這篇文章,想用一個已經實際落地、通過衛福部沙盒測試的 SMART on FHIR 應用實例,來完整說明:
- SMART on FHIR 是什麼?
- 為什麼現在才「做得到」?
- 過去為什麼這類醫療 AI 應用極度困難?
- 對醫院、資訊單位、臨床與管理層的真正價值是什麼?
- 耀瑄科技新創小組,已經做到哪些事?
本文將以**「最智慧的非侵入肌肉品質定量系統(身體組成 AI 推論)」**為核心案例,專為:
- 醫院人員
- 資訊室 / HIS 團隊
- 臨床醫師、研究人員
- 第一次接觸 SMART on FHIR 的初心者
而寫。
這是一套 結合醫學影像(DICOM)與 AI 推論 的臨床應用系統,主要目標是:
用既有的 CT 影像,非侵入式地量化病人的肌肉品質與身體組成狀態
從醫院系統取得病人基本資料(透過 FHIR)
上傳或串接腹部 CT DICOM 影像
由 AI 模型自動辨識:
- 骨骼肌
- 脂肪分布
- 肌肉密度
產生結構化、可追蹤、可比較的量化指標
例如:
- SMI(骨骼肌指數)
- SMD(骨骼肌密度,HU)
- IMAT(肌間脂肪)
- LAMA / NAMA
- Myosteatosis(肌肉脂肪變性)
👉 這不是單純影像展示,而是「臨床可用的數據化 AI 結果」。
SMART on FHIR 解決的,不是 AI 做不到,而是「AI 無法順利進入臨床系統」的問題。
傳統狀況:
- 病人資料在 HIS / EMR
- 影像在 PACS
- AI 系統通常是「外掛工具」
結果是:
- 病人對不起來
- 研究能做,臨床難用
- 無法成為正式醫療流程的一環
即使 AI 分析完成:
- 結果多半只是一張圖
- 或一份 PDF
- 或存在某個獨立資料庫
👉 無法被 EMR / HIS / 臨床系統真正使用
沒有標準:
- 病人 ID 不同
- 欄位定義不同
- API 規格不同
👉 導致 AI 只能停留在 POC 或研究階段
SMART on FHIR 提供:
- 標準 OAuth 2.0 認證流程
- EHR Launch / Standalone Launch
- 明確的使用者與病人上下文(Context)
也就是:
AI App 不再是「外掛」,而是正式的醫療應用程式
在這個系統中:
- 病人基本資料 →
Patient - 就診脈絡 →
Encounter - AI 推論結果 →
Observation - 影像關聯 →
ImagingStudy
👉 AI 結果第一次成為「FHIR 資源」,而不是附件
只要醫院:
- 有 FHIR Server
- 或有 FHIR Gateway
這個 SMART on FHIR App 就可以:
- 不改程式
- 不重寫邏輯
- 直接部署
👉 這是醫療 App 生態系的起點
- 不需要學新系統
- AI 結果就在熟悉的臨床流程中
- 可以追蹤病人變化,而非單次判讀
AI 不再是展示用
而是可以納入正式醫療服務
可用於:
- 高齡醫療
- 癌症治療評估
- 術前風險評估
- 長期照護指標
- 不必一次汰換 HIS
- 不必被單一廠商綁死
- 可以逐步引入創新應用
因為它同時具備:
- ✅ AI 實際臨床價值
- ✅ SMART on FHIR 正規整合
- ✅ 通過衛福部沙盒測試
- ✅ 可擴充、可商品化
這代表:
SMART on FHIR 已經不是未來式,而是現在進行式
耀瑄科技新創小組,並不是只做一個 App,而是持續投入在:
- FHIR Server 規劃
- FHIR Gateway 與既有 HIS 串接
- 病人為主的資料模型設計
- 病人時序圖應用
- AI 身體組成分析
- 臨床研究支援工具
- DICOM → AI → FHIR
- 結果結構化、可回寫、可追蹤
- 真正進入臨床流程
FHIR 解決的是「資料怎麼來」 SMART on FHIR 解決的是「應用怎麼進來」
當這兩件事都被解決:
- AI 才能真正落地
- 創新才能規模化
- 醫療系統才能真正進化
SMART on FHIR 帶來的不是:
- 一個新標準
- 一個新 API
而是:
讓醫療應用可以像 App Store 一樣被建立、被選擇、被淘汰、被進化
而耀瑄科技新創小組,正站在這個轉折點上。



沒有留言:
張貼留言