最新
療心智能入選 Google for Startups Cloud Program | 療心智能正式加入 NVIDIA Inception 新創計畫 | 療心智能入選 Anthropic Claude Startups 計畫 | 療心智能進入 2026 資訊應用服務創新創業新秀選拔決選 | DietMate 臨床營養 AI 平台開放診所試用 | Taiwan Health MCP v0.1.0 更新上線,支援 FHIR R4 資源與台灣 FDA 藥品查詢 → | 
聯絡我們
✓ 連結已複製

從開放協定到臨床可信賴:MCP 與 FHIR R4 如何重塑代謝疾病的臨床 AI 工程

AI 醫療能被信賴嗎?本文以 FDA 非設備型 CDS 準則、MCP 與 FHIR R4 開放標準,以及 Anthropic 於 2026 年 11 月開源的 FlashProve 推論驗證技術,探討臨床 AI 如何從「推論」走向「可驗證、可追溯」的決策鏈。內含代謝症候群臨床數據。

BY 療心智能團隊 2026.11.05 · 11 分鐘閱讀
Key Takeaways
  • 台灣成人代謝症候群流行率約 34.2%(50 歲以上)至 35.72%(40 歲以上,2020–2022 全國性研究),離院後 364 天的生活數據是長期照護的關鍵盲區。
  • 糖尿病預防計畫(DPP)顯示,強化生活型態干預可將 2 型糖尿病發生率降低 58%(95% CI 48–66%),遠優於二甲雙胍(31%)。
  • FDA 2026 年臨床決策支援軟體(CDS)最終指引維持「非設備型 CDS」四項標準,其中第四項要求臨床醫師能獨立檢視推論依據,不可主要依賴軟體建議作診斷或治療決定。
  • Anthropic 於 2026 年 11 月開源 FlashProve,以零知識簡潔引數(zkSNARK)驗證 AI 推論來自指定模型,但仍屬研究原型,尚未部署於商業臨床系統。
  • 療心智能採「確定性臨床規則優先、LLM 輔助判斷」的 AI Harness 設計,所有對患者的建議必須經醫療專業人員審核,不宣稱診斷或治療效果。

離院後那 364 天:代謝症候群照護的數據盲區

某家基層診所的營養師每週面對 20 到 40 位代謝症候群與糖尿病回診患者。患者說「我有控制飲食」,交出來的可能是一張手寫紙、幾張食物照片,或是口頭記憶。營養師要從片段資訊重建一週的飲食樣貌,再計算碳水化合物與熱量缺口,往往花上十幾分鐘才能進入真正的諮詢——這對基層診所的人力與患者的就診體驗都是成本。

這不是個案。根據一項使用台灣 2020–2022 年成人預防性健康服務資料庫(n = 241,156)的全國性橫斷研究,40 歲以上成人的代謝症候群(MetS)流行率達 35.72%;50 歲以上族群約有 34.2% 受影響1。代謝症候群與第 2 型糖尿病、心血管疾病、非酒精性脂肪肝(MASLD)風險顯著相關,而這些疾病的照護大部分發生在醫院之外。

更具體的數字來自美國糖尿病預防計畫(DPP)隨機對照試驗:在平均 2.8 年追蹤中,強化生活型態干預(7% 體重減輕目標、每週 150 分鐘運動)將高風險族群發展為 2 型糖尿病的發生率降低 58%(95% CI 48–66%),顯著優於二甲雙胍的 31%23。這意味著飲食與運動干預確實有效,但前提是能持續追蹤、連續介入——而這正是離院後 364 天最缺乏的部分。

生活型態干預讓糖尿病發生率降低 58%

DPP 試驗:2 型糖尿病發生率(每 100 人-年),平均追蹤 2.8 年

安慰劑11.0
二甲雙胍7.8−31%
生活型態干預4.8−58%
降幅為相對安慰劑組。資料來源:DPP Research Group, NEJM 2002;Lancet 2009 十年追蹤。

要補上這段空白,得把院內檢驗數據(血糖、血脂、肝功能)和離院後的飲食、連續血糖(CGM)、穿戴裝置與用藥依從性串成一條縱向健康軌跡。但數據能串起來,不代表臨床決策就能被信賴。

為什麼「AI 醫療」的信任危機,比技術缺口更嚴重?

2026 年 11 月 2 日,Anthropic 開源了 FlashProve,一個以零知識簡潔引數(zkSNARK)驗證 AI 推論輸出來自指定模型的研究原型4。背後的動機很直接:當你把問題丟給雲端 API,無法確認回答真的是由你指定的模型生成。伺服器可能被入侵,模型可能被偷偷替換成更便宜的版本,推論結果看起來依然像個稱職的回答,臨床層面的錯誤卻可能不易察覺。

在醫療場景,這個問題不是抽象的資安討論。如果一個臨床決策支援工具建議調整藥物劑量或提示營養風險,醫師與患者需要知道:這個建議真的來自經過驗證的模型嗎?推論過程有沒有被篡改?目前大多數 AI 醫療應用無法給出可稽查的證明,這構成了臨床採納的最大障礙之一。

FlashProve 的展示用的不是 Claude,而是公開權重的 Llama 4 Maverick(4-bit,MoE 架構)。數據顯示,單一 H100 上 prover 每秒處理約 110 個 token,證明所需的 GPU 時間約是一般 vLLM 推論的 70 到 95 倍;一個 1,024 token 的請求產生約 19 MB 證明檔,驗證在 24 顆 CPU 執行緒上約需 17 秒;離線承諾步驟每模型約 39 分鐘,可覆蓋約 1,600 萬個請求5。這些數字證明「推論可驗證」在技術上已逐漸可行,但限制也很明確:上下文上限 1,024 token、只支援整數推論與貪婪解碼,和實際上線模型的浮點運算與取樣方式不同;Lean 形式化證明不涵蓋實際運行的高速驗證程式;GitHub 專案標示為不再維護的研究產出,Anthropic 也沒有說何時或是否會導入 Claude API6。在臨床 AI 裡,這意味著「可驗證推論」是一個值得追蹤的技術方向,而非可以立刻寫進產品承諾的功能。

開放標準是第一層防線:MCP 與 FHIR R4

在談論「推論誰生的」之前,臨床 AI 首先要解決「資料從哪來」的問題。台灣醫療資料高度分散:同一位病人的血壓記錄,在不同 HIS 廠商系統裡可能用不同欄位名稱、資料型別與單位;跨院轉診仍高度依賴紙本或掃描 PDF7。沒有標準化的資料輸入,AI 的推論就缺乏可重複的基礎,更別談可驗證。

目前有兩條開放標準路徑可走:

  • FHIR R4(Fast Healthcare Interoperability Resources):HL7 發布的第一個規範性版本,以 RESTful API 與 JSON 傳遞資料,將醫療數據拆解為 Patient、Condition、MedicationRequest、Observation 等標準資源,並透過 Extension 支援台灣健保 ID、院所代碼、中文藥品名稱等在地需求。衛福部國衛院與健保署均有 FHIR R4 推動嘗試,但院所端實作仍高度分散8。
  • MCP(Model Context Protocol):Anthropic 2024 年底推出的開放協定,以 JSON-RPC 2.0 規範 AI 與外部工具的溝通格式,讓 AI 模型能動態查詢 Server 提供哪些工具、如何呼叫、參數長什麼樣。

開放標準不是為了炫技,而是為了讓臨床 AI 的輸入與輸出都能被第三方稽核。如果一條營養建議的來源能追溯到特定的 FHIR Observation 資源與 ICD-10 診斷碼,臨床醫師才有驗證的依據;如果 AI 模型本身也能出示推論證明(如 FlashProve 所探索的方向),信任鏈才算完整。

FDA Non-Device CDS:「確定性臨床規則優先、LLM 輔助判斷」

美國食品藥物管理局(FDA)於 2026 年 1 月更新《臨床決策支援軟體》(Clinical Decision Support Software)最終指引,釐清非設備型 CDS(Non-Device CDS)的四項標準:軟體不處理醫學影像或體外診斷信號;用於顯示、分析或列印病患醫療資訊;支援或提供建議給醫療專業人員;且能讓醫師獨立檢視建議依據,不意圖讓醫師主要依賴該建議作診斷或治療決定9。

2026 年指引的新增執行裁量權政策允許在「只有一項臨床適當方案」的情況下給出單一輸出,但前提是所有非設備型 CDS 條件皆滿足,且建議必須建立在「被廣泛理解與接受的來源」上,例如臨床指引與同儕評審文獻。FDA 同時強調,資訊呈現必須可用且避免資訊過載,優先呈現與決策最相關的內容10。

換句話說,確定性的臨床規則先行、LLM 只做輔助判斷,再讓醫療專業人員看得到依據並做最後決定——這種「人在迴路」(human-in-the-loop)的架構,既是 FDA CDS 準則的實踐,也是降低臨床 AI 風險的務實方式。

可驗證推論如何落地到臨床工作流?

如果要把 FlashProve 這類技術搬進臨床場景,完整的技術鏈大約是這樣:

  1. 臨床數據層:FHIR R4 格式的檢驗結果、診斷碼、藥物資料,透過 MCP 標準工具被 AI 存取。
  2. 推論層:AI 模型根據臨床規則與指引,產生營養或照護建議草稿。
  3. 驗證層:推論結果隨附一份加密證明,證明輸出確實來自指定模型版本,且未被伺服器端篡改。
  4. 審核層:臨床醫師或營養師在工作台檢視建議及其依據,可一鍵通過、調整或拒絕,並留下審核軌跡。
  5. 回饋層:審核結果寫回縱向健康軌跡,作為後續模型評估與真實世界證據(RWE)的資料。

這個鏈條中的每一環都有邊界:步驟 3 的驗證技術目前仍是研究階段,不能當作產品已上線的承諾;步驟 4 的人工審核則是不可省略的安全閘。

下一個十年:臨床 AI 的可驗證路線圖

展望未來,臨床 AI 的可信賴不會來自單一技術,而是開放標準、監管框架與驗證技術的組合:

信任鏈由下往上堆疊,最上層還在研究階段

臨床 AI 的可驗證路線圖

驗證層推論是誰生的
FlashProve 等推論驗證研究原型
若能從研究階段走向生產環境,將為臨床 AI 增加可稽查的證明鏈。
監管層界線在哪
FDA 與台灣主管機關持續澄清
對 AI 臨床決策支援的持續澄清,為開發者與醫療機構提供更清晰的合規邊界。
協定層AI 怎麼取用
MCP 等開放工具協定已可導入
降低 AI 與臨床系統整合的重複建設成本。
數據層資料從哪來
FHIR R4 與台灣在地 Profile已可導入
讓跨院資料交換從 PDF 掃描移向結構化 API。
虛線框:技術本身仍是研究原型,標籤指的是各項技術的發展階段。

療心智能怎麼把這條路線落到產品裡

離院後 364 天的生活型態黑箱,正是療心智能想填補的空間,DietMate 是我們的第一個切入點。患者透過 LINE 傳送每餐食物照片,AI 輔助辨識菜色、估算營養素,紀錄進入營養師的審核工作台;營養師調整數值、加上個人化建議後,患者在 LINE 收到確認。患者不用另外安裝 App,年長者也用得來11。對代謝症候群與糖尿病患者,這樣的連續紀錄讓營養師能比對某一週的高碳水飲食和當週血糖,不必只靠回診當天的口頭回憶,照護也從「點狀切片」走向「連續軌跡」。

這條流程裡,AI 只做初步分析,判斷留給人。DietMate 與 CareMate 都採用「確定性臨床規則優先、LLM 輔助判斷」的 AI Harness 設計,所有對患者顯示的建議都要由營養師或醫師在工作台審核後才發出;AI 不做診斷、不開處方,也不宣稱治療效果12。紀錄工具本身不是治療,飲食建議必須由具備臨床資格的專業人員發出。

Taiwan Health MCP 則是開發 DietMate 時的副產物。為了讓 AI 讀懂台灣的醫療資料,我們把 ICD-10 診斷碼、食藥署藥品與食品營養資料、LOINC 檢驗碼,以及 FHIR R4 與台灣核心實作指引(TW Core IG)的驗證工具整合起來,目前共 70 個工具,並通過衛福部主辦的 2026 台灣聯測松。我們認為這類基礎建設應該是公開的,所以採用 MIT 授權開源13。

至於 FlashProve 這類推論驗證技術,我們會持續追蹤;在它成熟之前,臨床上仍以「規則優先+人工審核」為主,不以未驗證的技術取代醫師判斷。


延伸閱讀

想了解更多療心智能的技術與臨床工作流,可以參考:


聲明:本文僅供健康教育與技術參考,不構成醫療診斷、治療建議或產品效能保證。臨床決策請諮詢合格醫療專業人員。文中產品功能描述以實際上線版本為準。


  1. JMIR Public Health and Surveillance, “Clustering of Lifestyle Behaviors and Their Association With Risk of Metabolic Syndrome Among Adults in Taiwan: Nationwide Cross-Sectional Study”, 2025. 數據來源:台灣 2020–2022 成人預防性健康服務資料庫與全民健康保險索償資料,n = 241,156。 (https://publichealth.jmir.org/2025/1/e73114,檢索於 2026-11-05) ↩︎

  2. Diabetes Prevention Program Research Group. “Reduction in the Incidence of Type 2 Diabetes with Lifestyle Intervention or Metformin”. New England Journal of Medicine, 2002; 346:393-403. (https://www.nejm.org/doi/full/10.1056/NEJMoa012512,檢索於 2026-11-05) ↩︎

  3. The Lancet. “10-year follow-up of diabetes incidence and weight loss in the Diabetes Prevention Program Outcomes Study”. 2009. 顯示生活型態介入的效益可維持至少 10 年。(https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(09)61457-4/abstract,檢索於 2026-11-05) ↩︎

  4. Anthropic. “Progress on provable inference for large language models (FlashProve)”. 2026-11-02. 研究原型,Apache 2.0 授權,GitHub: github.com/anthropics/FlashProve。(https://www.anthropic.com/research/provable-inference,檢索於 2026-11-05) ↩︎

  5. Help Net Security, “Anthropic open-sources FlashProve, its provable inference prototype for MoE models”, 2026-11-04. (https://www.helpnetsecurity.com/2026/11/04/anthropic-flashprove-provable-inference/,檢索於 2026-11-09) ↩︎

  6. Anthropic FlashProve 技術報告, 2026-11-02。形式化驗證以 Lean 4 證明協定的完備性、可靠性與零知識性,不涵蓋 C++ 高速驗證程式;GitHub 專案標示為「research artifact: not maintained」。(https://www.anthropic.com/document/flashprove-technical-report;https://github.com/anthropics/FlashProve,檢索於 2026-11-09) ↩︎

  7. 參見療心智能技術文章〈開源揭幕(二)|FHIR R4 在台灣醫療的實際落地:從數據孤島到跨院互通〉。 ↩︎

  8. HL7 FHIR R4 規格 (https://hl7.org/fhir/R4/);衛生福利部〈臺灣核心實作指引(TW Core IG)〉,以 FHIR 4.0.1 為基礎 (https://twcore.mohw.gov.tw/ig/twcore/,檢索於 2026-11-09) ↩︎

  9. U.S. FDA. “Clinical Decision Support Software — Guidance for Industry and Food and Drug Administration Staff”, Jan 2026 (最終指引,取代 2022 版)。(https://www.fda.gov/media/109618/download,檢索於 2026-11-05) ↩︎

  10. Arnold & Porter, “FDA “Cuts Red Tape” on Clinical Decision Support Software and Wearable Products for General Wellness”, 2026-01。(https://www.arnoldporter.com/en/perspectives/advisories/2026/01/fda-cuts-red-tape-on-clinical-decision-support-software,檢索於 2026-11-05) ↩︎

  11. 療心智能產品文件,DietMate LINE 食物記錄與營養師工作台。功能以實際上線版本為準。 ↩︎

  12. 療心智能產品文件,DietMate 臨床工作流描述。 ↩︎

  13. Taiwan Health MCP 開源專案文件。(https://github.com/healthymind-tech/taiwan-health-mcp) ↩︎

療
ABOUT THE AUTHOR
療心智能團隊

醫療 AI 實作團隊

我們關心的不是 AI 能不能看懂病歷,而是患者離開醫院後那 99% 的時間有沒有人接住。這裡的文章來自我們開發 DietMate、CareMate 與 Taiwan Health MCP 的第一手經驗,技術、產業與倫理都談。

討論區 (0 則留言)

加載評論中...