文／溫怡玲 （人工智慧科技基金會執行長）
當政府各部門開始討論導入AI時，最常聽到的問題是：「資料夠嗎？」這個問題看似簡單，背後卻是整套複雜的系統工程。臺中榮民總醫院（以下簡稱中榮）是智慧醫院全球排名第85、也是台灣之冠，他們推動智慧醫療的經驗，很值得其他組織參考
打好資料地基，再推動智慧治理
中榮從2000年左右開始，就開始一步一步完成數位化的基礎工程：病歷電子化、影像無片化、醫療儀器聯網，再到健保雲端資訊整合。這些看似平凡的系統建置，正是日後得以有效運用AI的前提條件。
換一個比喻來看，資料就像城市的自來水系統。在水能夠安全、穩定地流到每一個家庭之前，必須先建好管線、淨水廠與監測機制。少了這些基礎建設，就算有再先進的淨水技術，也無從發揮。
中榮從累積長達逾20年的經驗裡，整理出資料整理的三個關鍵原則，稱為「3C」，分別是：
「連線」（Connection），確保醫療儀器產生的數據，能夠自動傳輸到中央系統，不需要人工逐筆輸入，也不會因為斷線而遺漏。
「收集」（Collection），系統化地把所有必要的臨床資料集中管理，而不是散落在各個部門的個人電腦裡。
「清理」（Cleaning），最容易被低估卻能決定成敗的一環：把格式不一致的資料統一規格、去除錯誤或雜訊、補齊缺漏欄位。這就像把雜亂的檔案室重新整理編目，讓資料真正能被查詢與應用。
讓資料能夠「說同一種語言」
各系統收集到的資料，格式往往不一致，這是跨部門整合最常遇到的障礙。中榮的做法是將院內資料轉換為國際通用的「OMOP共通資料模式」。
OMOP的概念類似於語言的翻譯機制，無論原始資料來自健保系統、門診紀錄，還是住院病歷，只要轉換成統一的格式，就能彼此比對、分析，甚至與其他機構的資料合作研究。進一步地，中榮也朝向「FHIR」架構發展，讓醫療資訊能在不同機構之間即時交換，並與國際資料平台對接，利用更大規模的數據進行驗證。
技術助力跨院協作、保護隱私
AI模型訓練需要大量資料，但醫療資料涉及個人隱私，不能隨意流通，這是公部門推動數位治理時共同面對的兩難。
中榮採用「聯邦式學習」（Federated Learning）模型來解決這個問題。簡單來說，這個方法讓各醫院的資料留在院內不必外傳，但各自的AI模型可以互相學習經驗，最後整合成一個更準確、更廣泛適用的模型。由於原始資料從未離開各自的機構，隱私因此得到保障。
這也避免了一種常見的風險，醫療AI模型常常只在特定環境下準確，換了不同族群或設備就失效。跨院跨國跨系統的驗證，讓模型的可靠性大幅提升。
系統建好之後，還有一個關鍵問題容易被忽略：誰負責確保資料的品質持續維持？
中榮有專責的AI品質管理單位，由智慧醫療委員會與數位醫學部共同負責，持續監測AI模型的表現，並隨著臨床環境的變化適時調整。這種機制說明，AI治理不是單次性的建置工作，而是需要長期維運的日常任務。