當全球醫療產業競相投入人工智慧（AI）浪潮之際，新加坡近期發布的一份醫療AI報告，卻提出一個值得各國深思的現象：AI進入醫院最大的障礙，並非演算法不夠強大，也不是算力不足，而是來自人員、制度與組織文化等「人性因素」。

由新加坡醫療與科技領域專家共同完成的《AI For Health: Converting Momentum Into Muscle》報告指出，目前AI工具已廣泛進入醫院與基層醫療體系，包括風險預測模型、智慧客服、排班系統及生成式AI輔助工具等。然而，許多技術雖然在展示階段表現亮眼，真正進入第一線臨床環境後，卻未必能發揮預期效果。

這份報告點出一個全球醫療AI產業普遍面臨的現實問題：技術成熟不等於成功落地。

許多AI系統由資訊團隊或研究單位開發，但實際使用者卻是醫師、護理師、藥師、醫務社工及行政人員。當系統設計未充分考慮現場工作流程時，反而可能增加額外負擔，造成使用意願下降。尤其醫療工作涉及病患生命安全，第一線人員對新技術保持謹慎態度並非阻力，而是必要的專業責任。

報告進一步指出，目前許多醫護人員對AI抱持高度興趣，但缺乏標準化培訓、實務指引及風險管理機制，使得部分醫院出現「少數先行者積極使用、多數人觀望」的情況。這種現象並非新加坡獨有，而是全球醫療體系推動數位轉型時共同面對的課題。

不過，新加坡也已展現部分成功案例。

在兀蘭醫療園區導入的AI語音轉錄系統，已協助醫務社工減少超過四成的文書處理時間，使更多人力能投入病患服務。國家醫療保健集團的智慧排班系統，則大幅縮短護理排班作業時間，並改善人力管理效率。透過WhatsApp平台運作的HealthBot，也開始分擔部分例行健康諮詢工作，降低客服中心負荷。

這些案例有一個共同特徵：不是為了導入AI而導入AI，而是先找到明確痛點，再以AI作為解決工具。換句話說，成功的關鍵不在於技術有多先進，而在於是否真正解決醫護人員與病患的問題。

新加坡衛生部兼社會政策統籌部長Ong Ye Kung也強調，新加坡追求的並非開發最多AI模型，而是建立一個能夠安全、公平且大規模應用AI的醫療環境。

台灣可以從新加坡學到什麼？

從台灣角度來看，新加坡經驗具有高度參考價值。

近年生成式AI快速發展，醫療院所對AI病歷摘要、智慧客服、醫學影像輔助判讀、行政自動化及臨床決策支援系統的興趣大幅提升。然而，許多醫院仍面臨資料格式不一致、系統整合困難、資訊安全規範複雜以及人才不足等問題。

尤其台灣醫療體系長期面臨高工時與人力短缺挑戰，若AI能優先協助處理文書作業、排班管理、病歷整理及行政流程，或許比直接取代醫師診斷更容易產生實際效益。

此外，台灣未來若要推動醫療AI產業發展，除了技術創新外，更需要建立跨院區資料互通標準、風險分級審查機制以及完整的教育訓練制度。

商傳媒觀點

新加坡的案例顯示，醫療AI競賽已逐漸從「誰的模型最強」轉向「誰能真正落地」。

過去幾年，全球AI產業熱衷討論大型語言模型、生成式AI與算力競賽，但醫療產業最終關心的其實很簡單：是否能改善照護品質、減輕醫護負擔、提升病患體驗，以及降低醫療成本。

對台灣而言，健保資料庫、醫療資訊化程度以及半導體產業優勢，都是發展醫療AI的重要基礎。然而，若缺乏跨院整合、法規配套與第一線醫護參與，再先進的AI系統也可能淪為展示成果。

不過，AI導入並不代表所有問題都能迎刃而解。資料隱私、演算法偏誤、責任歸屬、法規監管及病患信任等議題，仍是全球醫療體系必須持續面對的重要挑戰。

當各國積極投入AI醫療發展之際，新加坡所提出的提醒值得借鏡：真正決定AI成敗的，往往不是科技本身，而是人們是否願意相信它、理解它，並讓它成為醫療體系的一部分。未來醫療AI的競爭，不只是技術競賽，更是制度、人才與信任的競爭。