AI在醫療場域成功落地的關鍵不在技術成熟度，而是「制度與資料治理」。北醫透過結構化資料與明確的責任邊界，建立起具備信任感的人機協作模式，讓AI成為輔助醫師決策的利器，而非取代專業。
先立規則 再讓AI 進場
AI 進入醫療，關鍵不在技術成熟，而在制度是否到位。
北醫在資料、治理與責任邊界明確後，才讓AI 走進臨床，形塑可被信任的人機協作模式。
北醫以「五項指標」，檢視AI導入準備度
清晨七點半，門診剛開始。資深主治醫師陸羽婷（化名）盯著電腦螢幕上的影像報告，系統旁邊則有著一行提示：「此病灶具高風險特徵，建議優先評估。」
她沒有立刻採信，也沒有本能地否定，只是調出原始影像、比對過往紀錄，接著轉頭詢問住院醫師：「你怎麼看？」
這不是人與機器的對抗，而是一種新的工作節奏。
在醫療場域，人工智慧（AI）的建議，被視為一份可討論的參考意見，但最終的判斷，仍然回到醫療專業者身上。整個過程沒有混亂、沒有額外的負擔，因為背後的資料結構、流程規範與責任邊界，早已被事先規範清楚。
在北醫體系（簡稱北醫），AI之所以能夠安穩地進入臨床日常，從來不是因為技術跑得夠快，而是因為制度已經先一步明確到位。
不是AI 有多強，而是體系該先準備好
近年來，AI在醫療領域的應用，逐步從研究實驗走向臨床輔助，影像判讀、病理分析與臨床決策支援，成為最先被驗證的應用場域。然而，真正決定AI能否進入臨床日常的關鍵，往往不在於演算法本身的精準度，而在於醫療體系是否具備承接這些技術的制度設計與資料基礎。
但，要如何拿捏這個「時機」？
資料結構，正是這道命題的關鍵。北醫選擇啟動AI臨床應用的時刻，是那時臨床資料已開始具備一致性結構、清楚的語意與可被治理的狀態，因為唯有當資料從分散的紀錄，成為能被系統性理解、追溯和使用的狀態，AI才能真正進入臨床流程。
隨著HIS 3.0完成跨院整合並進入穩定運行階段，過去分散於各院、各系統中的臨床資料，首次在同一架構下被重新整理和定義，資料品質與可用性出現質變，這些轉變也成為後續所有AI應用鋪設的基礎。
臺北醫學大學數位創發中心主任羅友聲指出，北醫早在幾年前就已嘗試將AI技術導入特定臨床場域，但是在HIS 3.0 之前，長期累積的大量臨床資料，因資料結構不一致、定義分歧、欄位語意無法互通，系統不易運算或驗證。
在這樣的條件下，AI即使具備技術可行性，仍只能停留在研究或展示層級，難以真正進入臨床應用。面對現實，北醫選擇將資源與心力，優先投注於資料整合和架構重整，而非急於導入更多新型工具。
從資料整合走向資料治理
HIS 3.0帶來的關鍵改變，在於資料首次被視為「可治理的對象」。透過跨院一致的資料架構設計，北醫逐步建立起以結構化、標準化與匿名化為核心的資料治理原則。
結構化，是讓原本僅供人工閱讀的臨床紀錄，能被系統理解與處理；標準化，是確保不同院區、不同科別在相同臨床情境下產生的資料，具有一致的語意與欄位定義；匿名化，則是在研究與應用之初，即納入法規與倫理考量，確保資料使用不逾越病人隱私和制度邊界。
制度的價值是讓研發可以永續
這三項原則的建立，讓資料不再只是被動儲存的紀錄，而是可被安全運用的資產。
「數位轉型的關鍵，從來不在於導入多少新技術，而在於是否具備能長期支撐應用發展的制度條件，」臺北醫學大學董事長陳瑞杰多次強調。這裡所指的制度，是涵蓋資料結構、治理流程與責任分工的一整套運作基礎。
若缺乏穩定且一致的資料基礎，即便短期內能透過個別專案展現AI成效，長期仍難以擴散或複製，反而可能在維運、風險控管與臨床負擔上衍生新的問題。
呼應陳瑞杰的說法，臺北醫學大學管理發展中心主任蔡淑暖從制度運作的角度補充：「資料治理的目的並非限制研究，而是讓研究得以長期、穩定地進行。」
在資料結構和規範建立前，每個研究或應用都必須重新處理合規與審查問題，消耗大量行政與溝通成本；治理原則內建於系統跟流程後，研究人員與臨床團隊便能在明確的制度邊界下持續創新，毋須承擔制度不確定的風險，並為建立後續臨床決策支援與人機協作模式奠定基礎。
而在制度與資料基礎逐步到位之後，北醫也開始意識到：
AI進入臨床一事，已經不止是技術性的問題，更是制度面的治理課題。
界定適合導入AI 的場域
北醫從一開始就未將AI視為可由個別單位自行嘗試或快速導入的工具，而是將AI納入校級層次整體審視的架構，透過明確的導入流程與治理原則，界定AI在醫療體系中的適用範圍、使用條件和責任邊界。
陳瑞杰的立場十分明確，醫療體系中的任何新技術，一旦進入臨床流程，影響的不只是效率或品質，更牽涉到責任歸屬、病人安全與社會信任。如果沒有一套可以說清楚、被檢驗的制度，即便技術再成熟，也不應貿然導入。
在這樣的思維之下，北醫選擇先立規則，而不是先求亮眼的成果。
如同羅友聲所說：「AI要長期存在於臨床環境，就不能只被視為一次性的技術展示；AI必須能被制度承接，否則每一次應用都將成為新的風險。」
因此，在實務運作上，AI模型的開發與導入，都必須經過校級審核與倫理委員會確認。雖然時間拉長，但讓委員多面向審視，確保其使用目的、資料來源與應用情境，均符合既有醫療與研究規範，就能讓AI的使用從一開始便被放置在可治理、可追溯的框架中。
建立AI 治理原則
除了流程設計，北醫也同步思考資料安全、倫理考量與透明性等AI治理原則，並在既有資料治理與研究規範的基礎上，跟隨實際運作逐步累積、調整這些原則。
對此，蔡淑暖從管理角度指出，制度的核心價值，在於為創新建立一個能被信任、也能被遵循的運作環境；有了界定清楚的AI使用原則，相關決策就能回到制度層次討論，降低對個人判斷與臨時協調的依賴。
臺北醫學大學校長吳麥斯則從醫學教育與專業養成角度分析：「缺乏明確治理框架的AI，很難被納入長期的人才培育與臨床訓練，唯有說清楚AI的角色、限制，並將責任邊界制度化，醫師與醫療團隊才能在理解與信任的前提下，逐步學習如何跟這類工具協作，而非被動接受其輸出的結果。」
最終，透過流程與原則的雙軌設計，北醫所界定的並非「AI能做多少事」，而是「哪些事情適合AI參與」。這種制度先行的思維，讓AI成功納入醫療治理架構中日常評估的一環，也為後續人機協作與臨床應用的實際落地，建立了必要的制度前提。
有效回饋，確保AI 務實可用
在制度與治理框架逐步成形後，北醫隨即面對另一個更貼近臨床現場的核心問題：當AI進入診療流程，究竟由誰負責判斷？又該如何確保其建議能被臨床端理解、接受，並運用？
對此，北醫將AI明確定位為必須經由臨床端參與驗證並持續修正的輔助工具。換言之，專業判斷始終掌握在醫師與醫療團隊手中，而非轉交予系統。
在AI模型實際運作過程中，臨床醫師並非單純的使用者，而是參與模型驗證與持續調整的角色。
羅友聲指出，若AI產出的建議無法回到臨床現場被理解、被質疑、被修正，那麼，這樣的系統即便當下表現良好，也難保證它在中、長期運作時，仍能安全無虞。因此，在推動相關應用時，北醫特別強調臨床回饋機制，確保模型輸出能與實際情境持續對照，而非停留在理論或數據層次。
這種設計，也直接回應了醫療責任歸屬的關鍵議題。
陳瑞杰強調，AI的引入不應模糊醫師的專業責任，反而更需要透過制度設計，清楚界定人與系統各自扮演的角色，「臨床決策最終仍須由具備專業判斷能力的醫師負責，AI的功能在於提供決策輔助與風險提醒，而非取代專業本身。」
讓醫師參與驗證和修正AI
一言以蔽之，陳瑞杰的核心信念就是：唯有在責任邊界清楚的前提下，AI才可能被醫師群體信任，進而自然納入日常工作。
蔡淑暖則從組織運作的角度補充，人機協作並非單靠技術導入就可以自然形成，而是需要反覆調整制度與流程，讓新工具能被納入既有的專業文化中，「當醫師被賦予參與驗證和修正的角色，而非僅是被動接受系統建議，對AI的理解與接受度往往會隨之提升，進而降低臨床現場的排斥和不安。」
吳麥斯則進一步指出，這種人機協作模式，也有助於醫學教育與專業養成的長期發展。
他強調，未來醫師所面對的臨床環境，勢必是各類智慧工具紛陳，關鍵不在於「是否使用」，而在於是否具備理解與駕馭這一些工具的能力。透過讓醫師實際參與模型驗證和實務修正，北醫不僅解決當下的臨床問題，更為下一世代醫療專業建立新的工作模式。
從北醫的策略來看，AI並未被賦予超越專業的地位，而是被嵌入一套以醫師為核心的決策結構之中。這樣的人機協作，不是削弱專業，而是透過制度設計，讓技術成為支持專業判斷的工具，也為後續AI在更多臨床場域的應用，建立可以被複製的運作模式。
選擇成熟、可控的場域做為落點
在資料治理、導入流程與臨床責任逐步釐清後，另一個關鍵問題浮現：在既有制度前提下，AI應該被放進哪些臨床節點，才能夠發揮實質的輔助價值，同時不干擾既有的專業判斷與診療流程？
北醫所設定的原則是，選擇臨床特性相對成熟、風險可控的場域切入，例如：病理判讀、醫學影像分析、用藥風險預測、臨床決策支援系統（Clinical Decision Support System,CDSS）等。
羅友聲說明，這些場域具備幾項共同特徵：累積了長期的臨床資料，結構相對明確、輸出的結果多半能被清楚理解與驗證，醫師可在既有診療流程中，自主決定是否採納相關建議。
