Day 2 · R2 智慧醫療
三位講者分享醫療場域智慧生醫平台落地的甘苦與政府 AI 導入政策，涵蓋 Agentic LLM 臨床應用、醫院資訊系統演進，以及護理站的 AI 導入實務。
本場速覽
| 講者 | 講題 | 一句話重點 |
|---|---|---|
| 高宏宇（主持人） | 開場 | 三位講者分享醫療場域智慧生醫平台落地的「心酸血淚」與政府 AI 導入經驗 |
| 許凱程（工研院 醫療長） | Agentic LLM and Smart Healthcare | 用 Agentic LLM 把資料整合、SaMD、臨床落地串成自動化任務鏈，目標是「醫師少動一根手指頭都困難」的臨床場域 |
| 賴來勳（臺中榮民總醫院 資訊室主任） | From Digital Transformation to Smart Hospital | 40 年醫院資訊系統演進史，2023–2025 連三年 Newsweek 全球最佳智慧醫院台灣第一 |
| 康仕仲（Jubo 智齡科技 CEO） | How can AI help nurses? | 護理師 60% 時間在寫記錄而非照護，Jubo 用行動裝置＋輕量 AI＋LLM+RAG 把 operation 效率做起來 |
顯示 3 / 3 場
1Agentic LLM and Smart Healthcare許凱程（工研院 醫療長）
用 Agentic LLM 把生醫資料整合、SaMD 智慧醫材、臨床任務拆解串起來，讓 AI 真正在醫院落地。
重點整理
- 開場即點出 Agentic LLM 與傳統 LLM 的差異：傳統 LLM（如 ChatGPT）是單一命令、單一任務；Agentic LLM 像鋼鐵人的管家 Jarvis，只要下達目標（例如「規劃日本旅遊」），就能自動拆解成訂機票、訂住宿、訂交通等子任務並分頭找工具完成，最後整合結果，人類只需確認結果對不對，「不可能讓 AI 自己做決策」。
- 醫療資料整合的最大障礙是隱私：大法官解釋要求醫療資料釋出供研究使用前須「另立專法」，講者表示專法預計 2025 年 8 月前要訂定，在此之前資料流通仍受嚴格限制。
- 智慧醫材（SaMD, Software as Medical Device）需經食藥署（TFDA）智慧醫材辦公室依醫材分類（一/二/三類）取證，包括輔助診斷 CADx、輔助分類 CAD-triage 等，是智慧醫療的「根本」。
- 提出衛福部「三支箭」政策：① AI 可信任中心（打開 AI 黑箱）② 取證中心（協助醫院做 AI 模型取證）③ 健保沙盒（medical AI 上線前後做效益評估，如死亡率、處理速度、醫護 loading 變化，效益夠大未來可望由健保給付）——直言許多醫院現在的 AI 應用其實是「做義工」，沒人付費。
- 護理人力短缺是貫穿全場的痛點：部分醫院有 80% 病房「能開卻關」，因為護理人力不足；智慧醫療工具的目的不是取代人力，而是減輕負擔，避免更多護理人員轉往工作 loading 較低的醫美產業。
- 展示已落地案例：
- 無顯影劑 CT 直接預測缺血性中風病灶範圍：病灶 >70mL 時準確度近 8 成，判斷有無 infarction 可達 9 成，部分區域甚至優於商用軟體（與 MRI 標準答案比對更準）。
- 救護車 AIoT：把 AI 診斷模組裝上救護車，將到院前延誤時間從約 2 小時縮短到十幾分鐘。
- 居家單導極 ECG 睡眠檢測 AIoT：取代需排隊逾一個月、需在陌生環境過夜的傳統睡眠多項生理檢查（PSG），可從單導極 ECG 判讀睡眠分期（含 REM）、呼吸中止與覺醒事件，已獲國家新創獎肯定。
- 多模態中風風險 AI：整合血壓、心跳、呼吸等生理訊號，預測二次中風、吞嚥困難嗆咳致肺炎、心房顫動致栓塞等併發症風險。
- 與診所全國聯合會合作的「嘉義大平台」：用穿戴裝置＋居家血糖機收集資料、匯入 EMR，再用專屬 LLM + RAG 判斷糖尿病腎病變、視網膜病變等風險並給治療/飲食建議，目的是彌補診所端資料收集能力遠不如醫院的落差。
- Hospital at Home／HomeSpital：搭配衛福部 2024/7 上路的居家急性照護政策（肺炎、蜂窩性組織炎等），因照顧者非專業醫療人員，更需要 AIoT 輔助判斷是否需轉送醫院。
- 去中心化臨床試驗（DCT）：用 AIoT 讓受試者在家回傳生理數據，減少回診頻率、提高 compliance 與試驗成功率，美國 FDA 與台灣 TFDA 皆已表態支持此方向。
- BOBI 系統（醫療語音記錄 LLM 工具）：初診紀錄時間從 20–30 分鐘縮短到 5–10 分鐘；護理交班記錄從下班後 1 小時縮短到約 15 分鐘。針對醫療現場「中英夾雜」與大量醫學縮寫的語音辨識痛點，經專業語料訓練後錯誤率從 30–40% 降到 6% 以下才達到臨床可用門檻。
- 展示 Agentic 拆解任務的實測案例（與台大合作）：2020 年 9 月某急診跌倒病人 X 光片，若直接把影像丟給多模態模型（無任務拆解）錯誤率高達 5–6 成；改用「先判斷臨床狀況→再判斷影像類型→再判斷影像內部發現」的任務拆解流程後，正確率可提升到 9 成以上。
- 資料處理流程上，先用 ICD-9、SNOMED、LOINC 等標準化編碼整理臨床資料庫（因臨床紀錄常有偏差雜訊），才交由語言模型做最終統整，確保「正確的資料庫＋正確的任務輸入」才能產生正確結果。
- LLM + RAG 已用於失智症照護問答平台（回答附上專業資料庫來源以降低幻覺）、GPT-4o 多模態 X 光骨折判讀＋治療建議、血管生理判讀等場景。
提到的技術・產品・數據
- Agentic LLM
- 具備自主任務拆解、工具選用、結果整合能力的 LLM 應用模式，區別於單輪指令式 LLM。
- SaMD（Software as Medical Device）
- 食藥署智慧醫材取證分類，CADx／CAD-triage 為代表性子類別。
- 衛福部三支箭
- AI 可信任中心、取證中心、健保沙盒。
- BOBI
- 工研院／公益院內部開發的醫療語音記錄 LLM 工具（門診、護理交班、會議記錄場景）。
- 非顯影劑 CT 中風病灶預測模型
- 無需注射顯影劑即可估算中風病灶範圍，準確度依病灶大小 70%–90%+。
- 單導極 ECG 睡眠分析 AIoT
- 取代傳統整夜多項生理檢查（PSG）。
值得記下的觀點
「你如果要叫他另外去開個視窗，跑去另外一個地方開一台電腦，那絕對是不可能的，那他有一個落地的機會…成功的比例是非常低的。」
「4.5 小時、8 小時聽起來好像還蠻久⋯其實不是，因為病人被送到醫院來，他其實已經過了 3 個小時了，所以你可能只剩下 1.5 小時去做快速的決策。」
Q&A
- 無 Q&A（銜接主持人直接介紹下一位講者）。
查證註記
- 許凱程於 2025 年 4 月轉任宏碁智醫（Acer Healthcare）總經理暨醫療長；本場演講（2024/09）時任職於工研院，符合官方議程列名。經歷（台大醫學系、中正大學電機所碩士／化工所博士、曾任中國醫藥大學附設醫院 AI 中心主任、美國 NIH 研究員）與講者描述（「之前是中國醫藥大學附設醫院的 AI 中心主任」）一致。來源：經濟日報台灣醫療科技展新聞
- VeriOsteo OP（智骨篩）：台中榮總與宏碁智醫合作開發、以單張胸部 X 光做骨質疏鬆伺機性篩檢的 AI，已取得 TFDA 許可；公開臨床驗證數據為敏感度約 88.7%、特異度約 89.4%（與講者於下一場提及的「98% 準確率」略有出入，可能為不同驗證集或口誤）。來源：GeneOnlineCIO Taiwan
2From Digital Transformation to Smart Hospital賴來勳（臺中榮民總醫院 資訊室主任）
臺中榮總 40 年資訊系統演進，2023–2025 連三年拿下 Newsweek 全球最佳智慧醫院台灣第一。
重點整理
- 現場通稱「台中榮總」，官方全名為臺中榮民總醫院。
- 醫院規模：1982 年成立，逾 40 年歷史，中部地區唯一國家級公立醫學中心；體系涵蓋 1 個醫學中心＋3 個區域/地區醫院＋4 個榮民保健組，形成醫學中心到診所的三級醫療體系。
- 2023 年（疫後爆發年）服務量：1,632 床、近 6,000 名員工、124 個門診科別、逾 300 萬服務病人數；門診每日逾 9,300 人次、急診每日 200 人次、住院每月 6,500 人次、手術每月逾 4,800 人次，皆較 2019 年成長 20% 以上，但床數與人力未增加——對資訊系統是巨大挑戰。
- 獎項與國際排名：Newsweek 全球最佳智慧醫院評比連續三年（2023–2025 榜單）拿下台灣第一；在對應 2025 年度的榜單（於本場演講前後公布）首度擠進全球百大，排名第 99——講者說明 101–350 名不個別排名、按字母序排列，故第 99 名是「後段仍有編號」的最後名次之一。另在 2024 年初的 HIMSS DHI（Digital Health Indicator）評比拿下全球第二，第一名為許凱程曾任職的中國醫藥大學附設醫院。
- 2023 年 8 個月內通過 HIMSS EMRAM Stage 6 與 Stage 7 兩階評鑑，號稱台灣醫界最短時間內通過兩階評鑑的紀錄。
- 資訊系統發展史：1982 年 IBM 主機系統（門診/住院、PEX 系統）→ 1999–2010 年脫離 IBM 大型主機轉開放系統，重建門住診系統並新增醫師摘要、護理行動等功能 → 2011 年配合衛生署（今衛福部）政策做電子簽章與病歷數位化，並發展醫療儀器連線（現稱 medical IoT，串接麻醉、呼吸、生理量測儀器）→ 2017 年起整合全院資料建置 data warehouse 與 dashboard → 2022 年陳（俊傑）院長上任後全力發展 AI model。
- 病人為中心的住院系統：單一畫面整合病人基本資料、目前用藥、進行中治療、過敏史、最新護理紀錄、班別交班紀錄、最新生命徵象，並可一鍵連結呼吸器等其他子系統細節畫面——講者強調這是與臨床醫師反覆磨合出來的設計。
- 結構化病歷推動兩階段：早於 2004 年已推動入院/出院摘要、病程記錄、護理記錄的結構化（欄位勾選＋保留 free text）；陳院長上任後進一步質疑「為何報告仍是一篇文章」，因而發起專案將原本 3,000 多種計價碼對應的報告格式，花一年時間逐科開會整併為 615 個標準化報告模板（含內視鏡、放射線、病理報告），讓醫師可用勾選方式產出報告仍保留 free text 彈性。
- 電子指標籤藥盒：取代手寫／貼紙藥盒標籤，改善後約 3–5 分鐘即可更新全院（示例 70 床病房）藥品標籤，發藥前掃描藥品與病人 QR Code 雙重核對，解決過去藥品標籤無法用電腦稽核、易脫落難辨識的問題。
- 全彩電子床頭卡：從 400 多床的黑白/紅三色電子紙（約 2018–2019 年起），升級到今年（2024）全面改為全彩，圖片更新時間由約 30 秒縮短到約 1 秒；內容隨醫囑與護理紀錄輸入即時自動更新。
- 臺中榮總是全台灣第一個合法全面實施電子病歷（護理記錄電子化）的醫院（約民國 98 年，即 2009 年前後）。
- 遠距醫療：疫情期間視訊門診大量成長，但隨疫情結束原本規則失效，2024/7/1 起適用新的遠距醫療辦法（適用對象與疫情期間視訊門診不同）；陳院長投入大量資源建置「全台灣最大遠距醫療中心」（2022 年成立），即使健保現階段不給付、營運上不賺錢，仍視為必然趨勢（因醫院病床與人力有限、但高齡照護需求持續上升，須靠 Hospital at Home 解方）；已連結 25 個以上據點（合作醫院、分院、保健組、偏鄉衛生所）。
- 2021 年即與中華電信合作，將 5G 專網結合 AR 眼鏡用於心導管手術轉播與達文西手術整合，測試 5G 醫療應用可行性；時任總統蔡英文於醫療科技展現場與 200 公里外的台中榮總外科團隊視訊會議；Discovery 頻道並曾對台灣 IT 結合醫療做專題報導。
- 轉診病人全程監控系統：針對從分院轉診到臺中總院的病人（心臟病、腦中風、不穩定新生兒等），全程監控生命徵象、車內即時錄影，並用 Google Map 追蹤預估到院時間，讓急診團隊提前 stand by；累計已完成 500 多例轉診案例。該系統因臺中總院最早（2012 年）完成主幹資訊系統轉型，被退輔會選為範本，現已推廣到全台灣所有退輔會體系分院（含台北、高雄榮總分院）使用。
- 2020 年疫情期間 1 個月內完成 8 家分院系統導入：每次導入至少動員 40 人（資訊、醫工、護理、檢驗）到場，過程中無一人染疫、無一家分院導入失敗或退回（全數一次成功），講者將此歸功於嚴格紀律與管理。
- 智慧醫院全機構獎（醫策會）三度獲獎：2015、2019、2023 年。
- 陳院長上任後將原本的「大數據管理會」改組為「智慧醫療委員會」，下分約 8 組並行推動多個內部專案，另與中部及全台多所大學院校合作，亦有不便公開的產業合作案。
- 國家型計畫成果：承接國科會「台灣智慧醫療聯盟」（TSHA，2021–2024 三年期已結案）計畫，臺中榮總擔任總協調角色，整合講者所稱全台約 19 家醫學中心的 AI 模型、推動聯邦學習與跨院驗證；其中兩支自有 AI model：與宏碁合作的骨鬆篩檢 AI「VeryOsteo」（單張 X 光判斷骨質疏鬆，講者稱準確率約 98%）、與東海大學及惠德科技合作的壓力性損傷（褥瘡）輔助評估模型，兩者皆稱已取得 FDA 認證。
- 目前承接衛福部三支箭中的兩支國家級中心：對接 TFDA 的「臨床 AI 取證驗證中心」（含跨院驗證 4 案、最終取證 3 案）與對接健保署的「AI 影響性研究中心」（評估 AI 導入後應給付多少健保費用）。
- AI 應用實例：Healthcare GPT（今年與陽明交大合作）自動生成入院病歷摘要（AutoMission Note）；用 ChatGPT 類工具協助撰寫院長信箱陳情回覆信（原本人工撰寫常被退件）；X 光攝影部位核對 AI，偵測實際擺位與醫囑不符時即時警示重照，避免病人因擺位錯誤被追加照射。
- 國際交流：每年舉辦國際智慧醫療研習班，已簽署長期合作計畫，每年約 40 個國家人員來院參訪；2024/8/9 總統賴清德到院參觀智慧醫療成果，表示對進步程度感到驚喜。
提到的技術・產品・數據
- HIMSS EMRAM / DHI
- 美國醫療資訊管理系統學會的電子病歷成熟度（EMRAM）與數位健康指標（DHI）評鑑。
- Newsweek 全球最佳智慧醫院
- Newsweek 全球最佳智慧醫院排行榜。
- VeriOsteo（智骨篩）
- 與宏碁智醫合作的 X 光骨鬆篩檢 AI（見上一場查證註記）。
- 電子指標籤藥盒 / 全彩電子床頭卡
- 住院用藥與床邊資訊電子紙化系統，均已申請專利；電子指標籤藥盒方法後由健保署免費複刻推廣至全台診所醫師使用。
- 台灣智慧醫療聯盟（TSHA）
- 國科會 2021–2024 三年期跨院 AI 驗證取證計畫。
值得記下的觀點
「因為做這個是沒有錢的，因為現在健保不給付⋯但是它是一個趨勢，所以我們只能先開始。」
「沒有一個醫院是導入失敗或退回的，都是一次就成功。」
Q&A
- 無 Q&A。
查證註記
- Newsweek 排名：公開報導顯示臺中榮總於 2024 年榜單排名全球第 246（兩岸三地唯一進入前 250）、於對應 2025 年度榜單首度進入全球百大，2026 年度榜單進步至第 85 名——與講者所述「2023、2024、2025 連續三年台灣第一」「今年進百大第 99 名」時序吻合（Newsweek 該榜單慣例以次一年份命名並於當年秋季公布）。來源：GeneOnline健康醫療網
- HIMSS DHI 全球第二、中國醫大附醫全球第一：與公開報導一致。來源：中國醫藥大學附設醫院官網臺中榮總官網
- 台灣智慧醫療聯盟（TSHA）：查證到官方計畫描述為「全國醫學中心組成 23 個跨院團隊」的 AI 國家隊，與講者口述「19 家醫學中心」的數字不完全一致，可能是團隊數與參與醫學中心數的口徑差異，未能精確核對；計畫時間（2021 年提出、2024 年結案發表）與講者所述吻合。來源：聯合新聞網台北醫學大學計畫頁
- EMRAM Stage 7：查證到臺中榮總為公立醫院中首家通過 HIMSS EMRAM Stage 7 國際評鑑，惟「8 個月內連過 Stage 6 與 7」之確切時程未查得獨立第三方報導佐證，暫列（未能完全查證，僅講者自述）。
3How can AI help nurses?康仕仲（Jubo 智齡科技 CEO）
護理與照服員 60% 工時耗在寫記錄，Jubo 用行動裝置＋輕量 AI＋LLM+RAG 把長照 operation 效率做起來。
重點整理
- 講者背景：史丹佛大學博士，曾任台大土木系教授兼教務處副教務長，後獲加拿大 Alberta 大學延攬（曾被視為台灣學界人才外流的指標案例），2018 年離開學界創立智齡科技（Jubo）。講者並提及自己是這個年會前身「資料科學年會」草創時期約 10 位發起會員之一。
- 核心動機數據：台灣「老福比」（65 歲以上人口 vs. 15–65 歲扶養人口比）現況約 1:4，講者引用推估約於 2044 年左右達 1:2、2060 年達 1:1，十多年前即據此預見護理／照服人力短缺會日益嚴重；現況已在台灣、加拿大、美國、日本同步發生——醫院關病床，門診也開始縮減。
- 在台大任教時做的 time study（與設計系、醫學院教師合作進駐照護現場觀察）：照服員僅約 40% 時間在做 direct care，60% 時間花在寫記錄、打電話、行政作業。
- 護理記錄三階段：① nursing assessment（認知、咀嚼吞嚥、營養、行動能力等定期評估）② nursing plan（照護規劃）③ 執行紀錄（血壓血糖量測、飲食、如廁排泄量、情緒活動等），且多為非結構化資料。
- 創業論點：需要一套 AI-powered 的高齡照護效率支援系統，鎖定醫院體系之外、資訊系統資源遠不如醫院的長照機構／日照中心／居家照護護理人力，其系統複雜度並不亞於醫院，但人力與資源極為有限。
- 市場現況：講者實地訪查發現全台約 1/3 醫院/長照機構仍用手寫護理記錄（TPR 表手繪），日本市場甚至還有約 2,500 家醫院使用紙本護理記錄。
- 產品定位不是單純的資料儲存庫（repository），而是「照護協作溝通平台」（類比 Slack、Teams），採 mobile-first（手機/iPad 而非護理站 PC）設計，並符合美加市場的 HIPAA 等級資安合規要求（比照銀行 App 的行動裝置資安標準）。
- 三大產品線：
- Mobile 護理資訊系統：讓護理師直接在床邊用手機/iPad 記錄，取代護理站排隊用電腦打字；因本就符合行動裝置資安規範，天然解決「hospital at home」情境下的院內外網路與資安疑慮。
- 小型生命徵象量測推車：藍牙串接市面上多種不同廠牌量測器材，量測結果自動上雲並即時 AI 檢核；已推廣至美國、加拿大、日本市場（日本甚至改裝應用於牙醫診所）。
- FamilyLine（家屬聯絡平台）：取代機構人員手動把專業護理記錄「翻譯」成家屬看得懂的文字後透過 LINE 逐一溝通的流程；立論依據為 John Huskin 論文所述——醫療糾紛多源於醫病/家屬互信不足，解方是「更多溝通」但不能增加護理人員負擔。
- 客戶實證影片（長照/日照機構經營者訪談）重點：導入前護理人員／照服員常因文書作業（尤其手寫聯絡簿）負擔過重而離職；交班與服務記錄不再需要每天花 30–60 分鐘集合處理；評鑑查核時可快速產出美觀的統計報表；系統可依社工／護理／照服員不同角色分開訓練教學，滿意度較高；連外籍看護也能操作使用。
- 公司規模：台灣長照資訊平台市占最大，客戶數逾 1,200 家機構（含海外），在台服務約 13 萬名長輩的個人化生命徵象模型。
- 講者將 AI 對醫療的幫助分三類：diagnosis（判斷）、treatment（治療）、operation（營運效率）——並表示自己作為資料科學家最感興趣、也最投入的是 operation 這一塊。
- 已上線的四項 AI 功能：
- 生命徵象異常警示 AI：用非常簡單的 unsupervised learning，為 13 萬名長輩各自建立個人化生命徵象小模型，量測值只做「是否異常」的二元判斷（不做診斷），異常則標記驚嘆號交由護理師複核；上線後生命徵象記錄率從理論值 58% 提升到近 40 個百分點的增幅，且異常警示中約 72% 會促使護理師開立後續護理記錄／措施；已上線約 3 年多。
- 傷口照護 AI：改用平板拍照，AI 估算傷口尺寸與深度，取代過去用尺量、棉棒探深度、貼標籤拍照、需 SD 卡匯出手動輸入耗時 15–20 分鐘的流程，新流程約 5 分鐘完成，屬 touchless 操作；採 human-in-the-loop 持續修正模型；AI 與護理師判斷嚴重度的一致性約 73.5%（與人與人之間判斷一致性約 7–8 成相近，因嚴重度判讀本就有主觀成分）；已上線近 2 年。
- FamilyLine 家庭聯絡簿 AI 生成（「安心保家庭聯絡簿」，本場演講時尚未正式上線）：調查發現日照中心人員平均每日花 71 分鐘撰寫家屬聯絡簿（需把血壓、飲食、活動、情緒、盥洗等專業記錄轉譯成家屬看得懂的文字並透過 LINE 溝通、持續追蹤家屬提問），未導入系統的機構常改用私人 LINE 帳號處理；新功能用 GenAI 依既有照護記錄在約 3 分鐘內自動生成家屬可讀文字，人員可微調並選用偏好版本，系統會記錄哪種 prompt／輸出較受採用以持續優化模型選擇。資料治理設計：避免把長者原始個資直接送外部公開 LLM，做法是先做資料治理（去識別化、只擷取必要欄位）、呼叫外部/公開 LLM 處理去識別化內容後再把隱私欄位兜回，並刻意讓 LLM「變笨一點」以降低幻覺、避免自信給出錯誤答案。成本考量：LLM API 費用會壓縮商業毛利，因此團隊持續測試多種 LLM（含較便宜或自建 in-house 的小模型）以平衡成本與品質。
- N-Copilot（安口拍，2025 年才會上線）：發想自「Nursing Stanford」概念，鎖定長照機構護理人員常被家屬（如「我媽何時可以回診看張醫師」）、醫師（如「12 床阿嬤有沒有量血糖、要不要打胰島素」）或住民臨時提問打斷工作、需臨時翻找過去數天到數週病歷資料才能作答的痛點——工作被打斷、效率降低、體驗變差，且倉促作答容易出錯。N-Copilot 是類似 Copilot／ChatGPT 的聊天介面，架在機構自有護理記錄上做 RAG，回答會附上可回溯的原始資料來源，且被設計成在資料庫沒有支持答案時「不能像一般人隨便給一個答案」（即不可捏造）。講者表示公司內部 AI team 實質上已調整成「Data Governance team」而非單純「AI team」，真正困難的是資料治理、快速精準檢索、隱私保護後再串接 LLM，而不是模型本身。
- 收尾觀點：AI 導入 nursing operation 對政府考核評鑑、對家屬、對被照顧者本人、對機構的營運統計管理與交班會議都能省時間；公司服務逾 1,000 家長照機構；認為 Gen AI 自主代理（Autonomous Agent）除了減少既有人力負擔外，還能協助新進護理人員快速 onboarding、加速學習如何把照護工作做對做好——這對護理人力持續流失的現況尤其重要。
提到的技術・產品・數據
- Jubo（智齡科技）
- 長照資訊平台，台灣市占最大，1,200+ 機構客戶、13 萬名長輩生命徵象個人化模型。
- Vital Sign AI Alert
- 以 unsupervised learning 為每位住民建立個人化生命徵象異常偵測小模型。
- 傷口照護 AI（WoundCare AI）
- 平板拍照估算傷口尺寸/深度。
- FamilyLine（家庭聯絡部）／安心保家庭聯絡簿
- AI 自動生成家屬可讀照護摘要並透過 LINE 傳送。
- N-Copilot（安口拍）
- 架在機構護理記錄上的 RAG 問答助手，2025 年上線，模仿「Nursing Stanford」構想。
值得記下的觀點
「一個護士他來不是在處理資料的，我們訓練一個好的護理師，他應該是去床邊做很多 bedside care，那後面的這些護理資料，其實是需要有好的工具去幫助他。」
「我們慢慢就覺得說，我們慢慢把我們的 AI team 調成⋯其實到最後有點像 Data Governance 的 Team，不是在做 AI 的 Team。」
Q&A
- 無 Q&A（講者結尾致謝後即轉場）。
查證註記
- 康仕仲學經歷（史丹佛博士、前台大土木系教授兼教務處副教務長、赴加拿大 Alberta 大學、2018 年創立智齡科技/Jubo）與公開報導一致。來源：博客來書籍介紹天下雜誌Jubo 官網
- 公司規模「1,200+ 機構、13 萬長輩」與 2024 年前後公開報導的「逾 1,200 家長照機構、逾 15 萬名住民健康記錄」量級大致相符，講者口述數字略保守，未發現明顯矛盾。來源：Taiwan Tech Arena
- 「N-Copilot / 安口拍」「FamilyLine 家庭聯絡簿 AI」為講者於會中發表之未上線/剛上線產品名稱，公開資料庫中未查得獨立第三方報導佐證其功能細節或上線時程，標記為（未能查證，僅講者自述）。