為什麼台灣醫療 AI 不該只做聊天機器人：Agentic Healthcare Workflow 要解的是照護中斷

Key Takeaways

• 台灣約 4,000 名執業營養師，需面對超過 500 萬慢性病患者，比例 1:1,250，這是系統架構問題，不是人才問題¹
• 2025 年湧入醫療 AI 的資金多集中在診斷端（影像、基因、藥物），但患者離院後的 99% 時間幾乎是空白
• Agentic Healthcare Workflow 的核心不是「更聰明的問答」，而是長期記憶、任務拆解、主動追蹤、跨系統協作
• Taiwan Health MCP 開源釋出的理由：照護基礎建設不應該是單一廠商的護城河
• 從營養科開始的原因：糖尿病、腎臟病、心血管疾病的預後直接受飲食影響，偏偏是 AI 投入最少的專科

4,000 名執業營養師。超過 500 萬慢性病患者。比例 1:1,250。

這個數字不是台灣醫療的例外，是它的結構常態。

問題不在於有沒有足夠好的醫生，也不在於藥夠不夠。問題在於：患者從診間走出去之後，照護就中斷了。

大部分醫療 AI 在解決錯誤的問題

2025 年，大量資金湧入醫療 AI——病灶判讀、基因分析、藥物發現、手術機器人。這些都很重要，值得做。

但有一塊幾乎沒人認真碰：患者離開醫院後那 99% 的時間。

台灣持有慢性病連續處方箋的患者超過 500 萬人。他們的血糖、血壓、飲食紀錄、生活模式——這些數據的品質，決定了他們三年後會不會演變成腎臟病末期、心肌梗塞、或者糖尿病足截肢。

這些數據現在的狀態：零散、未結構化，甚至根本不存在。

照護中斷的問題，不是更聰明的 chatbot 能解決的

一台 MRI 機器一小時可以完成 4 個患者的掃描。一位營養師一小時只能諮詢 2 到 3 個患者。

這不是能力問題，是系統能不能 scale 的問題。一個軟體工程師同時維護 1,250 台伺服器不是工程師不夠強，是架構根本沒辦法這樣跑。

現在的照護流程是這樣的：患者離院，失聯。沒有人追蹤他吃了什麼、血糖落在哪裡、有沒有照醫囑服藥。兩週後回診，醫師問：「最近吃得怎麼樣？」患者說：「還行。」數據空白。臨床判斷只能靠回診當下的單點數值。

醫療 AI 最大的空白不在診斷，在照護的連續性。

Agentic Healthcare Workflow 做的事情不一樣

醫療 GPT 能回答問題——糖尿病患者輸入症狀，它可以給解釋。但它不記得你上週的血糖。不會在你連續三天高鈉飲食時主動提醒。不會在患者失聯超過一週後自動觸發追蹤。不會和醫院的 HIS 系統交換資料。

Agentic Healthcare Workflow 的設計要解決的是四件不同的事：

1. 長期記憶

知道患者三個月來的飲食軌跡，不用每次從頭輸入。我們的 PICO-Graph RAG 引擎把臨床知識以圖譜方式組織，讓 AI 能在複雜的醫學知識網絡裡做推理，而不是每次問題都重新檢索一遍。²

2. 任務拆解

患者用 LINE 傳一張便當照片，背後要做的事包括：辨識食物類別、估算熱量、計算三大營養素、比對用藥清單裡有沒有食物藥物交互作用。這不是一個 prompt 能解決的問題，是多個 Agent 協作的結果。³

3. 主動追蹤

等患者主動回報，照護就會有漏洞。Agentic 系統的差異在於主動性：患者三天沒有記錄飲食，自動發 LINE 確認；血糖連續異常，推播通知管理這位患者的營養師；不是等下次回診才發現問題。

4. 跨系統協作

FHIR R4 標準讓院內的 HIS 資料和院外的行為數據能接在一起。患者在家測的血糖、上傳的飲食照片、醫院系統裡的檢驗結果——這三條數據流如果各自孤立，臨床意義就很有限。⁴

這不是「更聰明的 chatbot」。這是重新設計照護流程的基礎建設層。

為什麼開源 Taiwan Health MCP

照護基礎建設不應該是單一廠商的護城河。

台灣的健保系統是全球少數真正把全民醫療資料整合起來的體系。但讓 AI 能理解這些資料的介面——ICD-10 本土化版本、食藥署藥品資料庫、LOINC 標準碼——長期以來每個廠商、每個醫院都在自己重複做。

所以我們把 Taiwan Health MCP 開源了。⁵

32 個工具。Docker compose up -d 就能跑。MIT license。

你想拿去用就拿去用。你想改就改。你想加新工具，發 Pull Request。

把這層標準化，是讓台灣醫療 AI 能往上疊的前提。

從營養科開始，因為這裡的缺口最大

為什麼從營養開始？

糖尿病、慢性腎臟病、心血管疾病——這三個病的預後，和飲食的關聯是有文獻支撐的。腎臟病飲食控制做得好，可以延緩透析時間點數年；糖尿病飲食管理配合藥物，對 HbA1c 的影響有時比單純加藥還顯著。

但在 AI 投入的排序裡，營養幾乎排在最後面。沒有影像辨識那麼性感，沒有基因分析那麼高科技，卻是 500 萬慢性病患者每天真實面對的問題。

缺口大、AI 投入少——這就是為什麼先從這裡做。營養師人力缺口的實際數字，以及 DietMate 具體省下哪些步驟，整理在台灣 4,000 位營養師要對應 500 萬慢性病患者。