AI 醫材怎麼審、健康資料怎麼管、出錯了誰負責？追蹤台灣 TFDA 與美歐 FDA 的監管路線，以及健康資料外洩與跨境研究的治理難題。
AI 進入醫療決策後，監管的重點從「這台機器準不準」，變成「這套演算法會變、出錯時誰負責、健康這類特種資料怎麼管」。這個主題追蹤台灣 TFDA 從一次性審查走向演算法生命週期管理的路線，對照美國 FDA 與歐盟的鬆綁與試辦，也把健康資料外洩、跨境研究合作與保健食品廣告合規這些治理難題整理在一起。
歐盟 AI Act 把醫療服務評估、急診分流與部分醫療器材軟體放進高風險框架；台灣人工智慧基本法則建立治理原則與風險分類方向。本文對照兩套制度，整理醫院與供應商要留下的用途、資料、效能、覆核和監測證據。
病歷可以交給 AI 處理，但要先分清楚用途、資料範圍、模型位置、授權與人工覆核。本文對照台灣個資法、衛福部生成式 AI 指引、FHIR 與 SMART on FHIR，整理病人、醫院與供應商在送入模型前的 5 個實務關卡。
RAG 會先從授權資料找出相關內容，再交給大型語言模型整理回答。醫療場景還要加上病歷權限、資料品質、來源追溯與人工覆核，台灣已有 FHIR、TW Core 與健康存摺等資料交換基礎。
醫療數位孿生是一個和特定病人、器官或醫療流程連結的數位模型，會接收真實資料並模擬可能結果。台灣已有成大阿茲海默症與長庚質子治療研究，但公開進度仍在研究與驗證階段。
AI醫療的準確率只代表測試集表現。從預期用途、台灣病人資料、醫師工作流到模型漂移，整理醫院採購與臨床導入前真正該驗收的項目。
醫院病歷受個資法保護、跨院共享困難，合成資料讓 AI 可以拿「統計特性像真的」但沒有真人紀錄的假資料練功。但假資料一路餵下去也有代價，叫模型崩潰。
FHIR（Fast Healthcare Interoperability Resources）是台灣推動醫療資料互通的核心標準，衛福部並啟動國家數位健康互通性與效能認證實驗室、推進FHIR Box。解析資料標準、三類認證、AI治理與不同層級醫院的導入落差。
AI 已經能在 60 秒內自己判讀要不要轉診，不用醫師覆核。台灣核准的同類醫材還停在輔助判讀，健保投的 AI 資源又是另一件事。
FDA 不是發給 AI 醫材一張通行證，是選擇『暫時不追究』。這句話怎麼讀，決定你把 TEMPO 看成鬆綁，還是換了名字的臨床試驗。
宇樹 G1 人形機器人完成活豬膽囊切除手術的示範，全程由外科醫師遠端操控，不是機器自主開刀。跟台灣醫院現行的達文西系統比，差別在硬體平台通用與否、成本與臨床成熟度，自主程度其實一樣低。
長照3.0開放的智慧科技輔具補助，把AI驅動的行為辨識系統跟傳統固定閾值感測器混在同一個「智慧」標籤下給付，家屬申請前該問清楚裡面裝的到底是哪一種。
健保只給付過一款 AI 醫材，靠六篇臨床試驗過關。CT 顱內出血判讀能不能跟進，關鍵不是模型準不準，是醫師時間、誤診成本、資源排擠這幾筆帳有沒有算清楚。
把行動 agent 配上監督 agent，等於把企業治理的 Maker-Checker 雙人覆核搬進 AI。問題是，當會出錯的人和盯著它的人都換成 AI，這套覆核真的夠成熟了嗎。
從衛福部《醫療機構應用生成式人工智慧指引》到工程設計，拆解合規守門引擎的五道關卡、去識別化管線、Null Provider 可測性設計與守門服務的核心原則。
食藥署擬設「功能性食品」類別，保健食品廣告用詞將面臨更清楚的法規邊界。本文拆解現行三層食品分類結構的廣告規則落差、新制度的核心目的，以及 AI 輔助審查能做什麼、不能做什麼。
加拿大貿易專員辦公室透過CIIP計畫，招募中小型醫療科技企業組成代表團，於2026年8月赴台北、新竹、桃園洽談研究合作，核心吸引力正是台灣23年、2,300萬筆的健保資料庫。
從健保資料奠基到HIMSS Stage 7認證，台灣AI醫療在2025年完成價值鏈六大環節，連續8年全球醫療指數第一的背後是一套可複製的系統性架構。
《醫療器材管理法》為數位醫療產品提供明確定義，再生醫療雙法2026年上路開出細胞治療快速審查通道，台灣的法規確定性正成為吸引外資醫療科技投資的差異化優勢。
中央研究院與合作醫院建立台灣精準醫療計畫（TPMI），招募56萬5千名參與者整合基因型、電子病歷與生活型態資料，研究成果2025年10月發表於Nature期刊，為全球最完整的漢人族裔精準醫療基礎設施奠定基礎。
Frontiers in Medicine 2025年發表人工智慧醫療設備（AIMD）全球監管十年回顧，涵蓋美FDA、歐盟、日本、韓國與台灣TFDA等主要監管體系的發展歷程，指出動態監管框架、上市後監控與演算法透明度為各國共同面臨的核心挑戰。
Chambers Healthcare AI 2025台灣章節指出，台灣TFDA自2021年發布AI/ML醫療軟體審查指引後，截至2024年底已核准約50款本土及116款進口AI醫療設備，並持續對應國際動態調整監管框架，從靜態一次性審查走向演算法生命週期管理的監管典範轉移。
整理食藥署對健康管理與醫療用途的分界，列出台灣穿戴裝置已有醫材許可證的心電圖、心律不整通知、血壓與睡眠呼吸中止功能，並說明怎麼對照許可證清單與品牌官方限制。
臨床決策支援系統的價值在於把對的資訊送到對的照護節點。AI 要進醫院，先處理病歷資料、FHIR 介接、權限、人工覆核與可追溯紀錄。
尿蛋白 +1、+2 是尿液試紙的半定量訊號，不能單獨等同腎病。本文整理約 30 與 100 mg/dL 的解讀、複驗與尿白蛋白／肌酸酐比值，並用 FHIR 與 AI 臨床覆核拆解醫院導入做法。
AI 醫材拿到許可證只是起點。從輸入資料、輸出性能到人工覆核與停用回復，拆解 TFDA 2026 年 GMLP 原則如何落到醫院的上市後監測流程。
醫療 AI agent 能感知環境、規畫多步任務並在授權範圍採取行動。本文拆解它和聊天機器人的差異、資料與工具如何串接，整理衛福部 2026 指引、FDA 監管討論與台灣醫院導入時該先驗收的權限、真人核准、監測與回復流程。
個資去識別化是降低資料與特定個人連結的加工流程。健康資料即使拿掉姓名，仍可能因日期、地點、罕見病史或外部資料被重新辨識。
AI醫療涵蓋影像判讀、風險預測、病歷整理與病人溝通，是否屬醫療器材要看預定用途。本文拆解資料、模型、人工覆核與上線監測四個環節，整理台灣衛福部指引、TFDA GMLP與三大智慧醫療中心現況。
EHR是電子健康紀錄的英文縮寫，讓授權醫療人員跨院查看病人的診斷、用藥與檢驗紀錄。本文說明EHR與EMR的差異、FHIR交換標準與台灣推動現況，並拆解醫療AI要讀懂EHR須通過的資料語意、個資授權、臨床流程與責任認定四道關卡。
醫療 AI 偏誤不能只看全體準確率。本文用台灣 TFDA 2026 年 GMLP、跨院外部驗證與 FDA 透明度原則，整理族群分層、獨立測試、臨床工作流與上線後監測的驗收方法。
AI醫療器材不會因為用了模型就自動歸類，台灣會看產品功能、預期用途、使用方式與可能風險。本文拆解健康管理 App、單獨醫療軟體、CADe/CADx 的差異，整理第二、三等級查驗登記、資料要求與醫院導入前的查核清單。
醫療 AI 出錯時，不能把責任丟給一個抽象的 AI。從台灣衛福部指引與 TFDA 2026 年 GMLP 原則出發，拆解醫院、醫事人員、供應商與資料治理各自要留下的證據。
健保資料可以支援醫療 AI 訓練，但要先過目的外利用與退出權、資料品質、臨床驗證三道門檻。本文整理台灣受控資料流程、模型跨院驗證，以及 2026 年 8 月法規施行後的申請時效。
AI 醫材可以更新，更新本身也要被當成臨床流程管理。從 TFDA PCCP 到醫院的版本、資料、介面與人工覆核，逐項拆解模型改版後誰要負責。
合成資料能補醫療 AI 的資料缺口，卻不能直接替臨床證據蓋章。驗證要一路追到資料代表性、獨立外部測試、病歷介接與上線後監測。
醫療 AI 能不能進醫院，決勝點不在展示會上的準確率。從資料代表性、FHIR 串接到醫師覆核和版本監測，每一關都要留下可追溯的證據。
醫療器材資安管的不是醫院掛號系統，是心律調節器、血糖機這類聯網醫材自己的軟體安全。台灣的指引與範本都已補上，但補的速度追不上這兩年醫院被系統性攻擊的頻率。
拿到FDA核准不代表在台灣買得到，也不代表公司活得下去。數位療法卡在台灣的關卡是在地臨床試驗；先驅公司Pear Therapeutics拿到核准後照樣申請破產，核准只是第一關。
AI 語音病歷讓醫師少打字，過勞比例也真的降了。但它多半不被當成醫療器材管，寫錯了要找誰負責，目前沒有清楚答案。
多家醫院想合作訓練 AI，個資法卻不准把病歷送出院外。聯邦學習讓模型「巡迴受訓」，資料留在原地，只有學到的權重更新往中央跑。
健檢報告解讀準不準，不是你該先問的問題。先問清楚：這套系統出錯了，你找得到誰負責嗎？ChatGPT Health 與健保健康存摺SDK，是兩種完全不同的資料主權設計。
生成式 AI 預測食物血糖反應的 CGM 功能，綁定的感測器台灣沒有許可證；台灣人買得到的連續血糖監測，健保給付窄、普及率不到 1%。AI 預測與台灣現況之間，隔著一道法規與給付的落差。
UpDoc 靠「LLM 只負責蒐集資料、醫師預設規則才做決策」的架構，拿到美國首張病人對話 LLM 醫材許可證。這套「守門不決策」的設計邏輯，正是台灣評估 AI 診斷工具給付時最該借鏡的先例。
打開手機跟AI聊心事的人越來越多，但這件事在台灣沒有專法可管。美國多州已經動手立法，從全面禁止到安全機制要求都有；台灣的心理師法只綁得住真人心理師，AI基本法還在等各部會補規則。
FHIR 把病歷拆成機器讀得懂的「資源」。AI 讀結構化 FHIR 資料的代碼準確率能拉到九成以上，遠高於直接讀病歷文字猜代碼。台灣的 FHIR Box 計畫正把這套語言鋪進全台醫學中心。
中醫 AI 可不可信，看展示影片的準確率沒有意義。六件事沒查過，就只是一個包裝精美的黑箱：推理能不能追溯、資料來源站不站得住腳、藥材溯源、法規分級、資料互通、出事誰負責。
為什麼是 42 個州同時出手，而且挑在 IPO 遞件後？因為上市那一刻，法規風險第一次要被定價。
醫療 AI 上線前最容易被低估的六個坑：稽核怎麼存、去識別化怎麼隔離、embedding 模型怎麼選、如何壓低幻覺做到可溯源，到人機責任怎麼分工。以醫療 AI 合規守門引擎 goalkeeper 為範例，對照衛福部指引與《人工智慧基本法》逐條拆解。
緯創、可成、台達電、義隆電、瑞昱五家科技廠加上國發基金跟投的台灣健康網路平台，補上資金與醫院誘因的缺口。這篇整理十年整合史與四個國際失敗案例，拆解剩下最關鍵的信任設計問題，看懂這次為何比過去更接近成局。
健康存摺SDK現在就能授權下載門診、用藥、檢驗資料，但轉診不用重做檢查、訓練台灣本地醫療AI，靠的是新上線的台灣健康網路平台。文章拆解兩者差在哪、資料會用到哪裡，以及參與前該確認的退出與監理界線。
FDA 一邊衝核准量、一邊把低風險軟體移出監管，台灣逐案審、歐盟疊高風險義務。這不是誰進步誰落後，是三種不同的風險賭注；台灣要問的不是抄誰，是自己卡在哪。
iRhythm 的臨床與醫材系統都沒事，被攻破的是第三方代管的商業應用、入口是社交工程。醫療資料外洩越來越少發生在資料所在的地方，而在資料流動的地方。
每篇文章都有具名作者，數字、引述與連結由 APPI News 編輯部逐項查核。這個頻道的專業審閱者是張饒輝 Lightman Chang，負責檢視內容的說法有沒有誤導。文章頁上會分別標示作者、審閱者與查核者。
