIR 作為串接第三方 App 的 platform（平台層）。SMART＝Substitutable Medical Apps, Reusable Technologies，是一套「可替換醫療 App」框架。
• 講授順序：4.1 基本概念 → 4.2 identifier ＋ transaction → 4.3 message exchange（HL7 v2／HL7 v3、CDA、DICOM 等）→ 4.4a-c terminology（ICD、藥品、LOINC、SNOMED、UMLS）→ 4.5a-b FHIR ＋ SMART → ONC 的 Cures Act final rule。

Unit 4 內容地圖

1. 4.1 — Standards and Interoperability 基本概念：互通性的定義、四級互通性（無／結構／語法／語意）、HIPAA（Health Insurance Portability and Accountability Act，健康保險可攜與責任法）與 standards bodies（標準制定組織，SDO）。這是打底章，先界定何謂互通、分成哪四級、由誰來訂標準。
2. 4.2 — Identifier ＋ Transaction standards：病人識別碼（patient ID）在美國一路難產的政治史、NPI（National Provider Identifier，醫事人員 10 碼識別碼）與交易標準 ASC X12N 5010（保險理賠等行政交易的訊息格式）。重點在理解為何美國至今仍無全國統一的病人 ID。
3. 4.3 — Message Exchange standards：以 HL7（Health Level Seven，名稱源自 OSI 模型第 7 層／應用層）家族為主——HL7 v2／v3、CDA（Clinical Document Architecture，臨床文件架構）、CCDA（Consolidated CDA，整合式文件模板）——再加上醫學影像的 DICOM（Digital Imaging and Communications in Medicine）、NCPDP/SCRIPT（電子處方）與 CCR/CCD（早期病摘文件）。HL7 v2 只達語法互通、卻是至今業界主流；v3 想達語意互通卻因過度複雜而失敗。
4. 4.4a — Terminology standards I：ICD-9／10／11、DRG（Diagnosis-Related Group，診斷關聯群）與 NEC/NOS 等 ICD 編碼慣例。ICD（International Classification of Diseases）是 WHO 的疾病分類；美國臨床版 ICD-10-CM（ICD-10 Clinical Modification）遲至 2015 年才導入，而 WHO 已推出 ICD-11。
5. 4.4b — Terminology standards II：NDC（National Drug Code，藥品代碼）、RxNorm（NLM 維護的美國藥品術語標準）、CVX（CVX Vaccine Codes，疫苗代碼）、LOINC（Logical Observation Identifiers Names and Codes，檢驗與觀察編碼）、CPT-4（Current Procedural Terminology，處置代碼）與 HCPCS（Healthcare Common Procedure Coding System）。這批涵蓋藥品、疫苗、檢驗與處置的編碼標準。
6. 4.4c — Terminology standards III：SNOMED CT（SNOMED Clinical Terms，最完整的臨床術語）、UMLS（Unified Medical Language System，NLM 整合各詞彙的「術語的術語」）、common data elements 與 value sets。Bodenreider 的名言：LOINC 負責「問問題」、SNOMED 負責「給答案」。
7. 4.5a — FHIR 基本概念：resources、profiles、RESTful API、bundles、bulk data 等元件。FHIR 全名 Fast Healthcare Interoperability Resources，是 HL7 推出的現代化資料交換 API；自 R4 版起部分內容已成為 normative（正式標準）。
8. 4.5b — SMART on FHIR ＋ ONC Cures Act final rule：涵蓋 USCDI（United States Core Data for Interoperability，美國互通核心資料集）、information blocking（資訊封鎖，Cures Act 明文禁止）與 HTI-1~4 系列規則，都是 EHR（Electronic Health Record，電子健康紀錄）認證與資料互通的規範。ONC 全名 Office of the National Coordinator（衛生資訊科技協調辦公室），Cures Act 全名 21st Century Cures Act（21 世紀醫療法案）。該最終規則於 2020 年 3 月上路；USCDI 每年一版，2025 年為 v6，但 EHR 認證只要求 v3。

Hersh 的學習建議（直接照抄）

註：這是罕見的「講者自我吐槽」段落——Hersh 直言「standards content, almost by definition, is dense and dry」（標準這類內容，幾乎天生就又密又枯燥）。

• 抓 big picture（大方向），不要陷進細節。
• 重點放在：這類 standard 用在哪／何時用／限制是什麼。
• examples 只是輔助理解，不是拿來背的。

TL;DR

• 標準（standards）的價值在四件事：一致命名（consistent naming）、資料再利用（data reuse）、系統整合（system integration）、互通性（interoperability）——讓不同系統對同一件事用同一種說法，資料才得以被重複使用、彼此交換。
• 美國因為經濟與臨床健康資訊科技法（HITECH，Health Information Technology for Economic and Clinical Health Act）砸大錢推動電子健康紀錄（EHR，Electronic Health Record）導入，卻沒同步要求 interoperability，結果各家 EHR 各說各話、難以互換資料。
• 直到 21 世紀醫療法案（21st Century Cures Act，2016）才從法規面開始補強。
• Interoperability 分 4 個層級，由低到高從紙本一路爬到語意；最高境界是語意互通性（semantic interoperability）。
• 標準的統籌機構，美國以美國國家標準協會（ANSI，American National Standards Institute）為主，負責認證 HL7（Health Level Seven International）、ASC X12（Accredited Standards Committee X12）、ASTM（原 American Society for Testing and Materials）等組織；國際上則以 ISO（International Organization for Standardization）的 TC 215 技術委員會為核心。
• HIPAA（Health Insurance Portability and Accountability Act）不只是隱私法，本質上也是一部標準法。

定義（ISO 給「標準」下的標準）

有趣的是，連「什麼叫標準」本身都有一份標準來定義，出處正是國際標準組織 ISO。

• 標準（standard）：由共識程序（consensus process）建立、並經權威機構（recognized body）核可的文件，為某類活動或其結果提供可「共同且重複使用」的規則、指引或特徵。白話說，就是一份大家講好、可以反覆套用的共同規範。
• 互通性（interoperability，IEEE 1990 經典版）：電機電子工程師學會（IEEE，Institute of Electrical and Electronics Engineers）在 1990 年提出、至今仍被廣泛引用的定義——兩個以上系統或元件能彼此交換資訊、並且能使用所交換資訊的能力。重點不只在「傳得過去」，而在「收到後用得了」。
• IEEE 更新版：一個系統或產品能與其他系統或產品協作，without special effort on the part of the customer（不需客戶額外特別努力）。後半這句是關鍵——21st Century Cures Act 對 interoperability 的定義也沿用同一精神。

Interoperability 的 4 個層級（Walker 等人）

不同學者對層級數目講法略有出入，但大致可收斂成 4 級，從完全不能互通、一路爬到連「語意」都能互通：

歷史上成功的 standards

標準的價值並非電腦時代才有。人類史上一連串成功案例都在講同一件事——先講好一套規格，後人就能無縫接軌：羅馬戰車的輪距 → 鐵路軌距 → 電話國際撥接 → ASCII（American Standard Code for Information Interchange，早期電腦文字編碼）→ Wi-Fi → 自動櫃員機（ATM，Automated Teller Machine）。

反例：世界語（Esperanto）想當「語言的標準」，最後仍被英文輾過而未能普及——說明標準不是想訂就能成。

Standards 的限制

• 可能造成某個產業區塊（industry segment）一家獨大，例如 Microsoft Office 幾乎壟斷文書格式。
• 可能扼殺創新（stifle innovation），把應用的功能框死在受限的範圍裡。
• 有句經典笑話：「There are many standards to choose from（標準多得任你挑）」——一旦同一領域並存多套標準，就違背了「單一共同規範」的本意。

Standards 發展的 4 種途徑（Ed Hammond）

標準要在公開透明的過程中誕生，需要一套發展方式。健康資訊標準界的知名前輩 Ed Hammond 歸納出四條途徑：

1. Ad hoc（臨時協議）——產業或社群成員私下談定非正式規格。
2. De facto（既成事實）——由單一 vendor 主導市場而形成，例如 Microsoft Word／Excel 的檔案格式。
3. Government mandate（政府強制）——由政府或主管機關制定並強制採用。
4. Consensus（共識）——各利害關係人在公開透明的過程中協作而成；健康資訊領域偏好走這條。

重要的 standards bodies

這類組織通常是私人、非營利機構，負責把標準的「制定者」與「使用者」聚在一起。

美國

• ANSI：本身不直接寫標準，而是認證各標準制定組織（SDO，Standards Development Organization），包括在醫療領域運作的那些。
• HL7：專注醫療訊息交換（messaging），本單元後段會詳談。
• ASC X12：負責行政與財務類交易（administrative／financial transactions）標準。
• ASTM：其中的 Committee E31 專門制定健康資訊相關標準。

國際

• ISO：最重要的國際標準組織，旗下 TC 215（Technical Committee 215）技術委員會專責健康資訊標準。
• CEN（European Committee for Standardization，歐洲標準化委員會）：歐洲版的 ANSI，旗下 TC 251 也負責健康資訊標準。
• ITU（International Telecommunication Union，國際電信聯盟）：聯合國轄下、專注一般電信標準的機構，並不特別針對醫療。

ASTP／ONC Interoperability Standards Platform

美國主管單位如今叫技術政策助理部長辦公室（ASTP，Assistant Secretary for Technology Policy），前身是國家醫療資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT）。政策重心已從早年「獎勵導入 EHR」轉向「讓資料更標準化、更能互通」。這個平台連結到幾項資源：

• ISA（Interoperability Standards Advisory，互通性標準諮詢目錄）：彙整已可廣泛採用的標準，一年釋出一份 PDF。
• SVAP（Standards Version Advancement Process，標準版本推進程序）：把既有標準的較新版本補進來。
• 並連結到 USCDI（United States Core Data for Interoperability，美國互通核心資料集） 與 FHIR（Fast Healthcare Interoperability Resources）的 Action Plan。

HIPAA（1996，Kennedy-Kassebaum Bill）

一講到 HIPAA，多數人只想到隱私，但它其實也是一部重要的標準法，當年立法主軸甚至是保險而非隱私。它的 5 大內容常被拿來考：

1. 健康保險可攜性（health insurance portability）——這是立法主軸：換工作時不因既有疾病（pre-existing condition）被拒保或中斷保障。
2. 金融交易與代碼集標準（financial transactions＋code sets）。
3. 病人、醫事提供者、雇主的唯一識別碼（unique identifiers）。
4. 隱私標準（privacy）。
5. 資安標準（security）——最為人熟知的一塊；後來由 HITECH Act 進一步強化。

大趨勢／未來

• 2023 年世界銀行（World Bank）報告：從邁向全民健康覆蓋（UHC，Universal Health Coverage）的視角，說明互通性對所有利害關係人的好處。
• AI 與 standards 的關係：當醫療走向導入人工智慧（AI，Artificial Intelligence），標準與互通性被視為妥善運用 AI 的重要基礎。不過 Coyera 主張——在 AI 時代，interoperability 可能比 standards 更重要，因為生成式 AI（generative AI）或許能直接把病歷裡的敘事文字（narrative）轉成標準化的結構資料（structured data）。
• APIs：想要有活絡的產品市場，就得靠應用程式介面（API，Application Programming Interface）這類功能與產業界對接。

Quiz 重點

• Interoperability 4 levels 名稱 + 例子
• Semantic interoperability 定義
• HIPAA 的 5 大內容（insurance portability、code sets、identifiers、privacy、security）
• ANSI / HL7 / ASC X12 / ASTM / ISO TC 215 / CEN TC 251 對應角色
• Hammond 的 4 種 standards 發展途徑
• IEEE interoperability 定義那句「without special effort」

TL;DR

• 醫療體系要辨識的「實體」分四大類：病人（patient）／提供者（provider）／雇主（employer）／健保計畫（health plan）。其中 patient identifier（病人識別碼）政治爭議最大，其餘三類相對單純。
• 病人 ID 的政治史是本段核心：健康保險可攜與責任法（HIPAA，Health Insurance Portability and Accountability Act）在 1996 年原本要求建立全國性的 national patient ID；但 1998 年被國會（Congress）立法凍結，禁止任何聯邦資金投入；直到 2019 年才解禁，卻至今未編列預算，所以美國實際上仍沒有全國病人識別碼。
• 其他先進國家（紐西蘭、新加坡、愛爾蘭）多半早已建置，在當地並非爭議。
• 美國現階段改靠機率式配對（probabilistic matching algorithms）——用姓名、地址、生日等多個屬性推算「是不是同一個人」——來補全國 ID 的缺口。
• 提供者（醫事人員）ID 用全國醫事人員識別碼（NPI，National Provider Identifier）：10 位數，最後一碼是 check digit（檢核碼，用來驗證號碼傳輸無誤）。
• 交易標準（transaction standards）採 ASC X12N（Accredited Standards Committee X12N，一套醫療電子交易格式標準）的 5010 版（由舊版 4010 升級而來），HIPAA 強制採用。
• Healthcare.gov 於 2013 年上線的大災情，正是 X12N 裡的 834（enrollment／disenrollment，投保／退保交易標準）沒被正確實作所致。

Patient Identifier — 為何難？

好處 vs 風險（同一件事兩面看）

病人識別碼的價值與風險是「一體兩面」：讓它好用的特性（好串接），同時也是它最大的隱私隱患。

Duplicate vs Overlay

• Duplicate（重複）：同一位病人卻散落成多筆 record。系統把一個人拆成好幾份，資料各自為政。
• Overlay（覆蓋／張冠李戴）：多位病人被併進同一筆 record（更危險）——把兩個人的資料混為一談，臨床後果比單純重複嚴重得多。
• 一份涵蓋五大學術中心的研究發現：有 17–41% 的病人，至少和另一人同名同姓（same first + last name）；換句話說，光靠姓名配對極容易配錯人。
• Duplicate records 會拉高「漏看異常 lab 結果」的機率：病歷被拆成多筆時，關鍵的異常檢驗值可能落在沒被翻到的那一份裡。

理想 patient ID 的六大屬性

1. Unique（唯一） — 一個號碼只屬於一個人，不與他人共用。
2. Non-disclosing（不揭露） — 號碼本身是純代碼，不洩漏任何個資。
3. Permanent（永久） — 一旦指派就終身不重用、不回收。
4. Ubiquitous（普及） — 人人都有，系統可假設它一定存在。
5. Canonical（單一權威） — 每個人只有一個，不會多個並存。
6. Invariable（不變） — 不隨時間改變。

各國現況

• 紐西蘭：National Health Index，全國健康用途通用；政府還特地建了網站，說明為何要這個號、以及如何保護隱私。
• 新加坡：National Registration Identity Card，全國通用（不只醫療）。
• 愛爾蘭：2013–2016 三年內導入 Individual Health Identifier。
• 多數 OECD（經濟合作暨發展組織，Organisation for Economic Co-operation and Development）國家：直接用通用唯一識別號、或另設專用健康識別號，都沒什麼爭議。

美國的政治史（本段最愛考）

• HIPAA 原始版本（1996）→ 要求建立 national patient ID。
• 1998 → 國會通過禁令，禁止任何聯邦資金用於 national health identifier；這是隱私疑慮引發政治反彈的結果。
• 2019 → 禁令解除，但至今未撥款，所以實務上仍沒有全國病人 ID。
• 就算想拿現成的社會安全碼（SSN，Social Security Number）來當病人 ID 也不適合，三個技術理由：有 3–5% 重複（duplicate）、沒有 check digit（無法對傳輸做檢核）、以及被用在太多用途上導致容易被 re-identify（再識別）。

替代方案：Probabilistic Matching

• 做法是拿多個屬性一起比對：姓名（name）／地址（address）／生日（DOB，date of birth）／電話（phone）／性別（gender）。因為單一屬性會變動、記錄也常不一致，得靠多屬性的機率演算法拉高信心。
• 2014 ONC report：國家衛生資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT）在 2014 年委製的報告指出，配對技術大致已成熟，但建議把各屬性的格式標準化（姓名、生日格式、地址等）才會更準。
• Zech 研究：在超過 8,500 萬人（85M）的美國資料庫裡，光用 first name + last name + DOB 三個欄位，就能讓 98.8% 的個體被唯一辨識。
• Indiana HIE：印第安納州的健康資訊交換發現，標準化 address（地址）是最關鍵的配對因子。
• Sequoia Project、RAND／Pew、GAO（政府問責署，Government Accountability Office）、ONC 等多份報告都指向類似的改進方向。
• 由此催生兩大 initiatives（倡議）：Patient ID Now（由美國健康資訊管理協會 AHIMA〔American Health Information Management Association〕主導，要建立全國病人身分策略框架）＋ Project USAT（專攻 address 地址標準化）。

其他 Identifiers（沒爭議）

Provider — NPI

• NPI 取代了舊制的 UPIN（Universal Physician Identifier Number，通用醫師識別號）：UPIN 由美國政府維護，但只發給看 Medicare（美國聯邦老年／身障健保）病人的醫師；由於不是所有醫師都收 Medicare（例如兒科、不參與 Medicare 帳務者），才改用人人皆有的 NPI。
• NPI 是 10 位數，最後一碼為 check digit，可跑 checksum 驗證號碼是否傳輸正確。
• 聯邦醫療保險與補助中心（CMS，Centers for Medicare & Medicaid Services）不認 NPI 就不付錢——送 claim 一定要帶 NPI。

Employer / Health Plan

• 雇主（employer）須有全國標準雇主識別碼（national standard employer identifier）。
• 平價醫療法案（ACA，Affordable Care Act）之後，健保計畫（health plan）也必須擁有 health plan identifier。

Transaction Standards — ASC X12N

為什麼重要

• HIPAA 之前，保險公司之間的 claim（申報）格式超過 400 種、彼此不通，行政成本極高。
• HIPAA 強制統一到 ASC X12N，官方名之為「administrative simplification（行政簡化）」——這確實大幅收斂了原本雜亂的交易格式。

版本

• 4010：原版。
• 5010：2012 年上線，政府相關交易一律必用（多數民營保險也採用）。

5010 主要交易類型

• Claim／encounter（申報／就醫接觸紀錄）
• Enrollment／disenrollment（投保／退保）→ 834
• Eligibility query（資格查詢）
• Payment／remittance（付款／匯款明細）
• Premium payment（保費繳納）
• Claim status（申報狀態查詢）
• Referral certification（轉診核可）
• Benefit coordination（給付協調）

經典災難案例：Healthcare.gov 2013

• 2013 年 ACA 的線上註冊網站上線時大爆。
• Washington Post（華盛頓郵報）下了一句名言：「Obamacare 最重要的數字是 834」。
• 根因：各保險公司沒把 834（enrollment 標準）實作對，於是送過去的註冊資料全亂。
• 註：Hersh 拿這當「standards 沒做對會出國家級災難」的範例。

Quiz 重點

• HIPAA 原本要求 national patient ID，1998 被禁，2019 解禁但無預算
• SSN 為何不適合（3 點：duplicate、無 check digit、re-identifiable）
• Duplicate vs Overlay 區別
• Probabilistic matching 三要素（name+DOB 就能 98.8% 唯一）
• NPI 10 位數、最後一碼 check digit
• ASC X12N 5010 取代 4010
• 834 = enrollment / disenrollment standard（Healthcare.gov 災難主角）
• Patient ID Now（AHIMA）+ Project USAT（address standardization）

TL;DR

HL7 這個名稱同時代表一個組織和一套標準。HL7 v2 屬 syntactic（只規範語法），以 ASCII 文字加 |（pipe，直線符號）分隔欄位，是業界主流；HL7 v3 想做到 semantic（語意互通）卻太複雜，幾乎沒人用；FHIR 則退一步、折衷解決前兩者的問題（4.5 章再深談）。CDA 把臨床文件結構化；CCDA 是 ONC 在 2012 年整合的版本，改用可重複套用的 templates。DICOM 是醫學影像標準；NCPDP（National Council for Prescription Drug Programs）與 SCRIPT 負責電子處方；CCR 與 CCD 之爭，最後由 CCD 勝出（因為相容 CDA）。

HL7 — 一個名稱、三個東西

HL7 這個縮寫容易混淆，因為它同時指三樣不同的東西：

1. HL7 International——標準制定組織本身。
2. HL7 v2 messaging standard——業界主流，屬 syntactic（語法層次）。
3. HL7 v3 messaging standard——想做 semantic（語意層次），但實際上沒人用。

名稱由來：HL7 之名源自 OSI 七層網路模型的第 7 層，也就是 application layer（應用層）。

HL7 文件的痛

註：Hersh 直言 HL7 的官方文件「less than ideal」（不甚理想）；他認為 Benson 那本書才是真正好讀的 overview。

HL7 Version 2

特性

• 以 ASCII text 表示，用 pipe（|）分隔欄位。
• 主要規範 syntax（語法）；到後期版本才補進一些 semantics（語意）。
• 一則 message 由多個 segments 組成，每個 segment 開頭是 3 個字元的識別碼，用來標示這一段是什麼。

常見 segments

• MSH — message header，放整則訊息的 metadata（誰送、送給誰、訊息類型）。
• EVN — event type，觸發這則訊息的事件。
• PID — patient ID，病人識別資料。
• OBR — observation request，檢驗／檢查的請求，等於結果的表頭。
• OBX — observation result，單筆觀察結果的明細。

例子（Benson 書）

微生物培養：right foot swab → Staph aureus → 對 ampicillin R、對 SXT/cipro S

（判讀：右足拭子培養出 Staph aureus〔金黃色葡萄球菌〕，對 ampicillin 抗藥〔R〕、對 SXT／ciprofloxacin 敏感〔S〕。）

版本演進

HL7 Version 3

• 目標是做到 semantic interoperability（語意互通）——讓系統不只交換資料，還能理解資料的意義。
• 底層採用 Reference Information Model（RIM），這是一套把醫療 entities（實體）抽象化的 object model（物件模型）。
• 格式改用 XML，不再是 v2 的 pipe 分隔。
• 結果卻是太複雜、幾乎沒人採用。Hersh 引述有人形容它 "incoherent"（不連貫、難以理解）。

FHIR（先預告，4.5a 詳述）

• 相對於 v3 的過度複雜，FHIR 刻意退一步、化繁為簡。
• 改以 API + Resource（資源）的概念來交換資料。
• 同時維持與 CDA 等既有 HL7 standards 的相容性。

HL7 International 的其他活動

• CCOW（Clinical Context Management Specification）——臨床情境管理規格，支援 single sign-on（單一登入）與跨應用程式的 context passing（把「目前這位病人」的情境從一個 app 帶到另一個 app）。
• CDS Work Group——負責 Clinical Decision Support（決策支援）相關標準的工作小組。
• CDA——即 Clinical Document Architecture（臨床文件架構），下一段詳述。

Clinical Document Architecture (CDA)

為什麼需要

醫療資料大量是文件形式（本來就是寫給人看的）。但文件電子化之後，其中某些段落其實應該讓機器也能讀取與計算。

結構

• Header——放 metadata：病人、作者、文件類型、日期。
• Body——由多個 sections 組成，每個 section 可以是：
• Narrative（敘述式）——非結構化的文字。
• Entries（條目）——結構化、可被機器計算的資料。
• Templates——可在不同文件類型之間重複使用。

Consolidated CDA (CCDA, 2012)

• 由 ONC 主導，在 2012 年把當時分裂的各派 CDA 格式整合起來。
• 由三層 template 組成：document template → section template → entry template。
• 例如一個 allergy（過敏）section template，可以被多種文件類型重複套用。
• 目前 CCDA 正逐步被整合進 FHIR。

其他 Message Exchange Standards

DICOM — Digital Imaging and Communications in Medicine

• 由美國放射學會（American College of Radiology）與 NEMA（National Electrical Manufacturers Association）共同發展。
• 每則訊息分成兩部分：header（metadata）＋影像資料本身。
• 搭配 PACS（picture archiving & communication systems，影像儲存與傳輸系統）使用。
• 問題：進入 web 時代後，很多影像不走 DICOM，因而遺失了 metadata。

NCPDP + SCRIPT——電子處方

• NCPDP——制定藥房的 claim/benefit（保險給付）相關標準。
• SCRIPT——規範從醫師端到藥房端的處方傳送。

CCR vs CCD——Patient Summary 之爭

• CCR（Continuity of Care Record）——最初的版本，但不相容任何既有 standard。
• CCD（Continuity of Care Document）——由 HL7 與 vendors 用 CDA 格式重寫的 CCR。
• 兩邊之間還打過官司，最後由 CCD 勝出。
• CCD 的 required data set（必填資料集）涵蓋：病史、用藥、過敏、payer（付費方）、care plan（照護計畫）、social history（社會史）、vitals（生命徵象）、mental status（精神狀態）、nutrition（營養）。

註：transcript 最後一段有 sona 跳針（"primary care of the CCD patients" 重複多次）——應為轉錄錯誤，原意是列出 CCD 必填的 data set。

Quiz 重點

• HL7 v2 = syntactic、ASCII pipe-delimited；v3 = semantic 但失敗；FHIR = 折衷
• HL7 名稱源自 OSI 第 7 層
• 主要 v2 segments：MSH / EVN / PID / OBR / OBX
• CDA 三層 template：document → section → entry
• CCDA = ONC 2012 整合版
• DICOM = ACR + NEMA 發展，header + image
• NCPDP（claim）vs SCRIPT（prescribe）
• CCR vs CCD 之爭 → CCD 勝（相容 CDA）

TL;DR

術語標準（terminology）是 clinical data normalization（臨床資料正規化）的核心：要讓電腦讀懂病歷，得先把人類的醫學用語對映到一套標準化、電腦可處理的代碼。醫學語言天生模糊——例如 cancer 與 carcinoma 是同義詞，但電腦裡的純文字（ASCII，American Standard Code for Information Interchange）光看字面比對不出兩者相同——這跟電腦要求的精確性直接衝突。國際疾病分類（ICD，International Classification of Diseases）從 1893 年起源，現行主力是 ICD-10（美國遲至 2015 年才導入）；WHO（World Health Organization，世界衛生組織）已於 2018 年釋出第 11 版（ICD-11，International Classification of Diseases, 11th Revision），內建 post-coordination（後組合）機制並與臨床術語系統（SNOMED，SNOMED Clinical Terms）對齊。美國實際採用「三件套」：診斷用的美國臨床修訂版（ICD-10-CM，ICD-10 Clinical Modification）＋住院處置用的 ICD-10-PCS（ICD-10 Procedure Coding System，處置編碼系統）＋新舊版對照的 GEM（General Equivalence Mappings，通用對照表，做 ICD-9 → ICD-10 mapping）。診斷關聯群（DRG，Diagnosis-Related Group）原本只是研究用的聚類碼，後來被 HCFA（Health Care Financing Administration，醫療財務管理局；現為 CMS，Centers for Medicare & Medicaid Services）綁去做 prospective payment system（前瞻性支付制度，1980s 起）。

為什麼 terminology 這麼難

• 臨床語言的模糊有時是刻意的：醫師會保留一定的判斷與描述空間，不把話講死。
• 同義詞（synonym）——不同 term 指向同一個 concept：cancer ＝ carcinoma；common cold（一般感冒）＝ URI（upper respiratory infection，上呼吸道感染）＝ laryngitis ＝ bronchitis ＝ rhinitis ＝「viral syndrome」，臨床上常被拿來混指同一類狀況。
• 多義詞（polysemy）——同一個 term 對應多個 concept：「lead」可以是動詞（leads to，導致）、EKG（electrocardiogram，心電圖）的導程 lead、也可以是 lead poisoning（鉛中毒）的「鉛」。
• 也因此有人主張：醫學溝通應該像 air traffic control（航空管制）或軍事通訊那樣，刻意限縮並標準化用語，把歧義壓到最低。
• 推薦書：Giannangelo 的《Healthcare Code Sets, Clinical Terminologies, and Classification Systems》，是這個主題的經典教科書。

Terminology 的 Terminology（必懂名詞）

Cimino's Desiderata（建構 vocabulary 的原則）

Cimino's Desiderata 是 James Cimino 提出的一組「一套好的醫學詞彙表該具備哪些條件」，常被當作設計 terminology 的準則。

• 採用 hierarchical structure（階層結構），概念由上而下分層。
• 每個 concept 都要有一個 code（代碼）。
• 避免 semantic codes（語意代碼）——不要把意義直接塞進 code 的字面；否則概念一旦改名或重分類，code 就跟著出問題。
• 建議改用純粹的 identifier（識別碼）：code 只負責指向 concept，本身不洩漏任何意義。

ICD — International Classification of Diseases

起源

• 1893 年在倫敦發起，最初名為 International List of Causes of Death（國際死因分類表）——一開始只用來統計「人為什麼死」，並不是拿來分類疾病的。
• 後來交由 WHO 接手維護。
• 適用範圍從單純的死因，逐步擴展到整體的疾病分類。

主要用途

• 用於各國的 health insurance claims（健康保險申報）——「claims data（申報資料）」這個詞就是這麼來的。
• 各國通常會在地化（localize）：美國版即 ICD-9-CM／ICD-10-CM，其中 CM ＝ Clinical Modifications（臨床修訂），是美國自行加上的細節。

NEC vs NOS（必懂！）

ICD-9 / ICD-9-CM（美國 1979-2015）

• WHO 於 1975 年批准 ICD-9。
• 美國一路沿用到 2015 年才換成 ICD-10——比 WHO 晚了大約 25 年。
• 結構上，每個層級用 1 位數字，基本 code 為 4 位數。
• 美國加上 CM 之後變成 5 位數，可再細分。
• V codes：用於預防、篩檢類的就診（非因當前疾病本身而就醫的情況）。
• G codes（美國另加）：用於 quality measure（品質指標）相關的服務。

例：410.x = Acute MI

以下用一個實例說明 ICD-9 的編碼邏輯。410.x 這一組代表 acute MI（myocardial infarction，急性心肌梗塞）。 - 第 4 位數字用來標示梗塞位置（anterior 前壁／inferior 下壁／posterior 後壁／subendocardial 心內膜下）。 - 410.9 = MI, acute, unspecified（急性心肌梗塞、未指定位置），正是前面 NOS（未指定）的實例。

ICD-9 限制

1. NOS 造成模糊 — 同一個 410.9，不同醫師填的時候心裡想的可能不一樣。
2. 病名會演化 — 例如早年的「non-A non-B hepatitis（非 A 非 B 型肝炎）」，如今已細分成 C／D／E 型等，舊 code 跟不上。
3. 數字 code 的容量有限 — 同一層級容納不了超過 10 個項目（0–9 共 10 個），細分能力受限。
4. Granularity 不足 — 顆粒度不夠，例如 162.4「中肺葉惡性腫瘤」就無法再往下分型。
5. Semantic drift（語意漂移） — 2003 年新增 785.52（septic shock，敗血性休克）後，反而影響了 785.59 的解讀，造成統計上假性的 septic shock 上升；code 一改，歷史資料的意義就跟著飄移。

ICD-10 / ICD-10-CM / ICD-10-PCS

時間軸

• WHO 於 1990 年釋出 ICD-10。
• 美國卻拖到 2015 年才導入（呼應前述「晚 WHO 約 25 年」）。

美國採用三件套

• ICD-10-CM — 負責 diagnosis（診斷），門診與住院都用。
• ICD-10-PCS — 只用於 inpatient procedure（住院處置）。
• GEM — 做 ICD-9 ↔ ICD-10 的新舊對照。

vs ICD-9-CM 差異

過度 granularity 之爭

ICD-10-CM 有時被批評「分得太細」，甚至出現一些很荒謬的 code： - V97.33XD = sucked into jet engines（被吸入噴射引擎）, subsequent encounter（後續就診）——Hersh 吐槽：「really? subsequent?（還有下一次？）」 - V32.1XXS = passenger in three-wheeled motor vehicle injured in collision（三輪機動車乘客於碰撞中受傷）…sequela（後遺症）。 - 甚至有人出了一本《ICD-10 Illustrated》，把這些誇張的 code 畫成插圖來嘲諷。 - 註：Hersh 拿這當「standards 也會吃飽撐著」的範例。

Z codes（ICD-10 加）

• Z codes 用來涵蓋 clinical encounter（臨床就診）本身以外的因素。
• 包括 SDOH（Social Determinants of Health，健康的社會決定因子，如居住、教育、收入）、遺傳易感性、以及其他健康服務相關情況。

ICD-10-PCS 結構

code 為 7 個字元，各自代表一個面向：body system（身體系統）/ root operation（根本操作）/ body part（身體部位）/ approach（手術路徑）/ device（裝置）/ qualifier（限定詞）。 - 例：右膝關節置換 = 0SRC0J9。

ICD-10 的兩派批評

對美國導入 ICD-10 這件事，有兩派唱反調的意見（外加一項批評）： 1. 主張跳過 ICD-10、直接導入 SNOMED（更貼近臨床、內容更豐富）。 2. 主張再等 ICD-11（與 SNOMED 對齊得更好）。 3. 另有批評：各國的 CM（在地版本）太多，反而造成國際比較困難。

ICD-11（WHO 2018 釋出）

新特性

• Foundation（基礎層） — 一個概念網絡，可依用途 linearized（線性化）成不同版本，例如 morbidity（罹病）用途 vs mortality（死因）用途。
• 正式提供 post-coordination（後組合）機制。
• 與 SNOMED 對齊。
• 與 ICD-10 約有 60% 可直接對應；再加上 hierarchy（階層）推導後，涵蓋率可達 ~90%。
• 目前尚無任何國家完整導入 ICD-11。

COVID-19 code 案例

• 2020 年 2 月緊急新增 U07.1（COVID-19 confirmed，確診 COVID-19）。
• 後續又陸續加上疫苗接種（vaccination）、疫苗不良事件（adverse event）、MIS（multisystem inflammatory syndrome，多系統發炎症候群）、long COVID（長新冠）等 code。
• ICD-11 也同步納入這些 code。

DRG — Diagnosis-Related Groups

起源

• 最初只是一個 research aggregation（研究用聚合／分群）工具。
• 後來被 HCFA（現 CMS）拿去做 prospective payment system（前瞻性支付制度），1980s 起實施。
• 做法：把住院 case 分群，讓同一群內的成本相近，醫院就按所屬 DRG 領取固定的 reimbursement（給付）。
• 針對 complications（併發症）設有 modifiers（修正因子），允許領取更高的給付。
• DRG 目前已遷移到與 ICD-10-CM 配對。

Quiz 重點

• NEC vs NOS 區別（系統限制 vs 文件限制）
• ICD 由 WHO 維護，起源 1893 倫敦
• 美國 ICD-10 於 2015 正式導入（晚 WHO 25 年）
• ICD-10-CM (dx) + ICD-10-PCS (procedure) + GEM (mapping)
• ICD-10-CM code 結構：字母 + 數字 + ... 最多 7 char，第 7 char 為 extension
• ICD-11 含 foundation + post-coordination，與 SNOMED 對齊
• Semantic drift 例：785.59 → 785.52 septic shock 假性上升
• DRG 起源 = research，被 HCFA 改成支付工具
• Cimino's desiderata：避免 semantic codes

TL;DR

藥品的 terminology（術語系統）一團亂，各系統只管一段：美國藥品代碼（NDC）走 packaging-level、由 FDA 維護；成分碼 UNII 標成分；VA 系統的 MedRT／NDFRT 記藥物機轉與分類；SPL 管 labeling；而 RxNorm／RxTerms（NLM 維護）是把上述全部整合起來、美國政府指定的核心。國際上另有世界衛生組織的 ATC + DDD。疫苗用 CVX（HL7 維護）。檢驗用 LOINC（NLM 維護），結構為 component + property + time + system + scale + method 這 6 大屬性。處置用 CPT-4（AMA 擁有並收費）＋ E/M codes，整套再包在 HCPCS 這個更大的框架裡。

藥品 Terminology — 混亂的家族

美國藥品代碼（NDC，National Drug Code）

• 由美國食品藥物管理局（FDA，U.S. Food and Drug Administration）維護。
• 整組為 10 或 11 碼數字，長度並不統一。
• 編碼結構分三段：前 4–5 碼＝廠商、中間 4 碼＝產品（品名＋劑量＋劑型）、後 2 碼＝包裝。 也就是把「廠商–產品–包裝」三層資訊全編進同一組號碼。
• 最大的坑：同一種藥、不同廠商生產時，中間 4 碼就不一樣，等於違反了「同一活性成分應對應單一 identifier」的原則；對資料分析而言是噩夢，因為同一個藥會散成很多組 NDC。
• 因此在各資料倉裡，NDC 都得先 map（對應）到統一藥品後，才查得到 aggregate（彙總）結果。

成分唯一識別碼（UNII，Unique Ingredient Identifier）

• 用來標識藥品的成分，含活性成分（active）與非活性成分（inactive）。

醫學參考術語（MedRT，Medical Reference Terminology；原稱 NDFRT，National Drug File – Reference Terminology）

• 源自美國退伍軍人部（VA，Veterans Affairs）。
• 內容涵蓋藥物的作用機轉（mechanism）、生理效應（physiologic effect）與結構分類（structural class）。

結構化產品標示（SPL，Structured Product Labeling）

• 記錄藥品標示（labeling）資料，包括劑型（dosage form）、給藥途徑（route）、效價（potency）。

藥品解剖治療分類＋每日定義劑量（ATC + DDD）

• 由世界衛生組織（WHO，World Health Organization）維護，是國際通用的藥物分類系統。
• 解剖治療化學分類（Anatomical Therapeutic Chemical classification）：依 active ingredient 所作用的 organ/system 來分類。
• 每日定義劑量（Defined Daily Dose）：國際藥物利用研究常用的劑量單位。
• 美國較少採用，但國際上（歐洲、台灣）廣泛使用。

RxNorm／RxTerms（NLM）

• RxNorm／RxTerms 由美國國家醫學圖書館（NLM，National Library of Medicine）維護，是整合上述所有系統的核心。
• RxNorm：提供藥品的語意結構，把成分（ingredient）↔ 品牌（brand）↔ 劑型（dose form）↔ 包裝（packaging）串接起來。
• RxTerms：屬於介面 terminology，設計給 app 在使用者介面呈現用。
• 美國聯邦衛政指定 RxNorm 為國家標準：其他所有 drug terminology 都必須能對應到它。
• 配套工具有 RxMix（建構查詢的 API builder）與 RxNav（供瀏覽的 browser）。

疫苗代碼（CVX，Vaccine Codes）

• 由醫療資訊交換標準組織（HL7，Health Level Seven International）維護，最初是為了 v2.5.1 messaging 而建立。
• 每個 vaccine 都有 short description（簡述）、full name（全名）與 status（狀態）。
• 例如 CVX 208 ＝ Pfizer COVID-19 vaccine（Hersh 提到他自己打了 4 劑）。

檢驗觀察編碼（LOINC，Logical Observation Identifiers Names and Codes）

• 由 NLM 維護。
• 是 lab tests 的首選 terminology，幾乎一統天下。
• 應用已從檢驗擴展到 radiology 與 clinical findings。
• 有多語言版本，包含中文翻譯。

LOINC 6 大屬性

1. Component / Analyte — 被測的物質，例如 glucose、calcium。
2. Property — 測的是哪種量，例如質量濃度、numeric fraction 等。
3. Time — 測量的時間點或時段。
4. System / Specimen — 檢體來源，例如 blood、urine、CSF。
5. Scale — 結果尺度，如 qualitative／quantitative／ordinal／nominal。
6. Method（選填）— 測定方法，例如 test strip、automated count 等。

LOINC name 種類

• Fully Specified Name (FSN，完整指定名稱) — 與 code 一一對應的正式全名。
• Short name — 簡短名稱。
• Display name — 顯示名稱，給醫師看。
• Consumer name — 消費者名稱，給病人看。

LOINC「不含」什麼

LOINC 只負責命名，刻意不涵蓋下列資訊： - 為什麼做這個 test（檢驗的臨床目的） - specimen 採檢與儀器細節 - test 結果的解讀 - 由誰執行、在哪裡執行 - → 它只回答「這是什麼檢驗項目」，不回答「為何測、如何判讀、由誰做」。

LOINC Document Ontology

• 用來為 clinical documents（臨床文件）命名；目前各家電子健康紀錄（EHR，Electronic Health Record）的文件命名方式各行其是、缺乏統一。
• 共 5 項 attributes（屬性）： 1. Type of service（服務類型） — consultation／E&M／procedure／progress。 2. Kind of document（文件種類） — note／report／checklist。 3. Setting（場域） — ambulance／ICU／office。 4. Role（角色） — physician／nurse／pharmacist。 5. Subject matter domain（主題領域） — cardiology／urology／primary care。

LOINC + 其他 standards

• 可嵌入 HL7 v2 的 OBX segment（以 CE ＝ Coded Element 資料型別承載）。
• LOINC 欄位中也可嵌入臨床術語系統（SNOMED，SNOMED Clinical Terms）的詞彙（例如 phenylketonuria positive）。
• 同時也支援快速醫療互通資源（FHIR，Fast Healthcare Interoperability Resources）。

LOINC 的限制

• 醫師不見得認得 LOINC 所給的 lab test 名稱。
• 檢驗常帶有 context 或屬於某個 panel（套組），難以用單一 LOINC 表達。
• 命名有時 ambiguous（模稜兩可）→ Carter 指出這可能造成 patient safety（病人安全）問題。
• McDonald：把 LOINC map 到其他系統時容易出錯，改用自動化方法可降低錯誤。

處置代碼（CPT-4，Current Procedural Terminology）

• 由美國醫學會（AMA，American Medical Association）維護並擁有 copyright（版權），在美國使用須付費。
• 是 physician 拿給付的關鍵 code，需搭配國際疾病分類（ICD，International Classification of Diseases）的診斷碼一起使用。

評估與管理代碼（E/M Codes，Evaluation and Management）

• 用來標示 office visit 等臨床互動的強度（intensity）。
• 過去的爭議：level 愈高 → 需要愈多 documentation → 助長了 note bloat（病歷灌水）與 EHR 使用者的不滿。
• 近期改革：reimbursement（給付）改為依花費時間（time spent）＋醫療決策複雜度（medical decision complexity）計算，目的就是壓低 note bloat。

CPT-4 的挑戰

• 預防與照護協調不一定有對應的 code。
• 若由 AI 執行臨床服務，又該怎麼編 code？這仍是未解的 open question。

美國處置與耗材代碼系統（HCPCS，HCFA Common Procedure Coding System）

• 是包覆 CPT-4 的更大代碼架構。
• 名稱中的 HCFA 是舊稱，現已改為美國聯邦醫療保險與補助中心（CMS，Centers for Medicare & Medicaid Services），但 HCPCS 這個名稱保留沿用。
• 分為 3 級（Level）：
• Level I ＝ CPT-4。
• Level II ＝ 其他項目，如耗材（supplies）與非醫師服務（non-physician services）。
• Level III（已廢除） ＝ 機構自訂的 local codes，已於 2000 年代因美國健康保險可攜與責任法（HIPAA，Health Insurance Portability and Accountability Act）而廢除。

Quiz 重點

• NDC 結構：廠商 4-5 / 產品 4 / 包裝 2 → 同藥不同廠 mid-4 不同（informatics 噩夢）
• RxNorm 是 NLM 的 drug terminology 「國家標準」，其他必須對應到它
• ATC + DDD 是 WHO 維護的國際藥物分類
• CVX = vaccine code，由 HL7 維護
• LOINC 6 大屬性（component / property / time / system / scale / method）
• LOINC 不含 test 解讀、為什麼測、儀器細節
• LOINC Document Ontology 5 attributes
• CPT-4 由 AMA 擁有 + copyright
• E/M code 改革：改按 time + complexity，目的是壓 note bloat
• HCPCS 三級結構，Level III 已廢

TL;DR

SNOMED CT（Systematized Nomenclature of Medicine, Clinical Terms，醫學系統化命名法．臨床術語）是一套涵蓋「所有醫療領域」的綜合型 terminology：1980 年代由病理學會的 SNOP 擴充成 SNOMED，2000 年再與英國的 Clinical Terms Project 合併而成。它有三大組件——concept／description／relationship，並支援 post-coordination（用簡單概念即時組合出複雜概念，也就是 compositional 作法）。

另一主角 統一醫學語言系統（UMLS，Unified Medical Language System）由 美國國家醫學圖書館（NLM，National Library of Medicine）於 1980 年代啟動；其核心 Metathesaurus 是「terminology 的 terminology」——只負責跨詞庫連結、不自己造詞，但只支援 one-to-one 對映、沒有統一 hierarchy，實際用途有限。三大臨床 terminology 的分工是：SNOMED CT（診斷 diagnosis）＋ LOINC（檢驗問題 question／observation）＋ RxNorm（藥品 drug）；Bodenreider 的經典名言：「LOINC ＝ question，SNOMED ＝ answer」。

SNOMED CT — Systematized Nomenclature of Medicine, Clinical Terms

歷史

• 美國病理學會（College of American Pathologists，CAP）從 1960 年代起就在做 SNOP（Systematized Nomenclature of Pathology，系統化病理命名法），這是 SNOMED 的前身，當時只涵蓋病理領域。
• 1980 年代擴展為 SNOMED，範圍從病理擴大到所有醫學領域。
• 2000 年與英國的 Clinical Terms Project（臨床術語計畫）合併，正式成為今日的 SNOMED CT。
• 2007 年所有權移交給非營利組織 SNOMED International（原名 IHTSDO，International Health Terminology Standards Development Organisation，國際健康術語標準發展組織）。
• 採會員國付授權費模式；只要某國付費，該國境內所有公私立機構都能使用（含在商業產品中內嵌散布，但不得整批抽取 vocabulary 再轉售）。
• 目前已有 US／UK 英語、西班牙語、丹麥語、瑞典語等版本，其他語言的翻譯仍在進行中。

三大組件

1. Concepts（概念）——最基本的元素，彼此組成 hierarchy（階層）。
2. Descriptions（描述）——每個 concept 至少有一個 description，內含 FSN（Fully Specified Name，完全指定名稱）與多個同義詞（synonyms）。
3. Relationships（關係）——concept 之間的連結，分兩類： - Hierarchical（階層關係）：例如 pneumonia is-a lung disease、又同時 is-a infectious disease（肺炎「是一種」肺病，也「是一種」感染症）。 - Attribute（屬性關係）：例如 pneumonia caused-by specific bacteria（肺炎由特定細菌造成）。

規模

整套系統的量體很大： - 約 35 萬個 concepts - 約 100 萬條 descriptions - 約 100 萬條 relationships

Post-coordination（後組配；舊稱 multi-axial）

• 複雜的 term 可以由多個簡單 term 即時組合而成，這種可組合的作法就叫 compositional（組合式）。
• 例：把「特定器官的感染」與「由特定細菌引起」組起來，描述成 specific organ infection caused by specific bacteria。
• 相對地也有 pre-coordinated concepts（預先組好的概念），把常用組合先做成單一概念，例如 "fracture of tibia"（脛骨骨折）。

三大 reference terminologies（Bodenreider 整理）

Bodenreider 把最重要的三個 reference terminology 的分工整理如下：

Bodenreider 經典比喻：「LOINC contains the question, SNOMED contains the answer.」（LOINC 記錄「問了什麼檢驗」，SNOMED 記錄「答案是什麼診斷」。）

SNOMED CT 實例：Myocardial infarction

以 Myocardial infarction（心肌梗塞）為例，一個 concept 底下的結構是這樣： - Concept（概念）：Myocardial infarction - Preferred term（偏好用詞）：Myocardial infarction - FSN：Myocardial infarction (disorder)——括號標註語意類別，用來消除歧義。 - Synonyms（同義詞）：heart attack 等口語說法。 - Identifier（識別碼）：一組不帶任何語意的編號（純粹是代號，數字本身沒有意義）。

護理術語 Nursing Vocabularies

• 護理領域的術語非常多，多到彼此難以協調。
• 它們大多屬於 interface terminology（介面術語，貼近使用者輸入端），背後的 information model（資訊模型）互不相容。
• 多數沒有對應到 LOINC 或 SNOMED，難以整合進主流臨床術語。
• 授權模式也很分歧，有的免費、有的收費昂貴。
• 國家健康資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT）曾在 2017 年委託一份報告，評估整個護理術語的 landscape（版圖現況）。
• 這些術語大部分已獲美國護理學會（American Nurses Association，ANA）認可，並收錄進 UMLS 的 Metathesaurus。
• 但有一項分析指出：把所有護理術語加總起來，仍無法完整涵蓋所有的 nursing problem（護理問題）。

UMLS — Unified Medical Language System

起源

• 由 NLM 在 1980 年代末啟動。
• 本課程講者 Hersh 早年也參與其中。
• 當初期待它能成為那個唯一、統合一切的 vocabulary，但實際上並沒有做到。

三大組件

1. Metathesaurus（超級詞庫）——UMLS 的主體，詳見下。
2. Semantic Network（語意網路）——定義各種 concept 類別之間的通用關係。
3. Specialist Lexicon（專科詞典）——供自然語言處理（NLP，Natural Language Processing）使用的詞彙表。

Metathesaurus——「thesaurus 的 thesaurus」

• Metathesaurus 是「詞庫的詞庫」：它只把各家 vocabulary 跨來源連結起來，本身不新增任何 term，用的都是來源詞庫（source vocab）既有的 term。
• 很多人想打造「單一 vocab 就滿足所有需求」，但最終發現這條路行不通。

Metathesaurus 的四層識別碼

UMLS 用四層 ID，由粗到細標定一個詞：

例子：Atrial Fibrillation

用 atrial fibrillation（心房顫動）看這四層怎麼展開： - 只有 1 個 CUI——代表「atrial fibrillation」這個概念本身。 - 底下掛著多個 LUI：atrial fibrillation、fibrillation, atrial、atrial fibrillations、auricular fibrillation 等不同詞形。 - 每個 LUI 又含多個 SUI（大小寫、標點等 string 變體）。 - 每個 SUI 再對應多個 AUI（來自不同 source vocab 的實例）。

UMLS 的限制

1. 只做 one-to-one 對映：無法處理 many-to-one 或 one-to-many 的複雜對應。
2. 只收錄來源詞庫既有的 term：來源沒有的概念（如 patient outcomes 病人結果）就涵蓋不足。
3. 沒有統一的 hierarchy：它只描述各詞庫各自的階層，並未整併成單一階層。
4. 不能 extend（擴充）：UMLS 的 term 是 atomic（原子、不可再拆組）的，不能像 SNOMED CT 那樣把簡單概念拼裝成新概念。

→ 因此 UMLS 的實際使用相當有限（modest），主要用在 NLP 與跨詞庫對映（cross-vocab mapping）這兩件事上。

其他重要的 Vocabularies / Ontologies

共同資料元素 Common Data Elements（CDE）

• 多數 CDE 由美國國家衛生研究院（National Institutes of Health，NIH）主導開發。
• 目的是把各研究（research study）要蒐集的 data elements（資料元素）標準化，讓不同研究的資料能互相比較與彙整。
• 常見例子：
• PROMIS（Patient-Reported Outcomes Measurement Information System）——病人自陳結果的測量工具組。
• NINDS CDE——神經疾病領域的 CDE（NINDS ＝ 美國國家神經疾病與中風研究所）。
• GRDR——Global Rare Diseases Registry（全球罕見疾病登錄）。
• PhenX——表現型（phenotype）測量。
• mCODE（Minimal Common Oncology Data Elements，腫瘤學最小共同資料元素）——以 FHIR（Fast Healthcare Interoperability Resources，快速健康照護互通資源）編碼。

商業 Terminology 玩家

• IMO（Intelligent Medical Objects）——把自由文字（free text）對映成受控術語（controlled terms），主流 EHR（Electronic Health Record，電子健康紀錄）幾乎都串接它。
• West Coast Informatics——提供 open-source 工具。
• MEDCIN——主打 point-of-care（照護現場）的文件紀錄。
• 3M HDD Access——已改為 open-source。

Value Sets（值集）

• Gold 的定義：在某個特定的 clinical query 或 analytic task（臨床查詢／分析任務）中，從 controlled vocabulary 裡被視為等價的一組 code／term 子集。
• 例：要管理 hypertension（高血壓），就分別建立 indication（適應症）、treatment（治療）、comparator（對照）、outcome（結果）等各自的 value set。
• Zahn 訪談了 26 位專家，歸納 value set 常見的問題：
• 漏掉該有的 code、放進多餘的 code、或誤解 code 的原意。
• 這些錯誤會讓 quality measure（品質指標）的結果相差 3–30 倍——等於同一份資料換一組 value set 就可能得到天差地遠的數字。

Ontology（本體論）——超越 hierarchy

• Ontology 不只有 hierarchical（階層）關係，還能表達更複雜的關係。
• 因此也常被稱為 knowledge graph（知識圖譜）。
• 例：把 rare anemia（罕見貧血）與環境調節因子（environmental modifier）、診斷檢查（dx test）、表現型（phenotype）用一張 graph 串起來。
• 雖然已開發不少（如 Handel 的論文），但實際 operational use（正式營運上的使用）仍然很少。

收束：Semantic Interoperability 的願景

• Dolan 的定義：一個系統發出的 computer utterance（電腦訊息），在任何其他系統都能產生完全相同的 effect（效果）——這正是語意互通（semantic interoperability）的理想。
• 不論是 diagnosis（診斷）或 finding（發現），都應達到這種一致性。
• 要做到這點，platform（平台）必須同時處理兩類資料： 1. Documents（文件類）：如 IHE、CCDA（Consolidated CDA，整合型臨床文件架構）等。 2. Discrete data elements（離散資料元素）：以 LOINC、SNOMED CT 等編碼的結構化資料。
• → 接下來的 4.5 就會講 FHIR ＋ SMART（Substitutable Medical Apps, Reusable Technologies，可替換醫療 App 框架）如何作為這樣的 platform。

Quiz 重點

• SNOMED CT 起源於 College of American Pathologists 的 SNOP
• SNOMED CT 三大組件：concept / description / relationship
• Post-coordination = compositional approach
• 三大臨床 terminology：SNOMED CT / LOINC / RxNorm
• Bodenrider：LOINC = question, SNOMED = answer
• UMLS = NLM 1980s 起，Metathesaurus 是 thesaurus 的 thesaurus
• UMLS 4 層 ID：CUI / LUI / SUI / AUI
• UMLS 限制：只 one-to-one、無統一 hierarchy、不 extensible
• DSM = 精神疾病；ICF = 功能障礙；ICPC = 基層醫療；UCUM = 單位
• mCODE = oncology CDE，用 FHIR 編碼
• Value sets 錯誤可讓 quality measure 結果差 3-30 倍

TL;DR

快速健康互通資源（FHIR，Fast Healthcare Interoperability Resources） 是 HL7 International 開發的新一代訊息交換標準（messaging standard），從 Release 4 起成為正式標準（normative，API 不再變動）。設計理念：80/20（先做最常用功能，其餘再擴充 extend）、用 JSON/XML ＋ RESTful API ＋ HTTP。核心是資源（Resource，如 patient、observation、device），可用 Bundle 聚合，用 Profile 在特定情境收斂允許值。FHIR 不是 術語標準，但可使用 SNOMED／LOINC；不是資安標準，但可搭 OAuth 2（OAuth2）。FHIR 與 HITECH 失敗的後果（互通不足）＋ 21 世紀醫療法（21st Century Cures Act） 的時機完美呼應——「對的標準在對的時間（right standard at the right time）」。

FHIR 是什麼

設計目標

• 從 HL7 第 3 版（HL7 v3）的複雜退一步
• 仍追求語意互通（semantic interoperability）
• 維持與 HL7 第 2 版（HL7 v2）、臨床文件架構（CDA）相容
• 用現代網路技術堆疊（modern web stack）：HTTP + JSON/XML + REST

FHIR 不是什麼

1. 不是術語標準（terminology standard，但可嵌入 SNOMED、LOINC、RxNorm）
2. 不是資安標準（security standard，但可搭 OAuth 2、OpenID）
3. 就是資料交換（data exchange）標準

版本演進

• 歷經多個 release
• Release 4 = 第一個 normative（正式標準，某些 API 鎖定不再變）

設計原則

80/20 取徑

• 先做最常用的 80% 功能 → 再讓人擴展
• 不重蹈 HL7 v3「想做完美卻崩潰」的覆轍

現代網路技術堆疊

• XML 或 JSON 格式的 message
• HTTP ＋ RESTful API
• CRUD 操作（CRUD）：POST（create）／GET（read）／PUT（update）／DELETE
• 基本資料型別（primitive data type）→ 堆疊出醫療專用的類型

文件（Documentation）做得很好

註：Hersh 對 FHIR 的文件評價極高（對比他狠批 HL7 v2 的文件不行）。FHIR 網站有給 clinician／developer／architect／patient 的 overview。

Resource — FHIR 的核心

什麼是 Resource

• 代表醫療中的實體（entity）與其資料
• 例：patient、observation、device、practitioner、medication

Bundle（束）

• 把多個 resource 聚合成一個臨床情境
• 例：patient + observation + device 一起送

Codable Concept（可編碼概念）

• 在 Resource 中嵌入受控術語（controlled terminology）
• 例：過敏性反應（anaphylactic reaction）→ 用 SNOMED code + 顯示名稱

Value Sets（值集）

• 限定某 resource 在某情境中可用的 code 子集

一致性測試（Conformance Testing）

• 測試 FHIR resource／profile 的實作是否符合標準
• ONC 的 Inferno Conformance Server 是 US Core 的測試工具

Resource 的 5 個層級（FHIR 網站圖）

重點臨床 Resource

Practitioner Resource（醫事人員）

• name、address、gender、birth date、photo⋯
• 與 patient resource 有部分共用欄位

Patient Resource（病人）

• 多含 deceased、marital status 等

Medication Resource（藥物）

• coded name、ingredients、active prescription⋯

Observation Resource（觀察）

• 理學檢查、檢驗、影像結果等
• 是最常用的 resource 之一

Hay 白皮書範例

• 12 歲男孩耳痛＋發燒 → 診斷中耳炎（otitis media）→ 開 amoxicillin
• 幾天後過敏 → 改 erythromycin
• 各 FHIR resource（Encounter／Condition／Medication／AllergyIntolerance）的對應與關係圖

FHIR Documents（文件）

• 非結構化文件仍佔醫療資料大宗
• CCDA on FHIR（CCDA） 把 CDA 風格搬進 FHIR
• 用 Composition resource（可聚進 Bundle）
• 最小元素：patient、author、custodian、type、attested narrative

Profile — 收斂 Resource

為何需要

• Resource 本身通用，不指定所有國家/情境的允許值
• 例：gender 在各國規格不同

Profile 能做什麼

• 限制允許值（如國家識別碼 national identifier 的格式）
• 指定偏好的受控術語
• 修改 coded element 的 designation
• 加新欄位（讓 FHIR 可擴充）

US Core 實作指引（Implementation Guide）

• 美國最重要的 profile 集
• 定義各 resource 在美國的標準用法
• 對應美國互通核心資料集（USCDI，4.5b 詳述）

RESTful API（FHIR 的「腳」）

• 任何現代網路應用都用（社群媒體、電商）
• HTTP 呼叫把 message 帶在 URL → 回傳 XML 或 JSON
• 操作：POST／GET／PUT／DELETE（對應 CRUD）

FHIR 與 EHR 的關係

EHR 底層資料庫
   ↓
FHIR Server（把資料 format 成 FHIR Resource）
   ↓
FHIR API
   ↓
任意 application（mobile app、web、其他 EHR、AI 工具）

• FHIR 不限於 EHR，任何資料來源都能 format 成 FHIR resource

Bulk Data — 從單一病人到整個人群

為何需要

• 人群健康管理（population health management）
• 品質量測（quality measurement）
• 研究世代（research cohort）
• 公共衛生監測（public health monitoring）

實作

• 擴展 FHIR API → 一次處理多病人
• 因 XML/JSON 跨多病人查詢困難 → 加 SQL on FHIR 工具

CDS ＋ FHIR 整合

• HEVCA（Health Evidence Knowledge Accelerator）— 實證醫學框架
• FHIR Clinical Reasoning Module — 臨床決策支援（CDS）規則、order sets、品質指標
• 臨床實務指引（clinical practice guidelines）on FHIR

工具生態

測試伺服器

• HAPI Server — 開放註冊、上傳 sample patient（絕不可上傳 PHI）
• Logica（前身 HSPC Consortium）— sandbox

Resource 建構工具

• ClinFHIR — 免費 sandbox 工具
• Forge（Firely 商業，有免費版）— Profile editor
• Firely 也出 international FHIR handbook（其他國家的 national 實作）

Quiz 重點

• FHIR Release 4 = 第一個 normative
• 80/20 設計理念
• FHIR 不是 terminology、不是 security standard，是 data exchange
• Resource + Bundle + Profile + Codable Concept 四個關鍵字
• 5 levels of resources（Foundation → Clinical Reasoning）
• RESTful CRUD：POST/GET/PUT/DELETE
• US Core implementation guide = 美國 profile
• Bulk Data 處理跨病人（research、QI、public health）
• HAPI / Logica / ClinFHIR / Forge 是主要工具
• FHIR 與 HL7 v3 對比：退一步、用 web stack、更易實作

TL;DR

SMART（可替換醫療 App 框架）的全稱是 Substitutable Medical Apps, Reusable Technologies（可替換醫療應用、可重用技術），由 Boston Children's Hospital（波士頓兒童醫院）主導。其 paradigm（典範）是「apps 可替換、共享底層資料」——就像智慧手機上不同 app 共用同一組 GPS，換 app 不必搬動底層資料。SMART 初期 uptake（採用度）普通；要等到與 快速醫療互通資源（FHIR，Fast Healthcare Interoperability Resources） 結合、再加上 21st Century Cures Act（21 世紀醫療法案） 強制 EHR 對外提供 patient API（病人資料 API），三者到位後才成為主流。

Cures Final Rule（2020 年 3 月公布） 把 SMART on FHIR 正式寫進 EHR certification（認證）規範，內容涵蓋 美國互通核心資料集（USCDI，United States Core Data for Interoperability）、information blocking（資訊封鎖）禁令、EHI export（電子健康資訊匯出），以及 OAuth 2＋OpenID 授權。其後再有 4 個更新規則（HTI 系列）：HTI-1（AI 演算法透明度＋USCDI v3）、HTI-2（全國健康資訊交換框架（TEFCA））、HTI-3（reproductive health 生殖健康例外）、HTI-4（electronic prior auth 電子事前授權＋e-prescribing 電子處方）。

SMART 是什麼

來源

• 出自 Boston Children's Hospital 的資訊團隊。
• 訴求：別被 monolithic EHR（單體式、大而全的 EHR）綁死，不讓所有功能鎖進單一廠商系統。

核心理念

• 像智慧手機 app 一樣可替換（substitutable）：底層資料不動，上層 app 可自由抽換。
• 共享底層資料（common data store）：各 app 讀寫同一資料池，不各自為政。
• 跨網路的 federated approach（聯邦式架構）：資料可分散於不同節點協作。
• 用單一 Universal API（通用 API）承接所有 data source，app 不必為每個資料來源各寫一套介面。

為何起步慢

• 初期沒有標準化的資料來源，app 寫好了卻沒地方接、難以落地。
• 遇上 FHIR ＋ Cures Act 強制 EHR 開放 API 後才一飛沖天——標準（FHIR）與法規強制（Cures Act）同時到位，正是「right standard at the right time」。
• 安全性現以 OAuth 2 ＋ OpenID 處理授權與身分驗證。

SMART on FHIR 經典 Apps

Griffin 2024 調查

• 找到 112 個線上的 FHIR apps。
• 橫跨 clinical care（臨床照護）、research（研究）、public health（公衛）、HIE、administration（行政）五大領域。

EHR Vendor 的反應

Epic

• 因應 Cures Act 被要求強制支援 SMART on FHIR（Epic 是美國市占最高的 EHR 廠商，動見觀瞻）。
• 開放 API 供開發者測試（developer test）。
• 只支援部分 FHIR resources（並非全部 resource type）。
• 鼓勵客戶回歸 foundational build（基礎建置）：過度客製化反而會失去互通性。
• App Orchard → Showroom：從 app store 模式改為 formal collaboration（正式合作）模式。

Cerner

• Cerner 比 Epic 更積極擁抱 FHIR。

Apple

• HealthKit、ResearchKit、CareKit 三件套（健康資料、研究、照護三個框架）。
• HealthKit 可透過 FHIR 接上 medical record（病歷）。

Google

• Open Health Stack——內含供 FHIR 使用的 Android SDK。

SureScripts

• 提供藥品 benefit（給付）查詢＋clinical messaging（臨床訊息）＋record locator（病歷定位）服務。

資源 + 訓練

• Smart Health IT 網站（由 Boston Children's 維護）。
• Benson 的書（已更新版）。
• AMIA、HIMSS、HL7 舉辦的 workshops。

ONC FHIR Accelerator Programs

美國衛生資訊科技協調辦公室（ONC，Office of the National Coordinator for Health IT，現更名 ASTP） 推動多個 FHIR Accelerator（加速器）專案，共 8 個，各有 focus（焦點）：

其他相關活動

• International Patient Summary（IPS，國際病人摘要）——國際版的 patient summary 最小資料集（minimum dataset），含 medications（用藥）、allergies（過敏）、problems（問題清單）、immunizations（疫苗）、results（檢驗結果）、procedures（處置）。
• SMART Health Cards——COVID-19 疫苗證明標準（以 QR code 呈現）。
• FHIR Foundry——HL7 的工具集。
• Write-back APIs——從 read-only（唯讀）進一步到可寫入 EHR；但誰能寫、如何驗證、由誰負責，仍是 open question（未解問題）。
• MIMIC 4 on FHIR——把 de-identified（去識別化）的 ICU dataset（重症資料集）轉成 FHIR 格式。

21st Century Cures Act + ONC Final Rule

背景時機

• HITECH（2009，Health Information Technology for Economic and Clinical Health Act） 用「有意義使用」誘因把 EHR adoption（採用率）衝高，但 互通性（interoperability） 仍殘破——裝了系統卻互不相通。
• 21st Century Cures Act（2016）出手補強這塊缺口。
• 此時 SMART on FHIR 剛好成熟，形成「right standard at the right time」（對的時間、對的標準）。
• Final Rule 於 2020 年 3 月公布（剛好碰上 COVID-19，部分時程因而順延）。

Rule 的核心 4 元素

1. 資料可移動、可使用，且 without special effort（不需特別的額外努力）。
2. All elements（所有資料元素） 都可被存取，不能只開放部分。
3. Open APIs（開放式 API）。
4. 禁止 information blocking（資訊封鎖）。

Cures Rule 主要要求（初始版）

HTI 系列更新

註：HTI-3 的 reproductive health（生殖健康）例外，明顯是 post-Dobbs ruling（Dobbs 判決推翻 Roe v. Wade 之後）的政治回應——Hersh 沒明說，但脈絡清楚。

USCDI 詳述

• 每年發布一版（2025 年為 v6）。
• ASTP（即原 ONC）目前要求認證採用 v3。
• 內容包含 notes（病歷紀錄）、patient demographics（病人基本資料）、medications（用藥）、vital signs（生命徵象）等。
• USCDI+ 是跨機關的擴充版本，由 美國聯邦醫療保險與補助中心（CMS，Centers for Medicare & Medicaid Services）、CDC 等推動。
• 焦點領域：public health（公衛）、quality（品質）、cancer（癌症）、behavioral health（行為健康）、maternal health（孕產婦健康）。

EHI Export

• 可匯出單一病人的全部健康資料。
• 也可匯出整個 provider（醫療提供者）名下所有病人的資料。
• 匯出檔必須是 computable format（可運算格式），才能載入另一套系統。
• 使用情境：病人更換就醫系統，或醫療機構更換 EHR 廠商時的資料搬遷。

Information Blocking

定義

• 指限制經授權（authorized）之 access（存取）／exchange（交換）／use（使用）的行為，無論來自醫療機構或廠商。
• 屬違法行為。

允許例外（Final Rule 圖）

• 防止對病人造成傷害。
• 保護隱私（privacy）與安全（security）。
• Feasibility（可行性）／health performance（系統效能）考量。
• Licensing fees（授權費）／content（內容）相關例外。

早期影響

• 原本外界擔心會衝擊廠商，但早期主要衝擊的反而是醫院——因為醫院得通知病人其 lab（檢驗）與 notes（病歷）已可下載。
• 廠商常被點名的封鎖手法：收取過高 fees、設下 artificial barriers（人為障礙）、以合約阻撓、拒絕 exchange（交換）。
• 醫院常被點名的封鎖手法：以 strategic affiliation（策略聯盟）自我封閉、拒絕 exchange、設下 artificial barriers。

現況 + 未來方向

Generative AI 的角色

• 生成式 AI（Generative AI） 可以直接把資料 transform（轉換）成 standards-based format（符合標準的格式）→ 那是否還需要 standards（標準）？
• Hersh 的立場：still early（還太早），未來幾年才會明朗。

Firely 2025 State of FHIR Report

• 國際採用度持續上升。
• 最常見的 use case（使用情境）：pharmacy（藥事）、terminology services（術語服務）、diagnostic orders／reports（檢查醫囑與報告）。

未來願景（Hersh 自己畫的）

版本 1：EHR 變成平台（像作業系統 OS 那樣） - 資料放在 data store（資料儲存層）。 - 創新都疊在其上（innovation on top）：FHIR API＋SMART apps＋OAuth 2。 - 外部資料（wearables 穿戴裝置、public health 公衛資料）也透過 FHIR 接入。

版本 2：以病人為中心的雲端資料庫（patient-centric cloud data store） - 每個人擁有自己的 cloud-based data store（雲端資料庫）。 - 醫療提供者變成「subscriber（訂閱者）」——取得照護授權後才能 access（存取）。 - 註：Hersh 自己說這版本是「grander vision（更宏大的願景）」，但需要先解決 data integrity（資料完整性）、病人教育等問題。

Quiz 重點

• SMART 縮寫展開：Substitutable Medical Apps, Reusable Technologies
• SMART 起源 = Boston Children's Hospital
• SMART + FHIR + Cures Act 三者結合才讓 SMART 起飛
• Cures Final Rule 公布日期 = 2020/3
• 4 核心元素：可移動、可全部存取、open API、禁 info blocking
• Cures Rule 用 FHIR R4 + SMART App Launch + OAuth 2 + OpenID
• USCDI v3 是目前認證要求
• HTI-1 加 AI/ML 演算法透明度 + USCDI v3
• HTI-3 加 reproductive health info blocking 例外
• HTI-4 加 electronic prior authorization
• FHIR Accelerator 8 個（Argonaut, FAST, Caron, DaVinci, Gravity, Helios, CodeX, Vulcan）
• SMART Health Cards = COVID-19 vaccine QR code 標準
• Epic App Orchard → Showroom
• 病人不可被收費存取自己資料；廠商可向業界收 fee

TL;DR

• 人工智慧（AI，Artificial Intelligence）的定義是「執行需要人類智慧的任務之系統與演算法」；而現今大半的成功都來自 機器學習（ML，Machine Learning）——機器學習是現代 AI 成功的核心，重點在讓電腦從資料中學、而非人手逐條寫規則。
• Howell 把 AI 的發展分成三個 epoch（時代），是常考的分期：第一波為 知識型系統（knowledge-based，1950s–80s），後來因無法規模化、臨床用處有限而大多崩盤；第二波為 預測型 AI（predictive AI，21 世紀），由 深度學習（deep learning）帶動、專做預測；第三波、也是本單元焦點的 生成式 AI（generative AI），能自行產生新內容。
• 第一波知識型 AI 用的規則式（rule-based）技術，如今唯一存活的角落，是 電子健康紀錄（EHR，Electronic Health Record）內的 臨床決策支援（CDS，Clinical Decision Support）——規則式 CDS 是知識型 AI 唯一留存於臨床的形式。
• 授課者 Hersh 提醒：這領域研究量龐大但品質參差，因此他會挑選 systematic reviews（系統性回顧）與正、反兩面的 exemplars（代表性案例）來呈現，而非只報喜。
• 本單元的評估焦點放在三件事：臨床可用性（clinical applicability）、以研究實證為基礎（research-evidence-based）、合乎倫理且可信賴（ethical & trustworthy）。
• AI 也貫穿其他各單元：Unit 1 導論、Unit 2 的 圖形處理器（GPU，Graphics Processing Unit）、Unit 3 的 ambient AI（環境式聽寫）鍵入、Unit 4 的標準與互通（standards/interop）、Unit 6 的自然語言處理（NLP，Natural Language Processing）、Unit 8 資訊檢索、Unit 9 研究、Unit 10 公共衛生與護理。

AI 的歷史 epochs（Howell 分類）

• 20 世紀：以人工建構 knowledge resource（知識庫）為基礎的 專家系統（expert system）。這類系統到 1980s 被認定 not scalable（無法規模化）、not clinically useful（臨床用處不大），因而大部分被放棄。
• 21 世紀 predictive AI：由深度學習帶起來，主要做 預測或分類，例如 diagnosis（診斷）與 risk stratification（風險分層）。
• 目前主流 = generative AI：能產生新內容，而且可以反過來執行 predictive task（預測任務）。

為什麼 modern AI 行得通

• 機器學習的定義（Howell 引用的經典說法）：讓 computer 能夠 learn without being explicitly programmed（不需被明確編程就能學習）；也就是程式的行為是從資料學來的，而非工程師逐條寫死。
• 讓現代 AI 得以成功的三大推力：演算法（以深度學習為代表）、龐大的資料量，以及算力——GPU 搭配雲端運算是算力的關鍵。

本 unit 結構

1. 機器學習基礎，加上 data science（資料科學）概述。
2. 預測型 AI（Predictive AI）：涵蓋其應用、成效與挑戰。
3. 生成式 AI（Generative AI）：涵蓋其應用、成效與挑戰。
4. 可信賴 AI（Trustworthy AI）：包含方法學批判、規範框架與教育。

名詞對照

• AI：Artificial Intelligence — 人工智慧
• CDS：Clinical Decision Support — 臨床決策支援
• GPU：Graphics Processing Unit — 圖形處理器
• LLM：Large Language Model — 大型語言模型
• NLP：Natural Language Processing — 自然語言處理
• RAG：Retrieval-Augmented Generation — 檢索增強生成

對你的提醒

• Hersh 在 5.0 就已埋下整個單元的 skepticism（懷疑論）基調：模型在 dataset（資料集）上表現亮眼，不等於 real-world clinical benefit（真實臨床效益）。這對在 Sin-lau（新樓）推動 AI 有直接意涵——不要被 paper 上的 AUROC（ROC 曲線下面積，Area Under the ROC Curve）數字迷惑，要進一步追問有沒有 prospective deployment evidence（前瞻性部署後的實證）。
• 這個單元正是 Li-yang 的專業主場，建議特別留意：5.5a（evaluation，模型評估）與 5.5b（trustworthy/regulation，可信賴與法規）兩節，對你的 CMIO（Chief Medical Information Officer，醫療資訊長）角色最相關。

TL;DR

• 機器學習（ML，Machine Learning）的核心，是讓電腦「不需明確編程（explicitly programmed）就能從資料中學習」。它有三大學習範式（learning paradigm）：supervised（監督式）／unsupervised（非監督式）／reinforcement（強化式），另有三種變體：semi-supervised、self-supervised、transfer learning。
• 深度學習（Deep Learning）是現代人工智慧（AI，Artificial Intelligence）的主軸。網路架構分兩大類：前饋式（feed-forward）以卷積神經網路（CNN，Convolutional Neural Network）為代表，擅長影像；回饋式（feedback）以循環神經網路（RNN，Recurrent Neural Network）為代表，擅長序列。
• Transformer（Vaswani 等人 2017 年論文「Attention is All You Need」）是大型語言模型（LLM，Large Language Model）的基礎。它再分兩型：編碼器型（encoder，代表為 BERT）與解碼器型（decoder，代表為 GPT）。
• 典型訓練流程：tokenization（斷詞）→ embedding（詞向量）→ positional encoding（位置編碼）→ attention（注意力）→ transformer blocks → softmax（機率輸出）。
• 後訓練（post-training）階段的技巧包括：基於人類回饋的強化學習（RLHF，Reinforcement Learning from Human Feedback）、context window（脈絡窗口）、檢索增強生成（RAG，Retrieval-Augmented Generation）、chain-of-thought（思維鏈）與 agentic AI（代理式 AI）。
• 工具生態：程式語言用 Python／R；互動環境用 Jupyter notebook；常見套件有 TensorFlow／scikit-learn／tidyverse／LangChain；環境管理用 Anaconda；另有免寫程式的 Orange。
• 模型 hub：Hugging Face／Kaggle；臨床端的安全評測平台則是 MedPerf／ML Commons。
• 模型卡（Model Card）很重要，但研究（Mitchell 等人）發現 85% 的模型卡對風險（risk）著墨甚少。

三大 learning 類型

Supervised learning（監督式學習）

• 從已標註（labeled）的資料中學習。訓練時會把資料切成 training data（訓練集）與 test data（測試集）兩份、分開評估，用意是避免 overfitting（過度擬合）——也就是模型死背了訓練資料、卻無法推廣到沒看過的新資料。
• 臨床範例：X 光片配上診斷標籤、臨床資料配上結果（outcome）。

Unsupervised learning（非監督式學習）

• 資料沒有標籤，目標是找出資料裡自然存在的樣態（naturally occurring patterns）。
• 三類任務：clustering（分群）／density estimation（密度估計）／dimensionality reduction（降維）。其中降維常用於文字處理，可視為 embedding（詞向量）的前身——先把高維資料壓縮成低維向量。

Reinforcement learning（強化式學習）

• 通常先以 supervised／unsupervised 起步，再依據新進的資料持續調整。
• 臨床上「部署後仍持續更新」的系統多屬這一類：模型會隨新資料不斷演化，而非訓練一次就定終身。

變體 learning（三種延伸學習法）

• Semi-supervised（半監督式）：用少量 labeled 資料搭配大量 unlabeled 資料，兼顧標註成本與資料量。
• Self-supervised（自監督式）：先用非監督方式自己生出標籤，再拿去做監督式學習。LLM 主要就是用這種方式訓練——例如把句子中的一部分遮住、讓模型自己預測被遮的內容。
• Transfer learning（遷移學習）：把某個任務訓練好的模型，拿去解另一個任務。LLM 的能力同樣建立在遷移之上——先學會通用語言，再微調到特定用途。
• Zero／one／few-shot learning：呼叫模型時分別「不給範例／給一個範例／給幾個範例」，模型就能照著做。

神經網路（ANN）解剖

• 人工神經網路（ANN，Artificial Neural Network）由三種層組成：input layer（輸入層）→ hidden layers（隱藏層）→ output layer（輸出層），層與層之間的節點（node）以權重（weight）相連。
• 所謂 deep learning，指的就是擁有「很多層」hidden layers 的神經網路——「深」講的是層數多。
• 這套方法在 21 世紀初由 Hinton 等人重新帶動，並促成 2024 年的物理諾貝爾獎。

兩大 ANN 拓樸（topology）

• 前饋式（feed-forward）／CNN：影像分類的首選；其設計模仿視覺皮層（visual cortex）的子網路（sub-network）結構。
• 回饋式（feedback）／RNN：處理序列資料，例如文字、DNA 序列。

Transformer 與 LLM 核心

• 2017 年 Vaswani 等人的 「Attention is All You Need」是 Transformer 的鼻祖論文。
• 兩大關鍵機制：predicting next word（預測下一個字） 與 attention（注意力，用來計算上下文的關聯）。
• Encoder models（編碼器型，如 BERT，由 Devlin 等人提出）：擅長 document classification（文件分類）與 sentiment analysis（情感分析）。
• Decoder models（解碼器型，如 GPT）：擅長 chatbot（聊天機器人）與 QA（問答）。

Transformer decoder 的運作流程（Serrano 的概述）

1. Tokenization（斷詞）：把句子拆成一個個 token。
2. Embedding（詞向量）：把每個 token 轉成向量，語意相近的字會在向量空間裡群聚（例如球類聚成一團、水果聚成一團）。
3. Positional encoding（位置編碼）：記錄每個字的先後順序。
4. Attention（注意力）：解決一詞多義（polysemy）——例如「bank」是河岸還是銀行、「cold」是溫度、感冒、情緒，還是 COPD 的縮寫，都得靠上下文判斷。
5. Transformer block：由 attention 加上一個 feed-forward 神經網路組成，多個 block 串接就形成深層網路。
6. Softmax：計算下一個字的機率分佈，再據此挑字。

後訓練 Post-training（把 base LLM 變成可用的系統）

• RLHF：先用人類的回饋訓練出一個 reward model（獎勵模型），再用它修正模型的不當行為；這是讓 base model 對齊（align）人類期待的主要手段。
• Context window（脈絡窗口）：在提問時把額外內容一起餵給模型。RAG 正是靠這個機制運作——不必重新訓練模型，就能補進新知識。
• Chain-of-thought（思維鏈）：讓模型一步步分段推理，而不是直接跳到答案。
• Agentic AI（代理式 AI）：讓多個 LLM agent 互相協作、分工完成任務。

LLM 與人類思考的對比

• 有人把 LLM 形容成「autocomplete on steroids」（吃了類固醇的自動完成）。
• Perk 指出：人類與 LLM 的輸出看起來相似，底層機制卻完全不同。
• Fedorenko 的觀點是：「語言是溝通的工具，不是思考的工具」——言下之意，LLM 擅長語言不代表它會思考。

ML 工具生態

程式語言

• Python：資料科學與 ML 的主流語言。
• R：源自統計，後來擴展到 ML 與視覺化，強調 tidy data（整潔資料）的概念。

環境與 Notebook

• Jupyter notebook：互動式的網頁筆記本，可同時放程式碼、markdown 文字與圖表。
• Anaconda：整合 Python／R 環境並管理套件版本的發行版。

常用函式庫（libraries）

• TensorFlow（Google）
• scikit-learn（Python）
• tidyverse（R）
• LangChain（專門用來與 LLM 互動）

免寫程式（no-code）

• Orange：資料探勘工具，由斯洛維尼亞的 University of Ljubljana（盧比安納大學）開發、以 Python 寫成，操作方式是拖拉 widget。
• 「Vibe coding」：直接讓 LLM 幫你寫程式的做法。

模型與 dataset 平台

• Kaggle：ML 競賽平台，同時也是模型與 notebook 的分享庫（repository）。
• Hugging Face：模型分享平台，並提供雲端運算資源（付費）。
• MedPerf／ML Commons：讓模型進到醫院防火牆（firewall）內、在安全的臨床資料上運算，再把結果傳出來——資料不出院，改由模型進來跑。

Model Cards（Mitchell 等人提出）

• 內容涵蓋：模型描述（description）、來源（source）、用途（uses，含不適用範圍 out-of-scope）、偏誤／風險／限制（bias／risk／limitations）、訓練資料、評估（evaluation）與技術規格（tech specs）。
• Hugging Face、Kaggle 等平台都採用模型卡。
• 問題在於：85% 的模型卡對風險著墨非常少——透明度仍舊不足。

名詞對照／縮寫

• ANN：Artificial Neural Network（人工神經網路）
• CNN：Convolutional Neural Network（卷積神經網路）
• RNN：Recurrent Neural Network（循環神經網路）
• BERT：Bidirectional Encoder Representations from Transformers
• GPT：Generative Pre-trained Transformer
• RLHF：Reinforcement Learning from Human Feedback（基於人類回饋的強化學習）
• RAG：Retrieval Augmented Generation（檢索增強生成）

對你的提醒

• 對你而言，「RAG 優先於 fine-tuning」是 Sin-lau 入手 AI 的關鍵：你不會自己從頭訓練 LLM，但把院內 guideline／NHI 藥品手冊／院內 SOP 餵進 context window（也就是 RAG）是現實可行的做法。
• 模型卡是你身為 CMIO 推動 AI 部署時應該強制要求的文件——Hersh 提到的「85% 風險未揭露」問題，對醫療 AI 採購尤其要提高警覺。
• 5.1 很重視 ANN 解剖與 transformer 細節（這些是 quiz 的考點），但實務上你不會去手動調 attention head；真正要記的是 RAG、context window、post-training 那一段。
• Hersh 沒有提到 tool use／function calling 這個 2024–2026 年的前沿主題，但你在做 agentic clinical workflow 時，它其實比 RAG 更重要。

TL;DR

• Data 是複數，單數是 datum。有人把資料比作「new oil（新石油）」，也有人認為它更像 soil（土壤）——越使用反而越多、越養越肥。
• 電子健康紀錄（EHR，Electronic Health Record）的資料量極大：小兒加護病房（PICU，Pediatric Intensive Care Unit）病人每 24 小時就產生 >1,300 筆資料項目；同一次住院的文字量從入院的 137,000 個 token 長到出院的 216,000 個。
• 再利用 EHR 資料有 7 大坑（Hersh 2013）：inaccurate（不準）、incomplete（不完整）、transformed（被轉換）、unrecoverable（無法還原）、unknown provenance（來源不明）、insufficient granularity（顆粒度不足）、incompatible with research protocols（與研究設計不相容）。
• 資料品質的常見毛病：missing（缺漏）、inaccurate（不準）、heterogeneous（異質）、dataset shift/drift（分布漂移）、bias（偏差）。
• 開放病歷（Open Notes）研究：20% 病人發現自己的紀錄有錯，其中 40% 屬嚴重錯誤。
• Schwabe 資料品質模型五構面：timeliness（及時性）、representativeness（代表性）、informativeness（資訊量）、consistency（一致性）、measurement process（測量流程）。
• 2025 年美國聯邦資料公共危機：data.gov、healthdata.gov、NHANES 等資料集消失或欄位遭改，威脅「data democracy（資料民主）」。
• 資料科學家人力：2025 年約 245,900 人，預估 10 年內再增加 82,500 人。

Data 的潛力

• EHR 裡的 structured（結構化，如檢驗、診斷碼）與 unstructured（非結構化，如病歷敘事）資料都能二次利用，用於 research、public health、quality improvement。
• Real-world data（真實世界資料）的來源不只 EHR——還包含 environmental（環境）、scientific literature（文獻）、social media（社群媒體）等。
• Bastarch 指出可把 RWD 轉成 RWE（真實世界資料／證據，Real-World Data / Real-World Evidence）以支持決策；但臨床世界會隨時間變動，證據需持續更新。

Data readiness frameworks

• DoHit framework：把資料就緒度依序分為 provenance（來源可追溯）→ interoperability（可互通）→ availability（可取得）→ quality（品質）四層。
• Sequoia Project framework（資料可用性）：涵蓋 provenance、consistent codes（代碼一致）、duplication（去重）、integrity/trust（完整可信）、tagging/search（標籤可查）、narrative use（敘事可用）六個面向。

Data Quality 議題

量

• 小兒加護病房單一病人每 24 小時就 >1,300 筆資料項目，可見重症照護的資料密度驚人。
• 一次住院的文字量從入院 137,000 個 token 到出院 216,000 個，近乎翻倍。
• Text data 比 structured 難處理；即便是結構化資料，也未必能直接餵進 clinical score（臨床評分）——定義、單位、脈絡往往對不上。

不一致（不同病人差異）

• 病人會跨院就醫，任一機構的 record 都只是片段、並不完整。
• Informed presence bias：能進到 EHR 的人本身就是「有就醫、被記錄」的一群，不能代表 general population（一般人口）。
• Sicker patients overrepresented：病得越重、就醫越頻繁，在資料中的占比就越高。
• 病人不一定揭露所有照護（例如自行使用 alternative medicine），紀錄因此有缺。
• 罕病常有 long lead time（確診前置期很長）：Peter Embi 以 pheochromocytoma（嗜鉻細胞瘤）為例，從症狀到確診拖很久，資料難以即時反映。

Reusing EHR data 7 大坑（Hersh 2013 paper）

1. Inaccurate——資料本身有誤。
2. Incomplete——內容缺漏。
3. Transformed——如國際疾病分類（ICD，International Classification of Diseases）code 為計費/分類而編，失去原本的臨床真義。
4. Unrecoverable——資訊鎖在 narrative（自由文字）裡難以擷取。
5. Unknown provenance——不知資料從何而來、如何產生。
6. Insufficient granularity——顆粒度太粗，細節不足。
7. Incompatible with research protocols——與研究所需的定義/格式不相容。

Salim 補充

• Salim 形容 EHR data 是「best of the worst」——不完美，卻是目前最能用的。
• Forced structure：把病人的故事硬塞進 SOAP note（主觀-客觀-評估-計畫，Subjective, Objective, Assessment, Plan）等固定格式，會切碎敘事。
• EHR vendor 的設計不一定以使用者為中心（human-centered design）。
• Data harmonization（資料調和）為整合不同來源，過程本身可能引入額外 bias。

Heterogeneity

• 不同 vendor、甚至同一家 vendor（如 Epic）在不同院所導入的 EHR，interoperability（互通性）都可能有落差。
• N3C（全國 COVID 世代聯盟，National COVID Cohort Collaborative）分析發現，各站點的 data completeness 與標準遵循程度差異很大。

Missing data

• Zhao：missing data 會造成 biased treatment effect estimate（治療效果估計偏誤），即使做了 imputation（插補）仍可能出現 false negative。
• Lin：缺資料的原因眾多——未就醫、文件遺失、interoperability 不佳、分析過程毀損等。

Inaccuracy

• 電子紀錄的 exam findings（理學檢查所見）不準確的程度，反而比紙本更高。
• 給藥紀錄常不一致（病歷所寫 vs 實際 prescribe）。
• 開放病歷研究：20% 病人發現 record 有錯、40% 屬 serious；另一研究有 6.5% 病人主動要求更正。
• Problem list（問題清單）常不完整、過時。
• 高血壓在 ambulatory record（門診紀錄）容易被 underdiagnosed（低估漏診）。
• 糖尿病（DM，diabetes mellitus）分型與糖尿病酮酸中毒（DKA，diabetic ketoacidosis）發作，在 data warehouse 裡常被 misclassify（錯分類）。
• 檢驗與觀察編碼（LOINC，Logical Observation Identifiers Names and Codes）由病理師標註時，錯誤率最高可達 10%。
• 某醫療體系中，19% 已死亡病人在 EHR 裡仍被標為 alive。
• 健康的社會決定因子（SDOH，Social Determinants of Health）常缺漏或不準（Cook 系統性回顧）。
• 連大型精準醫療計畫 All of Us 的身高、體重資料都不準。
• 兒科病人的 race/ethnicity（種族/族裔）欄位常有 error。
• Stigmatizing language（汙名化用語）出現在黑人病人病歷的機率，是其他族群的 2.5 倍。

Dataset shift / drift（Finlayson）

• Finlayson 指出資料分布漂移的來源包括：technology、population、setting、clinician/patient 行為改變、season（季節）。
• Nelson 進一步把 drift 細分為多型：features、labels、underlying concepts、distributions、external factors、seasonal。

Data Bias

• 醫師本身的 racial/ethnic bias 會反映、滲進 record。
• De-identification（去識別化）雖保護隱私，卻可能一併 obscure disparity（把健康不平等的線索抹掉）。
• 低社經地位（low SES，socioeconomic status）兒童的氣喘演算法 error 較高，主因是 missing data。
• 把 SDOH 納入模型，可改善 sepsis readmission prediction（敗血症再入院預測）。
• Smith 的著作《Distrust》：資料可以被「torture（刑求）」成 disinformation（假訊息）。
• 「Data colonization（資料殖民）」：使用 indigenous population（原住民族群）的資料卻未取得充分同意。

Best Practices

• AHA statement：美國心臟協會（AHA，American Heart Association）的聲明原則可推廣到所有疾病，強調 representativeness、respect、transparency、accessibility/interoperability 與合規。
• 重視對 clinical workflow（臨床工作流程）的理解（Sauer）。
• 美國衛生及公共服務部（HHS，U.S. Department of Health and Human Services）正制定 healthcare data set metadata（醫療資料集詮釋資料）標準。
• Data governance > data ownership（Pia Secchi）——資料怎麼治理，比誰擁有更重要。
• Cheong：要做 confounders 與 missingness 分析、顧及 algorithm fairness（演算法公平）、並確保正確 deployment。
• Nakayama：資料也要 accessible to LMIC researchers（讓中低收入國家，Low- and Middle-Income Countries 的研究者能取用）。
• Data and Trust Alliance：草擬 data provenance（資料來源）標準，涵蓋 lineage、source、legal rights、privacy、generation date、intended uses。

Schwabe Metric Model（資料品質框架）

• 五個構面：Timeliness（及時性）／Representativeness（代表性）／Informativeness（資訊量）／Consistency（一致性）／Measurement process（測量流程）。

2025 US 聯邦資料政治危機

• data.gov、healthdata.gov、NHANES（全國健康與營養檢查調查，National Health and Nutrition Examination Survey）等資料集消失或欄位被改（如 gender、sex 欄位遭改名）。
• NHANES 團隊被解散。
• 學術界開始緊急自行 archive（備份）。
• 但很多資料只能靠 API 動態取得——是「more than snapshots」，無法只存一份快照就保全。
• 這一切威脅「data democracy（資料民主）」。

Workforce

• Davenport 名言：data scientist 是「sexiest profession of 21st century（21 世紀最性感的職業）」。
• 人力結構需要少數的 deep analytical talent（深度分析人才），加上約 5 倍多的 data-savvy managers（懂資料的管理者，負責實務 application）。
• 還有 light quants / analytical translators（輕量級分析師／分析轉譯者），橋接 data scientist 與 business。
• BLS（美國勞工統計局，Bureau of Labor Statistics）2025 年：約 245,900 人，預估 10 年內再增 82,500 人。
• Health informatics 與 data science 的差異：前者更 focus 在 implementation（落地實作）。

名詞對照

• EHR: Electronic Health Record
• N3C: National COVID Cohort Collaborative
• SDOH: Social Determinants of Health
• RWD/RWE: Real-World Data / Real-World Evidence
• NHANES: National Health and Nutrition Examination Survey

對你的提醒

• 你做 admission note 自動生成、daily progress note 檢索增強生成（RAG，Retrieval-Augmented Generation），7 大坑全部都會踩到。尤其 unknown provenance（藥單在 EHR 可能來自 prescription order、ATC pharmacy dispense、或給藥紀錄（MAR，Medication Administration Record）三種不同來源）——這在 Sin-lau 整合醫院資訊系統（HIS，Hospital Information System）資料時要先釐清。
• Hersh 特別強調 dataset drift——在 Sin-lau 部署任何機器學習（ML，Machine Learning）模型都要建立監測機制（COVID 就是經典案例）。
• Stigmatizing language 2.5 倍：你用大型語言模型（LLM，Large Language Model）寫 note 時，要 audit（稽核）輸出是否帶 bias。
• 台灣沒有 Cures Act／Open Notes 的對應政策，但你可以借用其「病人發現 error 的比例」當作品質 KPI（關鍵績效指標，Key Performance Indicator）。
• 美國 2025 年聯邦資料危機提醒你：Sin-lau 的 AI 模型若以 US federal data 為基準，要盡快 archive 並建立本地替代方案。

TL;DR

• 預測型 AI（predictive AI）在 21 世紀迎來「第二紀復興」，主因是三股力量匯流：深度學習（deep learning）演算法突破、資料量爆炸、以及 GPU 與雲端（cloud）算力普及。
• 四大應用類別：影像判讀（imaging）、其他型態辨識（other pattern recognition）、從電子健康紀錄（EHR，Electronic Health Record）做臨床預測（clinical prediction from EHR）、以及生物過程（biological processes）。
• 影像分類已達專科醫師水準：糖尿病視網膜病變、皮膚癌、胸腔 X-ray、病理切片的判讀，深度學習模型皆可比擬 specialist。
• Latent discovery（潛在特徵發現）：AI 能從人類肉眼看不出的影像特徵預測 outcome——例如視網膜影像（retinal image）預測年齡／性別／心血管風險、心電圖（ECG）預測心房顫動（atrial fib）、胸部 X 光（CXR）預測種族／糖尿病（DM）／心血管風險。
• 2024 年美國醫院導入 predictive AI 達 71%（Chang 研究）。美國食品藥物管理局（FDA，U.S. Food and Drug Administration）累計核准 950 項 AI/ML 醫材，其中 76% 屬放射科（radiology）；但僅 5% 做過 prospective testing、8% 有 human-in-loop、29% 有 clinical testing。
• 真實世界的 RCT 多顯示：好模型 ≠ 好結果（好 model ≠ 好 outcome）——再入院（readmission）、院內靜脈血栓栓塞（HAVTE，Hospital-Acquired Venous Thromboembolism）、慢性腎臟病（CKD）三個 RCT 都失敗。
• 大腸鏡的電腦輔助偵測（CADe，Computer-Aided Detection）：能發現更多腺瘤，但未必是 advanced adenoma；某觀察研究甚至發現醫師用了 CADe 後，自身的 adenoma detection rate 反而下降（de-skilling 去技能化疑慮）。
• 2024 年一篇涵蓋 86 個 RCT 的 scoping review：研究多在美國與中國，以 gastroenterology 與 radiology 最多；其中 65 個顯示 outcome 顯著改善。

為什麼 Predictive AI 復興

• 深度學習（deep learning）技術持續突破（其代表人物 Hinton 獲 2024 年物理諾貝爾獎）。
• 資料量爆炸：EHR、體學資料（omics）、社群媒體（social media）、行動裝置（mobile device）都成為訓練素材。
• 算力提升：GPU 平行運算加上雲端資源，讓大型模型訓練變得可行。
• 第一波應用多集中在影像分類（imaging classification），真正落地的 real-world implementation 相對少。
• 趨勢：foundation model（基礎模型）開始取代傳統的 classic ML。

應用 1 — 影像分類

• 視網膜（retina）影像 → 判讀糖尿病視網膜病變，表現接近眼科醫師。
• 組織病理（histology）切片 → 癌症診斷，表現接近病理科醫師。
• 胸部 X 光（chest X-ray）→ 偵測結核（TB）與肺炎，表現接近放射科醫師。
• 皮膚影像（skin image）→ 判讀皮膚癌，表現接近皮膚科醫師。
• 2019 年一篇 systematic review 總結：深度學習的診斷表現大致等同人類專家（human expert）。

應用 2 — 其他影像 / 訊號

Imaging beyond classification（分類以外的影像）

• 超音波（ultrasound）搭配手機 app → 估算妊娠週數（gestational age）與胎位，適合沒有婦產科／放射科的地區。
• 心臟超音波（echo）順帶掃到肝臟 → 偵測肝病（liver disease），準確度高。
• CT → 區分良性與惡性的脊椎骨折（vertebral fracture）。
• 低劑量 CT 肺癌篩檢（low-dose CT lung screening）→ 額外預測心血管風險。
• 冠狀動脈鈣化掃描（coronary artery calcium scan）以 ML 改善心血管事件（CV event）預測。
• 胸部 X 光（CXR）→ 看出肉眼無法察覺的心臟結構異常。
• 功能性磁振造影（fMRI）→ 重建受試者的語言內容，準確度達 82%。
• 急診（ED）候診影像 → 預測住院的表現優於一般 triage 分流。

Waveform / signal（波形／訊號）

• 心電圖（ECG）：判讀心律不整接近心臟科醫師（cardiologist）；改善阻塞型心肌梗塞（OMI，Occlusive Myocardial Infarction）的診斷；可攜式（ambulatory）監測的陰性預測值（NPV）高；也能辨識性別差異。
• 腦電圖（EEG）：癲癇診斷接近臨床醫師（clinician）。
• 也能分析心音、咳嗽聲（區分 TB 與其他病因）、以及小兒的呼吸音（breath sound）。

Mobile / wearable（行動／穿戴裝置）

• 手機相機 → 偵測非黑色素瘤皮膚癌。
• Fitbit 穿戴裝置 → 早期偵測小兒闌尾切除（pediatric appendectomy）術後併發症。
• 指甲自拍（selfie）→ 貧血（anemia）篩檢。
• 智慧手錶（smartwatch）→ 預測兒童的行為爆發（behavioral outburst）。
• 化學結構 → 預測氣味（涵蓋 400 種 odorants 氣味分子）。

Voice biomarker（語音生物標記）

• 語音生物標記可用於：疼痛偵測（pain detection）、早期阿茲海默症（early Alzheimer）、第二型糖尿病（type 2 DM）、以及喉癌（laryngeal cancer，聲帶病灶 vocal fold lesion）。

應用 3 — Clinical Prediction from EHR

• 早期研究：在兩家學術醫學中心（academic medical center），住院天數（length of stay）、死亡率（mortality）、再入院（readmission）、診斷（diagnosis）都可被預測。
• 小兒科診斷（pediatric diagnoses）在大型轉診中心（referral center）也能預測。
• 冠心病：由 ML 自行挑選變數，表現優於傳統風險因子（血壓 BP、家族史、DM）。
• 早期偵測：末期腎病（ESRD）、阿茲海默症（最早可提前 7 年）、HIV 感染者的活動性結核（active TB）、糖尿病視網膜病變（DM retinopathy）。

Sepsis & 病人惡化

• Epic sepsis model（敗血症預測模型）：早期 RCT 結果正面，但後來其他醫療體系（health system）評估發現，單獨使用時表現不佳。
• 較新的研究則顯示：它能促成更早給予抗生素（earlier antibiotics）、改善 outcome。
• 病人惡化（deterioration）預測模型：一篇 systematic review 指出，在模擬（simulated）情境表現較好，真實世界（real-world）較差。
• 一項跨 7 家醫院的前瞻性世代（prospective cohort）研究，納入 ML-based 與非 ML-based 模型；其中 Epic deterioration model 表現最差。
• 護理師的敘述性擔憂（narrative concern）→ 觸發 ML 早期預警（early warning）→ 降低住院死亡率與住院天數。

Prognosis / Treatment（預後／治療）

• 36,000 例腫瘤的次世代定序（NGS，Next-Generation Sequencing）→ 推斷原發部位不明癌症（cancer of unknown primary）的來源，其中 41% 達高信心（high confidence）→ 改善存活（survival）。
• 依癌症症狀嚴重度（severity）分群（cluster）。
• 以表觀遺傳因子（epigenetic factor）將 5 種癌症分成不同的預後分組（outcome group）。
• 新生兒加護病房（NICU）的靜脈營養（parenteral nutrition）處方。

應用 4 — Biological Processes（生物過程）

• 癌症基因體（cancer genome）預測 outcome、以臉部表型（facial phenotype）輔助診斷遺傳疾病（genetic disorder）、基因變異優先排序（gene variant prioritization）。
• 藥物發現（drug discovery）：找出全新的抗生素類別。
• AlphaFold（Google DeepMind）→ 預測蛋白質 3D 結構 → 建立 2 億（200 million）個蛋白質結構的 catalog → 獲頒 2024 年化學諾貝爾獎。

Latent Discovery（人類看不到的特徵）

• 視網膜影像（retinal image）：預測年齡、生理性別（biological sex）、心血管風險（CV risk，Poplin 研究）；也能預測種族（race，帶有倫理 implication）。
• 心電圖（ECG）：預測年齡、性別、未來心房顫動（atrial fib，連單導程的居家裝置也行）、未來心室心律不整（ventricular arrhythmia）、ICU 心臟驟停、CKD、帕金森氏症前驅期（Parkinson prodromal）、肝硬化。
• ECG 影像（直接看圖，而非 waveform 波形）：預測左心室收縮功能障礙（LV systolic dysfunction）、未來心衰竭（heart failure）。
• 胸部 X 光（CXR）：預測種族、心臟功能（cardiac function）、瓣膜疾病、DM、實際年齡（chronological age）、心臟風險（cardiac risk，約等同 ASCVD——動脈粥狀硬化心血管疾病，Atherosclerotic Cardiovascular Disease）。
• 乳房攝影（mammogram） → 預測心血管事件（CV event）。
• EHR（ICD-10 診斷碼 + 檢驗 lab） → 預測未來門診診斷。

Real-world 使用情況

Chang 2024 美國醫院調查（AHA IT Supplement）

• 71% 的醫院已在 EHR 中整合 predictive AI；資料來自美國醫院協會（AHA，American Hospital Association）的年度 IT Supplement 調查。
• 中型與大型醫院、都市（urban）醫院、以及隸屬醫療體系（system-affiliated）的醫院較常導入。
• 用途上，inpatient trajectory/risk（住院病程與風險預測）最多；billing／scheduling（帳務與排程）成長最快。
• 多數醫院都有做 accuracy／bias（準確度／偏誤）評估與 post-implementation monitoring（上線後監測）。
• Epic 的客戶較常使用。

FDA AI/ML devices（Savakamar）

• 截至 2024 年，累計核准 950 項 device。
• 其中 723 項（76%）屬放射科（radiology）。
• 但只有 33 項（5%）做過 prospective testing（前瞻性測試）；56 項（8%）有 human-in-loop（人為介入）；208 項（29%）有 clinical testing（臨床測試）。
• → 這是 Hersh 特別點名的警訊：多數 FDA-cleared 醫材其實沒有 prospective evidence（前瞻性證據）。

兩個 real-world 已研究較深的領域

Diabetic Retinopathy（DR，糖尿病視網膜病變） - 美國臨床試驗（US trial）：sensitivity（敏感度）與 specificity（特異度）都高；96% 的影像可判讀（imageability）。 - 印度鄉村：表現接近當地基層醫師（local GP）。 - 蘇格蘭：維持敏感度、同時改善特異度，並節省時間。 - 泰國／印度的實地導入（implementation）遇到問題：設備、workflow（工作流程）、影像品質、人員訓練。

Radiology Imaging（放射科影像） - CXR 閱片時間：整體因 AI 而縮短，但被 AI 標出異常的片子反而會拉長判讀時間。 - 一項納入 140 位放射科醫師、涵蓋 15 種 CXR 判讀任務的研究：不準確的 AI（inaccurate AI）會拖累所有經驗等級醫師的表現（decline）。 - 乳房攝影（mammography）雙讀：瑞典研究顯示 AI 提升乳癌偵測（breast cancer detection）、且不增加偽陽性（false positive）；德國結果類似。

CADe 大腸鏡 — 警示案例

• 主要由中國研發，已有多個 RCT。
• 多數 RCT 顯示：整體腺瘤偵測（adenoma detection）上升，但 advanced adenoma（進階腺瘤）並未改善；同時 non-neoplastic polyp（非腫瘤性息肉）的移除也上升（有過度切除之虞）。
• 較新的大型 RCT：在 advanced colorectal neoplasia（進階大腸腫瘤）上並無差異。
• 觀察研究：內視鏡醫師（endoscopist）使用 CADe 後，自身的 adenoma detection rate 反而下降（de-skilling 去技能化疑慮）。

「Good model, bad outcome」 RCT 三案例

1. 住院再入院（hospital readmission，瑞士研究）：把高預測力的 model 用來降低 readmission → 結果失敗。
2. 小兒住院病人的 HAVTE：model 搭配血液科會診（heme consult）；但主治醫師（primary）只有 26% 真的採用，週末又更難照會 → 最終無差別。
3. CKD 預測 + practice facilitator（診所流程輔導員）：一年內的住院（hospitalization）並未改善。

2024 Scoping Review

• 共納入 86 個獨立的 RCT。
• 研究地點多在美國與中國（US + China）。
• 最多的專科（specialty）是 gastroenterology（腸胃科）與 radiology（放射科）。
• 中國偏重內視鏡的 video-based deep learning（影片式深度學習）。
• 美國的應用則較廣、較分散。
• 其中 65 個顯示 statistically significant improvement（統計顯著改善）；其餘為 non-inferiority（非劣性）。

名詞對照

• AHA：美國醫院協會（American Hospital Association）
• AUROC：ROC 曲線下面積（Area Under the Receiver Operating Characteristic）
• ASCVD：動脈粥狀硬化心血管疾病（Atherosclerotic Cardiovascular Disease）
• CADe：電腦輔助偵測（Computer-Aided Detection；此處指大腸鏡 polyp 偵測）
• HAVTE：院內靜脈血栓栓塞（Hospital-Acquired Venous Thromboembolism）
• NGS：次世代定序（Next-Generation Sequencing）
• OMI：阻塞型心肌梗塞（Occlusive Myocardial Infarction）
• PRISMA：系統性回顧與統合分析的報告規範（Preferred Reporting Items for Systematic Reviews and Meta-analyses）

對你的提醒

• Epic sepsis / deterioration model 表現參差——你 Sin-lau HIS 若導入院內 sepsis bundle，不可預設「FDA-cleared／大廠 = 一定有效」，要本地驗證。
• Hersh 列的 3 個 RCT failure（readmission／HAVTE／CKD）有共同教訓：model 預測對 ≠ 介入有效。Sin-lau 推 AI 時，規劃要包含 action pathway 與臨床醫師接受度評估，不能只看 AUROC。
• CADe 大腸鏡 de-skilling 是你做衛教時要提醒同仁的故事——把它當成「AI 不是免費午餐」的具體案例。
• FDA 5% prospective testing 警訊：你在 Sin-lau 採購 AI medical device 時，要直接問廠商有沒有 prospective trial、是不是 retrospective curated dataset 跑出來的數字。
• Latent discovery 對你 chest physician 角度有意思：CXR 可預測 race／DM／cardiac risk——這在 Sin-lau 影像 AI 開發是值得 explore 的方向，但 race prediction 有倫理風險。
• 2024 scoping review 86 RCT：你寫 paper／proposal 可引用此 baseline。

TL;DR

• ChatGPT 於 2022/11/30 公開上線，被視為生成式 AI（generative AI）走入大眾的分水嶺。反映社會態度的年度字也隨之出現：2023 Dictionary.com 選 hallucinate（幻覺，指模型煞有介事地捏造內容）、2025 Merriam-Webster 選 slop（AI 產出的大量低品質廢內容）、2025 Collins 選 vibe coding（憑感覺、放手讓 AI 代寫程式）。
• 三大領先的大型語言模型（LLM，Large Language Model）：ChatGPT（OpenAI）、Gemini（Google）、Claude（Anthropic）；其餘還有 Copilot、Perplexity、Llama、Grok、DeepSeek。
• 醫療場景的 LLM：OpenEvidence（臨床問答領先者）；Epic 內建生成 AI；OpenAI 與 Anthropic 也都推出過 health-tuned（醫療微調）版本。
• 一般民眾使用率：成人 39% 用過、24% 每週工作用；醫師更高，89% 每週、67% 每天；青少年 64% 用過、28% 每天用；大學生 65–79%（英國高達 92%）。
• 美國醫院導入生成 AI：2024 年 = 31.5%，另有 24.7% 計畫隔年導入；Epic 客戶比例更高。
• USMLE（United States Medical Licensing Examination，美國醫師執照考）軍備競賽：GPT-3.5（Generative Pre-trained Transformer；2023 年 Kung 團隊）首度過關 → GPT-4、Gemini 達 90% 以上 → OpenAI o1 → OpenEvidence（2025）宣稱 100%。Raji 因此警告 "time to bench the USMLE benchmark"（該讓 USMLE 這個評測退場了）——因為題庫很可能早已在訓練時被模型記住。