近（5）日在「全球智慧醫療創新高峰會」午場論壇中，來自泰國的瑪希敦大學（Mahidol University）副校長 Cherdchai Nopmaneejumruslers，以「泰國 AI 發展與醫療轉型之路」為題，分享泰國如何在全民健康覆蓋制度（UHC）的成功基礎上，面對高齡化與醫療成本爆炸的壓力，運用 AI 與數據，推動從「論量計酬」走向「價值導向醫療」的系統性改革。
UHC 的成功，卻面對即將爆表的醫療成本
一開始 Cherdchai 就指出，泰國在全民健康覆蓋方面已被視為國際典範。瑪希敦大學附屬體系一年門診量超過 738 萬人次，背後是覆蓋率高達 99.8% 的 UHC 制度，幾乎所有泰國人都享有醫療權利。
UHC 不只讓民眾「有醫可看」，更把多項昂貴技術納入給付，例如免費的非侵入性產前檢測（NIPT）、特定癌症的機器人手術與質子治療，並導入次世代定序（NGS）進行 BRCA1/2 癌症基因篩檢與藥物基因體學檢測，讓精準醫療逐步普及。
但成功也伴隨隱憂。依其簡報數據，泰國將在 2032 年邁入超高齡社會，老年人口占比達 29%，其中一半患有慢性病（NCD），41% 為高血壓患者。醫療支出預計在 2032 年前暴增 3 倍，達 1.4 至 1.8 兆泰銖，年成長率約 6.61%，且目前約 73% 的醫療支出由政府負擔，對財政形成巨大壓力。Cherdchai 直言，若沒有結構性的效率提升與醫療模式轉型，再多預算投入也可能只是填補黑洞。
價值方程式與智慧醫院三大支柱，翻轉「論量」到「論價值」
在這樣的壓力下，他主張必須從「重量基礎」（以服務量為主的給付）轉向「價值基礎」，讓醫療回到「以健康結果為中心」。
在簡報中，他提出一個清楚的價值方程式：
Value = (Quality + Service + Access) / Cost
也就是：價值＝（品質＋服務＋可近性）÷ 成本。
為了實現這個方程式，瑪希敦大學以「智慧醫院（Smart Hospital）」為載體，建立三大支柱：其一是臨床卓越與病人安全（Q），透過標準化醫療術語（如 SNOMED）、整合多源臨床數據，發展決策支援系統，協助醫師作出更精準的診斷與治療決策；其二是營運與供應鏈效率（C），利用 AI 與預測分析優化人力調度、病床與藥品庫存，降低營運成本這個分母，讓同樣的預算產出更多價值；其三則是病患與員工體驗（S + A），發展遠距醫療、Health Wallet等工具，強化醫療可近性與互動體驗，讓病患與醫護人員都能被數位科技賦能。
值得注意的是，他提醒許多醫療創新之所以失敗，不是技術不夠先進，而是「解決了一個並不存在的問題」。在過去推動新創的經驗中，常見的狀況是沒有真正理解病人與醫護的需求，也忽略整個醫療體系的運作脈絡，結果產品無法在真實世界找到市場。
因此，團隊將設計思維（Design Thinking）用來深度理解使用者，搭配系統思維（System Thinking）分析政策、財務與整體醫療流程，讓創新「由價值驅動，而非由科技驅動」。並配合「例行走向研究（Routine to Research, R2R）」與持續品質改善（CQI），用研究方法解決前線日常問題，形成一個從現場出發的創新迴路。
從救護車到藥局的智慧醫療實驗 AI 落地實例
談到 AI 的實際應用，Cherdchai 分享了一系列已在泰國落地的例子，顯示「AI 不是停留在實驗室，而是進入日常服務」。
Smart EMS：把加護病房搬上救護車
在與電信與科技業合作的 5G 智慧醫院計畫下，詩里拉吉醫院（Siriraj Hospital）打造「Smart EMS」系統，讓救護車成為移動中的小型重症治療室。救護車啟動後，現場醫護可即時傳送患者影像與生命徵象，後端急診醫師同步線上評估，使醫院在病人抵達前就準備好醫療處置手續。藉由重新設計出勤路線與車輛配置（小型救護車接駁至加油站，再由大型救護車接手），平均送醫時間縮短約 21 分鐘，對心肌梗塞等時間敏感性疾病尤其關鍵。實際成果也十分顯著：心跳驟停病患在急診室內的自主循環恢復率，從 14% 提高到 35%，存活出院率從 0% 提升到 9%。
遠距門診與 HealthTAG：讓病人在任何地方都「帶著病歷走」
在急救之外，團隊也推動「Advanced Teleclinic」，讓專科醫師不必親自前往偏遠醫院，即可透過視訊與設備進行診療。為了讓病歷真正掌握在病患手上，他們打造了 Siriraj HealthTAG — 一套基於許可制區塊鏈的電子健康紀錄系統，病人可授權醫師或醫院讀取特定資料；在「Emergency TAG」模式下，急救單位也能快速取得過敏史、用藥史與緊急聯絡人的關鍵資訊，兼顧效率與隱私。
AI 藥品需求預測：讓庫存不再靠「抓感覺」
在供應鏈管理上，Cherdchai 提到以二甲雙胍（Metformin）為例，團隊匯入超過億筆處方與就診紀錄，考量每日門診量、專科分布與慢性病人口數，用 AI 模型預測未來用藥需求。結果顯示，AI 預測與實際用量誤差約僅 5%，相較於過去憑經驗下單，不但降低過量庫存浪費，也減少缺藥風險，成為智慧醫院「看不見但關鍵」的一環。背後支撐這些應用的，是瑪希敦大學打造的 Mahidol Information Lake 大數據平台，整合影像、基因體與電子病歷，並運用 NVIDIA H200 GPU、高效運算叢集以及 Google Cloud Vertex AI 與 Azure AI Foundry 等雲端服務，加速 AI 模型的開發與部署。
AI 模型「泛化危機」：在自己醫院準，卻在別人醫院就失靈
然而，Cherdchai 並未將 AI 神化。相反地，他多次提醒：「最大的風險不是 AI 不夠聰明，而是太『只認得自己醫院的病人』。」
他指出，過去許多醫院自建 AI 模型，在院內測試準確率很高，一旦拿到其他醫院就「大幅失準」— 這就是他所謂的「泛化危機（Generalizability Crisis）」，據其整理，超過九成的 AI 模型在不同機構間難以穩定運作。
造成這種危機的原因很多，包括不同層級醫院收治的疾病嚴重度不同，導致訓練資料與實際應用場景錯位；也包括常以 ICD-10 等「理賠用診斷碼」取代真正臨床診斷，讓標註產生失真；再加上金標準定義與檢查流程各自不同，模型往往學到的其實是「本院的作法」，而非疾病本身的特徵。
為了破解這個問題，他提出兩個方向。第一，是明確識別並量化六大偏差來源，包括光譜偏差、競爭疾病、編碼偏差等，逐一檢視資料在不同面向上的缺口。第二，是導入聯邦學習（Federated Learning），也就是「訓練模型，而不是搬動資料」，讓不同醫院保留本地資料不外流，只共享模型參數，在保護隱私前提下完成跨機構驗證與訓練，進而提升模型在多元族群上的穩定度。
他透露，瑪希敦大學已完成相關法規與合作架構規劃，希望在未來一年正式啟動聯邦學習合作，邀請包含臺灣在內的國際夥伴加入，讓AI成為真正跨國、跨機構共享的基礎建設。
AI 診斷具資料偏差，模型看的是「被醫療系統看見的人」
在高峰會另一場以「AI 診斷偏差與 HTA 評估」為主題的座談中，Cherdchai 更進一步把目光放在資料本身。
他提醒，醫院訓練 AI 時，常假設資料代表「所有病人」，但實際上，這些資料只來自「有進醫院的人」。例如，希望用 AI 偵測某種罕見疾病時，許多真正的病人可能從未被轉介、被誤診，甚至已在社區中死亡，自然也不會出現在訓練資料中。若模型只看到這「少數已被辨識出來的病例」，就會嚴重低估疾病多樣性，產生巨大的選擇性偏差。
他也舉例，有些影像診斷模型，看似在「讀影像」，其實模型更多是在讀「醫院行為」。當一名 70 歲、有多重共病的病人被安排某項昂貴檢查時，背後已隱含醫師高度懷疑某種癌症；AI 若把這些上下文一起當成訊號，很可能是「學會醫師的懷疑習慣」，而非純粹辨識腫瘤特徵。
因此在他看來，真正負責任的 AI 開發，需要從資料設計階段就開始，刻意納入多機構、多層級醫療的病例，並結合發掘式學習與外部驗證，避免模型「只在本院好用」，同時還要針對每一種偏差來源設計對策，而不是只盯著單一準確率指標。
用 51 個 AI 模型進行 HTA 評估，為全國給付制度做把關
談到「AI 如何真正進入全民健保體系」，Cherdchai 分享泰國的 Benefit Package 制度運作方式。
當有新的醫療技術或 AI 工具希望被納入 UHC 給付時，必須先獲得專業學會推薦，接著由大學與智庫團隊進行健康技術評估（Health Technology Assessment, HTA），評估其臨床效果、疾病嚴重度、成本效益以及社會影響。
在經濟學上，他們採用增量成本效果比（ICER）作為判準，若每增加一個 QALY（品質調整生命年）所需成本低於 16 萬泰銖，且整體預算衝擊與醫療體系承載量在可接受範圍，才有機會被納入 Benefit Package，獲得公費給付。
他表示，最初團隊僅從 9 個試點模型開始，經多年發展，目前已累積 51 個 AI 模型進入不同階段的應用與評估，包含影像判讀、預測模型與營運管理工具等，並與台灣學者建立合作，分享實證與評估經驗。
在他的框架中，「負責任的 AI（Responsible AI）」需要三個層次同時到位：其一是治理與責任基礎，必須有明確的角色分工與監管架構；其二是外部驗證與聯邦學習，用來確保模型能在多元醫療場域中穩定運作；其三則是臨床與經濟影響評估（含 HTA），強調以病人健康與系統永續為最終指標，而不是只追求單一技術指標。
要先有制度再談 AI，免讓 AI 淪為「點狀炫技」
從泰國經驗回望台灣與其他亞洲國家，Cherdchai 傳遞的訊息很清楚：要先有制度，再談 AI；若沒有像 UHC 這樣的制度基礎，AI 應用很容易淪為「點狀炫技」，難以對國家整體健康指標產生實質影響。
同時，應該先問「價值在哪裡」再問「AI 在哪裡」，讓創新從病人與醫護的真實痛點出發，善用設計思維與系統思維，避免只為導入新技術而導入。此外，他也主張要把資料視為病人的資產，而不是機構的武器，無論是 HealthTAG、Data Wallet 或聯邦學習，本質上都是讓病人與社區在數據經濟中擁有主導權，同時又能推動跨機構合作與 AI 進步。
在研討會中，他雖然以輕鬆的語氣，談的卻是極為嚴肅的議題：在財政壓力、人口老化與科技浪潮交會之際，醫療體系選擇的不是「要不要用 AI」，而是「用什麼樣的 AI、以什麼樣的方式、為了誰的價值而用 AI」。
泰國的路徑或許不能全盤複製，但從瑪希敦大學的實驗確實可以看見：當 AI 與制度、經濟與人性被放進同一個方程式思考時，智慧醫療才有可能真正走向「高值、可負擔、可持續」的未來。
