當在宅醫療成為國策——台灣準備好用 AI Agent 接住下一個十年了嗎？

Key Takeaways

• 台灣「在宅急症照護試辦計畫」2024 年上路，預估 5,400 人受惠，實際收案數截至 2024 年底僅 1,300 人，不到四分之一
• 2025 年護理師實際執業率 62.36%，創五年新低；新進護理師約三分之一在三個月內離職
• 健保年支出成長 5%，保費收入成長 1–2%，財務缺口每年約 700 億，短期內無政治空間調漲
• 在宅醫療三大適應症（肺炎、尿路感染、軟組織感染）的居家監測瓶頸在於「訪視間 23 小時的生理數據黑洞」
• AI Agent 與 Chatbot 的本質差別：前者主動執行工作流，後者等人發問——在宅醫療場景需要的是前者
• 目前 AI Agent 可做的：文書自動化、訪視間 23 小時的資料追蹤、異常閾值升級、基層排程與訪視路徑最佳化。目前還做不到的：獨立臨床診斷、替代護理師的現場生理評估、解決健保費率問題

四個放在一起才讀得懂的數字

2024 年 7 月 1 日，健保署的「在宅急症照護試辦計畫」正式上路。挹注 3.5 億元，預估 5,400 人受惠。半年後，總統親自出席計畫啟動儀式，宣示整合公私部門力量。一切看起來是台灣醫療體系難得的好消息——直到你打開另外幾個數字。

• 護理師執業率：2025 年，全台領有護理師執照者 30.9 萬人，實際執業僅 19.3 萬人。執業率 62.36%，是近五年新低。（公視新聞網）
• 離職率：2023 年護理師離職率 12.61%、空缺率 9.05%，雙雙創下近十年新高。新進護理師約三分之一在三個月內離職。（報導者）
• 健保財務：健保 2025 年總額預算 9,286 億元，成長 5.5%，是歷年最高成長金額。但每年財務缺口仍約 700 億，因為支出年成長 5%、保費收入成長只有 1–2%。（遠見雜誌）
• 人口結構：2025 年台灣正式邁入超高齡社會，65 歲以上人口超過 20%。長者中 88.7% 至少罹患一種慢性病，51.3% 同時有三種以上。（國民健康署）

把這四個數字並排，結論很明確：政策的方向是對的，但執行政策的人，快要不夠了。

「在宅急症照護」的設計很具體——讓肺炎、尿路感染、軟組織感染的失能長者留在家中接受治療，醫師三天內訪視一次，護理師每天訪視一次（健保署）。但「每天訪視一次」這六個字，背後需要的是一個我們已經沒有的勞動力。截至 2024 年底，這個計畫只收案了 1,300 人，距離原本預估的 5,400 人，連四分之一都不到。

問題不是政策設計，是執行政策的醫療人員已被結構性疲勞推到臨界點。當第一線護理師月薪中位數只有 41,000 元（比薪水）、平均執業年齡來到 39.5 歲、新進護理師三分之一三個月內離職——你不能再要求他們「多做一點」。

「補人」與「漲費」為什麼在數學上都行不通

每次討論醫療人力，預設解方都是「培訓更多人」或「提高薪水」。但兩者在當前的政治與人口結構下，都填不上這個缺口。

衛福部預估 2030 年台灣需要增加 5.5 萬名護理人力（衛福部）。以目前每年新進執業約 7,500 人、扣掉同期間離職人數的淨增加幅度來計算，靠培訓速度追不上需求成長速度。

健保費呢？健保 30 年來只調漲過 3 次，平均間隔 4–5 年。現任衛福部長已明確表示「健保費 2 年凍漲」。即便未來調漲，也只是讓缺口縮小，不是根本扭轉。

也就是說：人力不會大幅增加、預算不會大幅成長、需求卻會大幅暴增。 糖尿病患者超過 230 萬人（健保署）；18 歲以上高血壓盛行率 25.06%，每 4 個人就有 1 個（立法院）。

這是台灣醫療最深層的結構性矛盾。解法不在資源端，而在效率端：讓現有的醫療人員，每個人能服務更多病人。這只能靠把可標準化的中間工作流自動化。

國際借鏡：日本與美國的在宅醫療科技實踐

在宅醫療並非台灣獨創。借鏡其他高齡化國家的經驗，有助於看清科技介入的切入點：

日本：從「在宅支援診療所」到區域整合照護網

日本早在 2000 年實施介護保險法，並於 2006 年設立「在宅療養支援診療所」制度。日本面對與台灣高度相似的「照護人力短缺」難題，其解法核心在於將基層診所、訪問看護站與地方藥局串連成區域照護網絡（Community-based Integrated Care System）。

在科技應用上，日本基層醫療團隊大量導入遠距監測系統與非同步通訊平台，讓訪問護士在個案家中測得的生理數據即時同步給主治醫師與在宅藥劑師。然而，日本的痛點同樣在於「非結構化資料的整理耗費過多護理時間」——這正是 AI Agent 技術能提供結構化轉譯的關鍵突破口。

美國：CMS Hospital-at-Home 計畫的自動化分流機制

美國聯邦醫療保險（CMS）在疫情期間大幅推動 Acute Hospital Care at Home 計畫，允許醫療機構將符合條件的中重症病患轉移至居家照護。美國模式的一大特點是高度依賴「虛擬指揮中心（Virtual Command Center）」進行 24 小時連續監控。

在美國的實踐中，醫療 AI 的角色並非單純聊天，而是建立自動化警示與分級回報機制：透過穿戴裝置與智慧感測器收集數據，由演算法過濾 80% 以上的日常生理波動雜訊，僅將真正的惡化徵兆（如敗血症早期徵候群、呼吸頻率異常升高）推播給線上護理師，大幅降低醫護人員的警報疲勞（Alarm Fatigue）。

為什麼台灣醫療 AI 對話被「Chatbot」框架卡住了

過去三年，走進任何一家醫院的數位轉型會議，你幾乎必然聽到同一個問題：「我們要不要做一個衛教 Chatbot？」

這個問題問錯了，而且錯了三年。

Chatbot 是被動的。病人問，AI 答。對失能長者、慢性病患、在宅醫療的病人，這個模式幾乎沒有意義。他們不會主動問問題，他們需要的是有人持續追蹤、有人主動發現異常、有人在醫護人員到場前就把資料整理好。

這就是 AI Agent 與 Chatbot 的根本差別：

國際上，Agent 已經是 2025–2026 醫療 AI 的主敘事。微軟 Copilot for Healthcare、Hippocratic AI、Abridge——這些拿到大額融資的公司，沒有一家在做 Chatbot。他們都在做「替醫護人員執行可標準化工作流」的 Agent。

回頭看台灣，絕大多數的「醫療 AI」案子，還停留在「智慧客服」「衛教問答」這種 2022 年的框架。這不是技術落後，是產業對問題的定義跑偏了。當你的政策目標是「在宅醫療每天訪視一次」，你需要的不是一個能回答病人問題的機器人，而是一個能在訪視之間的 23 小時裡持續代理醫護工作流的系統。

在宅急症三大適應症：AI Agent 能解開的三個具體結

健保署在宅急症照護試辦計畫鎖定三大適應症：肺炎、尿路感染、軟組織感染。這三種急性病症在居家環境下的照護痛點，恰好對應到 AI Agent 能夠具體落地的三個工作流節點。

結 1：訪視間 23 小時的「生理數據黑洞」與異常警示

在宅急症病患留在家中施打抗生素與點滴治療，護理師每天訪視一次約 40–60 分鐘。但在訪視結束後的 23 小時內，家屬面對的是點滴是否順暢、體溫是否再度上升、患者意識是否改變的巨大不確定性。

傳統電話追蹤依賴護理師手動撥打，但護理師在奔波於不同個案家中的交通途中，根本無法逐一電話查訪。

AI Agent 的工作流設計：

訪視結束 → 系統排程自動化追蹤
  │
  ├─ 肺炎個案：定時提醒家屬回傳血氧飽和度（SpO2）與呼吸次數
  ├─ 尿路感染個案：每日固定時間詢問排尿量、顏色與體溫變化
  ├─ 軟組織感染個案：引導家屬對患部進行標準化拍照（距離、光源引導）
  │
  ├─ AI Agent 即時解析回傳資料：
  │   ├─ 正常區間 → 自動歸檔至訪視日誌，供下次訪視護理師快速瀏覽
  │   ├─ 輕微偏離 → 發送照護引導（如多喝水、更換冰敷袋）並縮短下次追蹤間隔
  │   └─ 跨越預設安全閾值（如 SpO2 < 92%、患部紅腫面積擴大 20%）→ 啟動多級升級
  │
  └─ 多級升級機制（Escalation Matrix）：
      ├─ Level 1：發送急件推播至在宅個管護理師工作台
      ├─ Level 2（15 分鐘無人應答）：自動撥打語音通話通知主責值班醫師
      └─ Level 3（疑似急性敗血徵候）：生成緊急評估摘要，建議啟動 119 後送綠色通道

結 2：基層醫療團隊的「訪視路徑與排程最佳化」

在宅醫療的隱形成本在於交通與時間碎片化。一位在宅醫師或護理師，一天工作 8 小時中，往往有 2.5–3.5 小時耗費在開車、找車位與跨區移動上。

當個案分散在不同行政區，加上每位病患換藥時間、抗生素施打間隔（如 q8h 或 q12h）與家屬在場時間各異，排程本身就是極度複雜的約束最佳化問題（Constraint Optimization）。

AI Agent 能調用地理資訊系統與病患臨床優先級別：

• 依據病況危急度、換藥時間點與即時交通路況，自動生成每日最佳巡訪路徑
• 遇突發緊急訪視需求時，動態重組當日剩餘行程，計算對其他常規訪視的最小衝擊
• 預先估算每站耗時與交通時間，降低醫護人員的奔波疲累與空耗

結 3：文書作業吃掉一半工時與健保申報自動化

在宅急症照護需要填寫繁瑣的評估表單、訪視記錄、藥物使用清單與健保申報碼。一位醫護人員的時間分配大致是：面對病人 30%、交通移動 30%、寫報告與申報 40%。

Agent 將這段流程自動化：

• 護理師在訪視過程中使用語音或簡短勾選記錄要點
• AI Agent 自動生成結構化的「在宅訪視護理記錄」與「急性病程摘要草稿」
• 自動對照健保在宅急症支付標準代碼（如在宅急症處置費、訪視費、點滴注射費）進行合規性初審
• 醫護人員只需在系統產出的草稿上進行判讀、調整與最終數位簽核，將文書耗時從每案 25 分鐘降至 5 分鐘以內

責任邊界：醫療 AI 出錯了怎麼辦？

醫療場景中，責任設計是所有技術架構的前提。當系統涉及生命健康，任何「黑盒子」式的決策都是不可接受的。

療心智能在架構設計上確立了四項不可妥協的原則：

1. 信心分層（Confidence Tiering）：AI 對每次影像辨識、數據分析或建議生成計算信心分數。高信心（>90%）進入常規摘要、中信心（70–90%）強制進入醫護審核標記清單、低信心（<70%）直接退回並提示「數據不足，需人工確認」，絕不允許模型產生幻覺盲猜。
2. 不可竄改的稽核軌跡（Audit Trail）：系統記錄每一次 AI 推理的完整上下文——包括調用了哪些資料庫、引用的臨床指引版本、各 Agent 之間的資訊傳遞鏈、以及人類醫療人員最終修改的字句與時間戳記。
3. 人類最終簽核權（Human-in-the-loop）：所有發送給病患的衛教指導、進入電子病歷的訪視記錄、以及申報至健保署的資料，必須由具備中華民國執照的醫師或護理師進行最終數位簽署。AI 永遠定位為「高階助理（Co-pilot）」，而非獨立執業主體。
4. 失效安全預設（Fail-Safe Default）：當網路中斷、感測器數據異常缺失或模型遇到無法判定的語義時，系統一律回退至安全預設模式——提示「請直接聯繫主責醫療團隊專線」，而非嘗試輸出未經驗證的安撫性文字。

在法律層面，這套設計完全呼應《醫師法》第 11 條「醫師親自診察原則」、《護理人員法》以及衛福部通訊診察治療辦法的規範要求。

現在能做什麼，現在還做不到什麼

理性推動醫療轉型，必須清楚劃定技術的當前邊界。過度神化 AI 會導致臨床失望與安全風險；而過度貶低 AI 則會錯失緩解醫療體系崩潰的契機。

目前 AI Agent 已經能夠穩定交付的：

• 訪視間非同步追蹤：24 小時被動接收與結構化病患回傳資料，異常自動觸發分級警示
• 醫療文書草稿生成：將零散的訪視筆記自動轉譯為符合臨床規範的 SOAP 格式病歷與申報摘要
• 多維度用藥與飲食衛教客製：依據個案的多重慢性病背景（如糖尿病合併 CKD），即時生成無衝突的日常照護建議
• 排程與資源最佳化：自動計算在宅巡訪的最優路線與時間配置，減少基層醫護交通損耗
• 衛教與關懷推播自動化：在特定用藥時間或關鍵節點發送客製化提醒，提高病患依從性

目前 AI Agent 絕對做不到（且不該承諾）的：

• 獨立確立臨床診斷與開立處方：AI 無法取代醫師的綜合臨床鑑別診斷與法律責任承擔
• 現場侵入性技術操作與身體理學檢查：抽血、導尿管更換、鼻胃管置放、聽診、壓痛反跳痛評估等必須由合格護理師與醫師親自執行
• 面對急性重症轉折時的直覺判斷：複雜共病長者出現非典型症狀（如無發燒的敗血症）時，資深臨床人員的現場直覺與經驗無法被演算法完全複製
• 同理心與人性化情感支持：在宅醫療的核心價值在於陪伴與尊嚴，長者與家屬在面對衰老與疾病時的焦慮，需要有溫度的醫護關懷，而非冷冰冰的演算法回應
• 扭轉健保總額的結構性赤字：AI 可以提高每一點健保給付的產能利用率，但無法替代政策制定者解決費率調整與人口老化的根本財務數學題

結語：給基層醫療一個撐下去的槓桿

回到最初的提問：台灣準備好用 AI Agent 接住下一個十年了嗎？

政策制定者已經勾勒出在宅醫療的宏大願景，但第一線的基層診所、居家護理所與社區醫院，正在人力與文書的夾縫中艱難支撐。如果我們繼續要求護理師用手工填寫表單、用個人通訊軟體回覆零散訊息、在下班後繼續登打健保申報，在宅醫療的收案數字就永遠無法突破瓶頸。

AI Agent 不是要取代任何一位醫護人員，而是要成為他們手中的數位槓桿——拿走重複枯燥的文書作業，接住訪視空檔的照護黑洞，讓每一位臨床專業人員能把寶貴的時間，重新還給病人與自己的生活。

當制度、專業與工具真正結合，台灣的在宅醫療國策，才有可能在超高齡社會的巨浪中，穩穩落地。

想深入了解醫療 AI Agent 的核心技術與在地化架構？歡迎閱讀我們的技術專題：醫療 AI Agent 記憶機制（上）：在地化優先與合規挑戰。