在真實的臨床環境中，醫療決策鮮少是線性的，它隨著情境、數據與限制條件不斷演進，而且相互牽連，醫師是在高壓的狀態下做出有風險決策，過程中容不下任何盲點或偏差。

然而，EHR架構是為了健保申報紀錄而生，被輸入的資料多是思考後的決策結果，而不是那些也很重要、卻難以拆解又不透明的決策思考過程。

醫療AI如果只是透過分析與預測結果型資料來解決這些決策風險問題，則是徹底忽略了臨床實務另個核心本質是推論。

​如果只是給出答案，卻無法解釋背後複雜交錯的臨床推論邏輯，就無法真正取得信任，更遑論整合進現實的臨床工作流程。

這就是醫守的大顯身手之處，也是我們定義自己為醫療AI的標準：臨床決策推論。

我們打造的不是另一個被動的警示系統，更不是黑盒子模型；而是一種截然不同的醫療AI類別，專為重構、建模與分析臨床決策本身而設計。

結合32億筆真實病歷資料與醫學知識圖譜，我們的推論引擎將複雜的臨床決策拆解成詳細且可分析的元素，運用三大核心能力傳遞價值以滿足臨床需求：

為什麼這三個臨床決策深度推論的能力很重要？

因為在醫療領域，信任建立在這些根基之上，身為其中的一份子，也必須符合同一套標準，才能勝任支援的角色定位發揮力量。

AI時代下的臨床決策支援系統價值，不再是「準不準？」

而是：「我們是否真正理解每個決策建議是如何形成的？」

​​研究結果顯示，在僅採用軟性介面設計、且不含任何硬性干預機制的狀態下，DxPrime好完診改善了臨床工作上游流程的診斷決策與病歷記錄，這些改善更進一步轉化成可量化的下游效益：全院病例組合指標 ( CMI ) 提升3.4%，更準確地反映病人狀況實際的嚴重程度。
​
本研究亦發現，即使在資訊密集、充滿各種功能按鈕的EHR介面中，醫師仍會注意並回應DxPrime按鈕的變化，且在實際開啟DxPrime之後，也會進一步採納其建議，顯示DxPrime是一套在進行診斷決策過程中具實用性的協助型工具，能在日常臨床實務中獲得醫師的信任與採用，而非傳統以警示為導向且容易被忽略的提醒型工具。

​在所有手術錯誤的類型中，最常發生的是手術部位錯誤，包括在錯誤的身體部位(site)或是錯誤的一側(side，如左側或右側)施行手術，而且非常容易造成患者嚴重的永久性心理或身體傷害，甚至死亡。根據美國最具代表性的醫療照護標準制定與認證機構- The Joint Commission 所發佈的病安警訊事件統計，2023年1,411件通報案件中，有112件手術錯誤，比2022年的89件增加了26％、手術部位錯誤佔其中62％。
 

亦有研究指出，最常發生手術部位錯誤的科別為骨科、神經外科和泌尿科；最常見的手術錯誤類型包括脊椎和椎間盤手術、關節鏡手術和肌肉/肌腱手術。對病人造成的傷害包括須承受額外手術、疼痛惡化、失能及死亡等；只有60%的案例能夠達成和解。
 

造成手術部位錯誤的主要原因包括：

• 未遵循政策/流程
• 未閱讀病歷記錄
• 手術的選擇/管理
• 病歷記錄不一致
• 已知的併發症或技術問題
• 醫護人員之間的溝通

 

不過有時候，病歷紀錄的不一致，不一定代表紀錄錯誤。有些通用型未指定身體部位的診斷名稱，或是名稱上有指定身體部位但未指定左右側的診斷，如果可以用來解釋特定手術的合理性，那麽就算診斷與手術名稱紀錄不一致，實際上仍然是正確的病歷紀錄，例如未指定部位或左右側的糖尿病診斷與開放性右側小腿中位截肢手術。
 

為了進一步瞭解此問題，我們初步回朔了美國聯邦醫療保險CMS 2020年的 893萬份住院病歷，根據診斷和手術紀錄是否涉及相同或不同的身體部位，以及手術和診斷紀錄是否指定在右側、左側或兩側都有加以分類，特別針對其中在部位與左右側紀錄不一致的類別深入分析，共歸類出1 ,064 件有右側手術並且有左側診斷紀錄的病歷、1,106件有右側診斷並且有左側手術紀錄，由醫師逐一檢視病歷紀錄，並根據以下標準評估紀錄不一致的病歷，實際上是否具有臨床合理性，或確實是紀錄錯誤：

1. 所有診斷均不足以證明需要執行該手術
2. 診斷和手術的人體構造區域不相同、不鄰近或不相關
3. 人體構造區域相似，但左右側相反

 
 
結果發現，在右手術左診斷的病歷中，儘管診斷與手術紀錄不一致，但在臨床意義上確實合理的案件佔49％，其餘的51％則確實為紀錄錯誤。而在右診斷左手術的病歷中，確實合理的案件佔45％，其餘的55％確實為紀錄錯誤。
 
 
這樣的結果不免令人擔心，究竟是單純文件紀錄上的錯誤，或是真的已經發生在病人身上？！衛福部統計2023年全臺灣手術約達232萬人次，也就是每 13.6 秒就有一個手術執行，這麼高的頻率提醒我們需要用更好的方法才能有效防止手術錯誤。
 
 
WHO世界衛生組織在2024年全球病安報告中提到，目前全世界僅有38％國家，針對這類可預防且高毀滅性的嚴重醫療錯誤(又稱為Never Event：不可接受或不該發生的醫療事件)建立通報管理系統機制，仍有許多錯誤問題被低估忽視。
 
​
除了事後回朔檢討，我們更應該思考如何運用新科技即時預防難解的手術錯誤，在醫生實際動刀前做好層層把關，甚至在更早之前有相關診斷陸續出來時就即時主動預測分析，提醒醫生適當的手術項目並協助做好病歷紀錄，以及後續手術執行計畫。若能突破傳統法則式(Rule-based)系統僅做到簡單的字面上比對，進一步在字意模糊的狀態下，或甚至診斷項目不是很完整、名稱中未明確說明部位(site)或是左右哪一側(side)，也能正確根據其他證據分析臨床合理性，判斷該手術是否為手術部位錯誤或/及手術側錯誤，將會是醫療ＡＩ的一大進展。

|  Reference  |

1. Sentinel Event Data 2023 Annual Review, The Joint Commission, 2024
2. Study Analyzes Wrong-Site Surgery Data in Medical Malpractice Complaints
3. A contemporary analysis of closed claims related to wrong-site surgery
4. Inpatient Surgery, National Center for Health Statistics, CDC
5. Trauma of major surgery: A global problem that is not going away
6. 臺灣112年醫事機構服務量統計年報
7. Global Patient Safety Report 2024, World Health Organization​

今年HIMSS主題Health that connects, Tech that cares，強調的不是層層堆疊的技術，而是以病人為中心，重視人本、品質、互通的醫療實務、資訊、技術、政策的連結。
 
然而，一邊是外向求變的科技廠商，殷切熱烈地大秀肌肉，各種ChatGPT、生成式AI主題區掛滿待沽鮮肉；一邊是內斂求穩的醫療業者，以保守謹慎的腳步不斷重複鑽研著各種可能的衝擊與因應措施。
 
兩邊接下來會在新數位醫療時代產生什麼交集？
 

新數位時代下的醫療編碼與支付
 
美國因應新冠肺炎，將數位醫療的支付範圍擴大，包括遠距醫療、遠距生理監測(Remote Physiologic Monitoring, RPM)、遠距治療監測(Remote Therapeutic Monitoring, RTM)、遠距評估、醫療AI等。
 
而聯邦醫療保險計畫Medicare也將實施新的醫師費用支付原則(Physician Fee Schedule; PFS)，連帶影響了Traditional Merit-based Incentive Payment System (MIPS) program、new MIPS Values Pathway (MVPs) framework、Alternative Payment Models (APMs) 、Accountable Care Organizations (ACOs) 等鼓勵醫療品質與績效評估的政策修正。
 
當數位、遠距與品質成了產業發展重點，不難想像醫療照護在不久的將來，可能會像一鍵取得多元電商服務的新 uber eat所創造的零工經濟(Gig Economy)一樣，On-demand access to in-demand health services(隨時取得熱門健康服務)將成為新需求商機，相應的編碼與支付制度也將更彈性多元。
 
 
營收與病歷品質連動，解危首重分析與輔助紀錄
 
疫後美國醫院營收週期變長、核刪增加，加上新的保險規範，及自費與保險比例改變，許多醫院面臨財務困難，除了從人力縮編控管成本之外，也必須積極善用AI與分析工具改善病歷品質、醫療人力不足與過勞問題，確保臨床與財務的成效，包括住院週轉率、CMI、CC/MCC申報率、申覆率、工作效率、照護延續性等，並建議行政、醫師助理、專科醫師與臨床主管也應分擔CDI職責，從各項分析中找到遺漏的資訊數據。
 
傳統的電腦輔助醫師紀錄系統(Computer-Assisted Physician Documentation, CAPD)早已無法滿足臨床需求，只有真正做到有用的主動提示(Physician nudges)與輔助紀錄，才能改善病歷疏漏問題，例如系統在檢驗資料裡發現血紅素或鐵異常、或在散落的日誌紀錄中發現曾提到腦病變，除了能主動提醒醫師之外，還要幫助醫生判斷並且快速紀錄確實的診斷。
 
儘管主要系統商如EPIC、3M、Optum皆已提供此功能，但多數建構在法則邏輯上，並未深入應用AI，醫院在使用上仍須想辦法從眾多系統架構限制中，自行建立規則與分析數據，最常見的如兒童醫院即迫切需要自動且客製化的nudge應用。
 
 
兼顧醫療品質與經濟效益平衡
 
UNC Health和Mayo Clinic的講者也提出，他們的機構內分別約有35,000~40,000及130,000個聯網的醫療設備，姑且不論資安議題，這些聯網的醫療設備，背後的醫療數據意義如何與病歷連結，也有待發揮應用。也唯有藉由分析與輔助病歷紀錄的工具，才能促進巨量的醫療資訊標準化和溝通協調，幫助醫療人員掌握重要訊息。
 
實施已久的遠距醫療政策，終於因為新冠肺炎有了大刀闊斧的改革蛻變，剛要開始復甦的醫療產業，必須用自己的步調適應新數位醫療時代，談NLP、ChatGPT在臨床大量實踐似乎都還太早。比起一昧追求新科技，醫院更在乎如何用新方法讓各種世代的科技真正落地應用在解決新舊問題上，實現醫療品質與經濟效益的平衡。

|  Reference  |

1. Telehealth trends in 2023: Virtual-first, health equity and more
2. HIMSS23: Mitigating Risk for Healthcare in an Increasingly Connected Environment
3. The 2023 Quality Payment Program Final Rule is Here - Learn What Changes are Ahead for MIPS Reporting
4. THE FUTURE OF WORK: REDEFINING THE ROLE OF PHYSICIANS IN THE GIG ECONOMY
5. ​41 hospitals, health systems cutting jobs

當醫生面對從來沒有接觸過的患者，要瞭解其整體的健康狀態，像是曾經生過什麼病、做過哪些治療、治療反應如何、復原狀態如何、這次生病跟過去的疾病有沒有關係、患者本身已有的共存疾病等風險因子會不會影響治療成效等，都需要藉由過去的病歷資訊綜合評估。前提是這些病歷資訊的「完整」，但誰能讓內容完整？又對誰有利？這些行政作業真的只是為了保險申報？
 
醫守從內部資料庫比較台灣與美國的健保住院病歷記錄狀況，在兩千萬筆資料中發現：在住院案件平均診斷數量上，台灣為3.5個、美國則為16個。在高風險住院比率方面，台灣發生高血鉀的比率為0.5%、美國則為7.1%；而發生低血鉀的比率，台灣為1.2%、美國則為11.5%。在共病及併發症比率方面，台灣發生高滲壓及高血鈉比率為0.1%、美國則為3.7%；而發生低滲壓及低血鈉的比率，台灣為1.1%、美國則為9.9%(詳見下圖)。在這三項重要指標範例中，台灣的數據皆低於美國，甚至低於盛行率，難道是台灣人體質優異，所以生的病都不嚴重？！

​
​我們進一步釐清後發現，台灣人只是在帳面上看起來比較健康，而造成此現象的主要原因，則在於台灣與美國健保支付制度設計上的差異。

美國的All Patient Refined Disease Related Group(APR-DRG) 制度特別重視疾病嚴重度、死亡風險。再加上近幾年知名媒體「美國新聞與世界報導(U.S. News & World Report）」所發布的「最佳醫院排名」大受歡迎，各家醫院也越來越重視其評比項目，如風險因子與治療成效類別的共病指標Elixhauser’s Comorbidity Measure (台灣常用共病指標則為Charlson Comorbidity Index; CCI)、出院後30天死亡率、30天再入院率等。這些因素皆大幅提高了美國醫院紀錄完整診斷的誘因。相較之下，台灣在這方面的誘因比較少，也因此影響了紀錄鉅細靡遺的程度。

診斷記錄完整與否，不但影響病安品質、保險給付、照護延續性、醫院收入，也影響了國家整體健康狀態與疾病分布的真實呈現程度，牽動著後續臨床研究發展、健保預算分配與相關健康政策成效。
 
然而實務上，想要完整記錄病歷並不是一件容易的事，尤其是在台灣，共病指標幾乎不被重視，往往拖到流程的最後段，或因為醫院評鑑又快到了，才想辦法事後補齊。

​在疾病與資訊科技越來越複雜的未來，如何在第一時間有效完成病歷內容，從源頭促進診斷記錄與資訊溝通即時正確，減少醫師、病歷改善小組和疾病分類師事後來回修改確認，提高病歷資訊溝通品質與整體作業效率，將是不容忽視的關鍵需求。

|  References  |

1. Rate of Correction of Hypernatremia and Health Outcomes in Critically Ill Patients
2. Prevalence of hyponatremia among older inpatients in a general hospital
3. Severe hyperkalemia requiring hospitalization: predictors of mortality
4. ​Hypokalemia: a clinical update

每年世界衛生組織 ( WHO ) 都會為9月17日病人安全日訂定不同宣導主題，重點皆在強調任何人都不該在醫療過程中受到傷害，今年再次談起用藥安全。
 
WHO曾公布，在美國平均每天至少有一人死於用藥錯誤、每年約有130萬人遭受用藥錯誤所帶來的傷害。造成用藥錯誤的原因眾多，其中一種是因為藥名的型音相似 ( look-alike, sound-alike; LASA ) 所引起，指得是藥品的標籤或包裝設計，及藥名的讀音、拼音相近所造成的用藥錯誤（LASA Error），如圖1的思覺失調用藥Risperidone與帕金森氏症用藥Ropinirole。
 
據美國用藥安全協會 ( Institute for Safe Medication Practices, ISMP ) 統計，LASA Error約佔所有用藥錯誤的11%。若以單一大型醫學中心來看其發生率，相當於每院區每天開出的處方總量中有兩次的LASA Error，而這兩次可能帶來一連串嚴重問題！
 
ISMP也為此制定了Tallman Letter藥品命名方法，試圖區隔這些容易讓人混淆的藥名，例如將前述的Risperidone與Ropinirole，改成risperiDONE 與 rOPINIRole，藉由將關鍵差異改成大寫，以強調兩者區別。然而目前並未有研究顯示此作法能夠有效降低LASA Error。
 
所幸實務上仍有兩個經研究證明有效的方法，一是以適應症為主的處方開立要求 ( Indication-based Prescribing )、二是AI大數據法。
 
以適應症為主的處方開立要求，主要由凱薩醫療機構 ( Kaiser Permanente ) 推動，他們要求醫師在開立處方前，須先確定病人的症狀，因此每筆處方都有其相對應的診斷。此方法能有效避免適應症相差過大的LASA用藥 ( 如前述­適用於精神疾病的思覺失調及適用於神經退化的帕金森氏症之不同用藥 )，但對於適應症相近的用藥，如鎮靜劑Alprazolam與Lorazepam，或是適應性難以規範的抗生素，則無法發揮作用。
 
而其缺點則是消耗醫師過多時間，不僅造成每一次輸入處方的時間增加，每個病人的看診時間也倍增。
 
另個AI大數據法則由醫守創辦人李友專教授提出。此方法已在某醫學中心試行兩年，證實能有效捕捉LASA Error，並能區隔類似用途但具有臨床差異的錯誤用藥，且僅增加醫師2%的時間。實際推廣上，醫師對於此系統的使用接受率已達50％以上，而進一步接受系統提示而修改處方的比率，則是未使用者的百倍以上。
 
LASA Error不僅會發生在處方開立階段，也會發生在藥劑調配及護理給藥階段。全球藥物市場中估計至少數百萬種藥品，而各國用藥文化、產品命名與設計方式皆有差異，在疾病與用藥越來越複雜的趨勢下，我們需要更有效率的方法解決用藥錯誤。以美國而言，僅管FDA 與ISMP 已與多個相關機構合作，希望在藥品上市批准前、後階段介入，監管藥品命名、標籤、包裝和設計等，希望藉此改善這類因人為設計不良的可預防型錯誤，但LASA Error已是超出傳統法則式的方法可以處理的問題，而這還只是眾多用藥錯誤中的一種。醫守正在持續改善獨有的用藥安全模型，在臨床實務上不僅能改善用藥錯誤，更能優化電腦輔助決策流程，幫助醫師在第一時間就開出適切的診斷與用藥。

你的智慧型手機裡是不是也安裝了各種不同App，用來滿足不同使用需求？或甚至類似功能的App同時安裝了兩個以上難以取捨？哪天稍有覺得不合用就直接移除，再從琳瑯滿目的App Store裡隨意挑選其他APP來替用？

你的App開發商是不是也在致力同時滿足不同系統的使用者，如Apple iOS、Android，讓使用者在換手機時，所有App資料都能順利跟著轉換，不會因為在不同手機系統間轉換就掉資料，或甚至再也無法使用該App服務而流失客戶。

這是現代人再熟悉不過的日常，也是App經濟的商業模式。除了手機應用程式之外，還有另個最常被一起並論、隸屬B2B的奇蹟成功案例：Salesforce與其AppExchange。研究指出，2026年Salesforce全球生態系整體營收上看1.56兆美金、並且將創造930萬個新工作機會，其所帶來的經濟效應甚至被稱為：The Salesforce Economy。

反觀同樣B2B模式，醫院所使用的電子病歷系統與各種新興的第三方醫療應用程式，能不能像這樣滿足所有醫護從業人員，有彈性地運用各種APP工具滿足業務執行所需、進而發展出醫療資訊生態系？

美國SMART Health IT 平台就是為了這樣的理想而生，希望解決醫療資訊系統之間數據規格、資料標準與流程、認證授權、使用介面等種種不相容、無法串接的問題。SMART代表Substitutable Medical Apps, Reusable Technology，希望發展具有可替代、可重複使用的醫療科技，以開放與共同的標準，幫助各種醫療資訊應用程式與多家大型電子病歷系統相互介接溝通，試圖營造互聯生態系。藉此讓開發商都能降低開發成本，刺激更多業者投入、發展獨特的產品功能，創造良性競爭，而使用者也能以合理價格獲得多元又可相互替代的選擇，以產生醫療APP經濟。

不同於由大型電子病歷業者所建立的App Store，SMART是由波士頓兒童醫院與哈佛醫學院等非營利機構共同打造。目前所有平台上的App都被應用於在臨床照護，包括波士頓兒童醫院和杜克醫學院，醫守的兩項新產品RxPrime、DxPrime也是SMART的一員。

只不過現實總是讓人心碎，立意良善的大平台實際執行之後，才發現每踏一步都是百般艱難、血淚斑斑，但我們還在路上堅持，與其他有同樣目標的人相互扶持。

電子病歷系統當初因應醫療保險申報而客製開發，客製的好處是符合特殊需求，壞處則是缺乏彈性，更麻煩的是還不能說改就改、說換就換，使用者甚至開始抱怨根本就是被綁架。隨時代改變與諸多限制下，傳統電子病歷系統的壞處與牽制，已遠遠超過其所帶來的好處。
​
過去因為資安問題，讓醫療資訊發展從綁手綁腳到斷手斷腳。「通往地獄的路，是用善意鋪出來的 ( The road to hell is paved with good intentions ) 」，海耶克、亞當史密斯等自由主義大師主張，在自由競爭的市場裡，會自然形成一種激勵，讓我們為了獲得更大的利益而提供更有價值的服務或商品，也就是因為利己之心而做出利他之行，而政府或管理當局的職責，在於以法規制度維持自由市場的運作，並且應盡可能避免權力過度擴張、干預市場自由。

​新冠肺炎加速全球醫療數位轉型，讓我們看見原本以為的不可能，源自於自我受限。台灣電子病歷上雲法規日前終於正式定案， 我們都殷切期盼與時俱進的制度能帶來重大改革，接下來才有發展生態系的可能，最終才能真正受惠於患者身上。

健保於2010年開始實施診斷關係群制度(Diagnosis Related Group, DRG)，在此之前，數萬條的疾病分類編碼單純用來記錄疾病；在DRG實施之後，疾病分類碼與健保費用直接相關，開始依病例嚴重程度計算健保支付標準，取代過去依服務計酬的制度，成為醫院經營管理的關鍵，因而衍生出使用電腦輔助編碼的需求，像是DRG編審軟體、病例組合指標管理，或是應用於臨床路徑最佳化管理。

這類系統工具多為半自動化，仍須仰賴編碼人員花費許多精力與時間解讀一本又一本病歷、來回查找疾病分類碼。數萬個與主診斷相關的疾病碼與手術碼，以及上千個合併症或併發症(Comorbidity and Complication, CC)項目，在不同排列組合下，代表著不同的病歷複雜程度。然而人工判讀一直以來最大的缺點，就是編碼品質受經驗、習慣、時間與人力等眾多因素影響，不容易精確管控。越複雜或記錄越不完整的病歷，越可能被同時解讀出有或沒有CC兩種截然不同的結果，影響的保險金額差距可能高達數萬元。

市面上已有些AI能夠自動分析臨床數據所代表的意義，據此推薦疾病分類碼，例如執行DRG編審作業時，可以推薦主診斷與CC 。其中，推薦CC的方法，主要運用過去診斷與常用CC為基礎，再用幾個條件加以篩選。較為進階者，則是以文字探勘或自然語言處理技術，分析病歷中非結構化的文字(Free Text)。

對比歐美常用的方法，則是將臨床診斷指引數位化，根據重要的生理參數推薦疾病編碼，如腎臟醫學會的急性腎衰竭診斷指引，是依據不同時間的血清肌酸酐狀態，推薦相關的疾病診斷碼。此方法雖然客觀，但仍有所侷限，因為指引中通常只收錄最常發生，或是會影響醫療成本的疾病，造成實務應用相當有限。

TW-DRG已經演進到第四版，接下來所有住院病例必須全部採用DRG計價，同時健保給付原則也將同步併重住院與門診的診斷正確性，並且將慢性病與先天疾病納入病例複雜度與給付評估。種種改變將使編碼人員工作增加3-5倍，對管理與資訊科技的負擔亦將更加沈重，讓原本就已吃緊的人力面臨潰堤。

醫守的「DxCode好彙編」編碼推薦系統，幫助醫院為TW-DRG 4.0上線做好準備。其強大的演算能力，即使遇到病歷中有遺漏的診斷，甚至是內容未填寫完全的狀況下，也能充分發揮應用。

不同於市面常見分析Free Text等非結構化資料的做法，DxCode採全面性綜合分析用藥、檢驗檢查、處置﹐與手術項目等結構型資料，因此能夠更加精確分析病歷複雜度，推薦適當的編碼項目，具體改善編碼品質，更有助入院及住院中編審，協助編碼人員在有限時間下正確解讀繁瑣病歷細節，並在編碼上精確反應病歷複雜程度的要求，幫助改善醫院保險帳務品質。

醫療AI新創公司醫守科技很榮幸宣佈，新產品RxPrime即日起可在全球最大醫療軟體市集EPIC App Orchard平台直接下載。RxPrime是全球第一套以AI預防住院用藥之「型音相似（look-alike、sound-alike）錯誤」的系統，供平台內3,000家醫院用戶快速導入使用。

2019年甫正式成立的醫守科技，不因近兩年新冠病毒肆虐而打亂拓展美國市場的腳步，持續針對門診到住院的不同使用需求積極佈局。2020 年以支援門診用藥決策的MedGuard 成功上架EPIC App Orchard，當時創下兩岸三地第一個、也是唯一一個與國際級電子病歷系統整合的醫療新創。時隔一年，再推出應用於住院用藥決策的RxPrime，讓用藥安全解決方案更彈性多元。

目前所有商業用藥安全系統僅能針對一般藥品的「禁忌症(Contraindication)」、或高危險藥品的「非適應症(non-indication)」提供警示，其做法主要依據藥品仿單上的使用指示，建立與診斷之間的數千個邏輯判斷法則。隨著科技進步不斷產生新藥、新適應症及仿單標示外使用(off-Label Use)，面對日益複雜的「藥名型音相似」問題，必須發展出百萬條以上的邏輯法則才有可能準確處理。醫守長期鑽研用藥與診斷的關係，運用32億筆國際病歷資料，以機器學習發展出RxPrime的獨家演算法，不僅可有效捕捉型音相似用藥錯誤，還能直接反餽相關診斷和用藥建議。

此外，相較於門診，住院患者病情通常較為複雜，醫師必須隨病情變化經常調整用藥，甚至涵蓋跨科別治療，因而需要更好的監控管理工具。RxPrime像是一個用藥管理小桌面，能在EPIC住院系統上以側邊欄形式同步運作，可以即時動態分析患者住院期間所有用藥，轉換成一目瞭然的結構型資訊呈現。

在醫師開出住院藥囑的當下，即可針對無法解釋的用藥、可能遺漏的用藥，甚至是具有交互作用的用藥問題，提供以大數據為導向的改善建議，並可直接在其控制面板上「一鍵勾選」修改有問題的藥囑，幫助醫師快速掌握與管理複雜的住院用藥安全。

App Orchard醫療軟體市集隸屬於電子病歷系統龍頭廠商EPIC，市集平台運作概念類似手機應用程式市集——使用iOS或Android等不同作業系統，有著不同的軟體設計架構與整合規範，在各自的軟體市集上架，供系統用戶下載使用。

「EPIC App Orchard技術整合門檻相當高，除了要求所有研發必須在美國境內進行，還必須符合一系列嚴謹的國際醫療資訊交換標準（如FHIR: Fast Healthcare Interoperability Resources、CDS Hooks、SMART on FHIR），並且必須遵守國際編碼標準（如SNOMED、RXNORM、LOINC）。這些技術在台灣幾乎沒有實作機會，能夠正式獲准上架，證明了醫守的技術整合能力，以及對於美國醫療資訊系統的掌握度。」醫守執行長龍安靖表示。

美國是全世界最大醫療資訊市場，2021年市值達686億美金 ，預估2026年將成長到1,451億美金。而EPIC在全美市佔率將近40％，醫守與EPIC的多元整合，不僅增加在美國市場的品牌能見度，更有助快速規模化擴散。2022年，醫守科技將加快產品與市場適配（product-market fit）修正，亦將陸續推出新產品，滿足更多臨床決策支援需求。

一般公司都會依產、銷、人、發、財五大功能部門定期召開管理追蹤會議，在醫守還有個其他公司不常見的會議，叫做「臨床會議」。
 
臨床會議通常發生在醫院裡，主要討論臨床治療案例，與會者多為第一線醫療照護團隊。像我們這樣的醫療資訊公司，怎麼會開這種會？
 
另外一個我們產業特有的場景，多數人可能都曾置身其中，只是從來沒有發現：那些和你一樣在診間外等待的人群當中，不見得每個都是患者或陪同家屬，其中可能有一、兩個是廠商，他們也在等醫生，只不過不是為了給醫生看病，而是要看剛做好的產品。
 

我會的，不等於你要的
 
醫守在2019從台北醫學大學正式獨立出來以前，就已經在醫療大數據與人工智慧領域裡探索疾病與用藥的關聯長達十年的時間，習慣了學術研究追求真理的本位思考，若繼續以這樣的思維開發產品，容易過於技術導向，盲目地追求如何開發出會飛天鑽地的產品，忽略了需求導向的重要性，以致於學術研究的價值無法有效轉換成臨床與商業應用價值。
 
面對市場時，過於技術思維的廠商往往期待使用者或客戶可以直接說出想要什麼，最好是連規格都開出來，總認為一旦有了規格，在技術上都做得到！如果技術上真的都做得到，為何產品還是賣不出去？

 
離開巴黎，就能描寫巴黎（from海明威）
 
醫守臨床會議，是由我們團隊中本身也兼具使用者身分的醫師、藥師成員來主導。會議上，我們從各種臨床案例出發，從中解構可能的需求，再從需求中找問題、從問題回頭看我們的產品，試著跳脫習以為常的「從技術找問題」，這樣才有機會看見自己一廂情願式的產品開發盲點。
 
當產品發展到一個程度，就必須從市場上找到早期客戶，進而逐步朝向更好的Product-Market Fit。早期客戶是早期產品的使用者，願意付費、願意分享使用故事，更重要的是，願意指出產品究竟哪裡難用，幫助我們探索更具體、更核心的需求，加速產品改版修正。
 
身為醫療資訊開發者，我們必須一再提醒自己擁抱使用者的需求，而不是擁抱自己的技術與產品，必須做好隨時推翻自己、隨時被批到體無完膚的準備，因為醫療的本質是保守謹慎的，當我們企圖大膽創新時，就是在挑戰本質；同時醫療也充滿不確定性，真正的核心問題與需求恐怕也不是這麼容易定義！

隨著市場佈局越大，競爭者愈來愈多，我們在探索市場與使用者的同時，也在探索自己，越來越清楚自己和別人有何不同。醫守正在經歷階段性蛻變，過程很痛苦，但期待蛻變後的新容貌，和看見客戶因爲有了醫守而變得哪裡不同。
 
經營管理最簡單的部分就是「用講的」，我們已經做完最輕鬆的部分，接下來要面對的都是硬仗。