台灣健保署於 2024 年中旬啟動與 Google 的 AI-on-DM（AI on Diabetes Mellitus）計畫，結合臺北醫學大學團隊與國家衛生研究院資源，打造本土糖尿病風險評估模型。 截至 2026 年 3 月，該模型已導入全台約 2 萬間基層診所，單一病例評估時間從 20 分鐘壓縮至 25 秒，2 萬人規模篩檢從原本 40 位專家耗時 3 週，縮短至 AI 輔助的 1 小時 24 分鐘。這項計畫標誌著台灣健保資料首度大規模導入 AI 訓練，對全球慢性病管理政策具有指標意義。
計畫緣起：850 萬三高人口的政策壓力
台灣三高慢性病（高血壓、高血糖、高血脂）人口已超過 850 萬人，其中糖尿病患者約 320 萬人，影響超過 13% 的成年人口。三高相關慢性病每年導致約 6.2 萬人死亡，佔總死亡人數約 30%。這些數字構成了健保制度的長期財務壓力，也催生了總統府「健康台灣推動委員會」於 2024 年 8 月啟動的「三高防治 888 計畫」。
888 計畫的核心目標清晰：以 8 年為期（至 2030 年），將 80% 三高病友納入照護網、讓照護網內 80% 病友接受生活習慣諮詢、最終使 80% 病友的病情獲得控制。行政院長卓榮泰在 2025 年 4 月的院會報告中特別強調，這項計畫的推進需要「從預防醫學角度，協助民眾自我健康管理」。
AI-on-DM 計畫正是 888 架構下最具技術含量的一塊拼圖。
AI-on-DM 技術架構：從 DCSI 到三色風險分級
計畫的技術核心建立在 DCSI（Diabetes Complication Severity Index，糖尿病併發症嚴重程度指數）之上。DCSI 是國際間量化糖尿病患者併發症嚴重程度的標準工具，過去主要用於單一時間點的風險評估，無法預測個別患者的風險變化趨勢。
健保署委託臺北醫學大學團隊，在 DCSI 架構下結合國家衛生研究院（國衛院）的研究量能，利用台灣健保系統自 2004 年 IC 卡時代至 2013 年雲端化以來累積的去識別化聚合數據，建立具本土代表性的風險評估模型。模型訓練過程在 Google Cloud 的 Vertex AI 平台上進行，採用 Google Health 針對醫療保健產業微調的基礎模型 MedLM。
模型產出三種風險分級：綠燈（低風險）、黃燈（中風險）、紅燈（高風險），輔助醫師對糖尿病患者的併發症風險進行及早介入。健保署署長陳亮妤在 2026 年 3 月 4 日「Google 台灣 20 週年 AI 領航智慧健康活動」上強調，這次合作嚴守「資料不離署」與「最小資料使用」原則。
| 技術組件 | 具體內容 |
|---|---|
| 風險指標基礎 | DCSI 糖尿病併發症嚴重程度指數，經四大學會認證 |
| 模型訓練平台 | Google Cloud Vertex AI |
| 基礎模型 | MedLM（醫療產業微調版） |
| 訓練資料 | 健保署去識別化聚合數據（臨床診斷、檢驗、生活型態資料） |
| 輸出結果 | 綠燈低風險／黃燈中風險／紅燈高風險三級分類 |
| 資料安全原則 | 資料不離署、最小資料使用 |
場域驗證：40 家院所、北中南全覆蓋
模型開發完成後，健保署聯合四大專業學會啟動全台場域驗證計畫。這四大學會分別為中華民國糖尿病學會、中華民國糖尿病衛教學會、台灣基層糖尿病學會，以及台灣家庭醫學醫學會。
北、中、南共計 40 家院所參與驗證，包含都會型與偏鄉型診所，搭配 Google 與社團法人數位人道協會的技術支援。驗證過程結合個人醫療紀錄與 DCSI 指數，並利用 AI 生成模型產生個人化衛教資訊，確保不同區域的基層醫療都能公平受益。
效率數據相當驚人：
| 指標 | 導入前 | 導入後 | 提升幅度 |
|---|---|---|---|
| 單一病例風險評估 | 20 分鐘 | 25 秒 | 約 48 倍 |
| 2 萬人規模篩檢 | 40 位專家 × 3 週 | AI 輔助 1 小時 24 分鐘 | 約 480 倍 |
這些數據意味著基層診所醫師在看診時可以即時取得患者的風險分級資訊，而非等待專家團隊的人工評估。對於人力資源高度緊繃的台灣基層醫療體系而言，這是實質的臨床工作流程改善。
健康存摺 App 導入 Gemini 衛教助理
計畫的另一重要面向是面對患者端的應用。從 2026 年 3 月起，健保署在《全民健保行動快易通│健康存摺》App 推出由 Gemini 驅動的衛教助理。在使用者明確授權同意的前提下，衛教助理會針對慢性病患者提供 DCSI 分數解讀與個人化的「衛教師叮嚀」。
衛福部部長石崇良在發表會上的定位相當明確：「希望 AI 不再只是高級的玩具，還可以幫忙疾病的照顧。」他指出，風險分級導入「家醫大平台」後，醫師可以快速掌握病人的照護重點——心血管風險較高，或視網膜風險較高——而非仰賴人工逐一判讀。
在醫護端，系統運用「家醫大平台」協助醫師掌握糖尿病患者的風險與照護優先序。在患者端，健康存摺 App 讓民眾透過手機了解自身健康狀況摘要、風險分級和衛教資料，實踐「賦權於民」的政策目標。
MedGemma：健保署的病理報告分析利器
除了 AI-on-DM 糖尿病風險分級，健保署也已運用 Google 的 MedGemma 模型分析超過 3 萬份病理報告，用於肺癌術前評估的統計分析，協助國家醫療資源配置最佳化。
MedGemma 是 Google 於 2025 年在 Health AI Developer Foundations（HAI-DEF）計畫下發布的開源醫療 AI 模型集合，基於 Gemma 3 架構，具備醫療文字與影像理解能力。2026 年 1 月 13 日更新至 1.5 版本後，MedGemma 1.5 4B 新增了對 CT、MRI 等三維醫學影像的處理能力，並在醫學推理基準測試 MedQA 上達到 69% 準確率（較前一版本提升 5 個百分點），電子健康紀錄問答（EHRQA）準確率更達到 90%（提升 22 個百分點）。
台灣健保署的病理報告分析應用，是 MedGemma 在全球範圍內被政府機構採用的早期案例之一。Google Research 在官方部落格中特別提及此案例，指出健保署利用 MedGemma 從超過 3 萬份病理報告中擷取關鍵數據，進行肺癌術前醫療狀況的統計分析，目標是改善手術切除的決策品質。
Google 在台灣醫療 AI 的佈局全景
AI-on-DM 並非 Google 在台灣醫療領域的首次嘗試。過去數年，Google 已與多家台灣醫療機構建立合作：
| 合作機構 | 應用領域 | 技術基礎 |
|---|---|---|
| 中國醫藥大學附設醫院 | 癌症治療計畫制定 | MedLM |
| 長庚醫院 | 乳癌超音波輔助檢測 | AI 影像辨識 |
| 臺北醫學大學附設醫院 | 臨床工作流自動化 | AI 解決方案 |
| 健保署 | 病理報告分析（3 萬份以上） | MedGemma |
| 台灣大學 & 成功大學 | 癌症診斷與病理分析研究 | Google.org 資助，AI 驅動系統 |
此外，Google.org 也資助了台灣大學與成功大學的研究團隊，開發針對癌症診斷與病理分析的 AI 驅動研究系統，並透過數位孿生技術與精準營養模型，探索個人化健康管理的未來路徑。
Google 台灣總經理林雅芳在活動中表示，Google 深耕台灣 20 年，目前由超過 40 個國家的人才驅動亞太區 AI 研發。醫療 AI 是 Google 台灣下一個 20 年的核心投入方向之一。
偏鄉覆蓋：Google.org 投入 USD 100 萬支持數位人道協會
為確保 AI 醫療福利不侷限於都會區，Google 旗下慈善機構 Google.org 提供 USD 100 萬（約 NTD 32,000,000）給數位人道協會（Digital Humanitarian Association）。這筆資金有三個用途：
- 將糖尿病 AI 風險評估模型整合進數位人道協會的行動應用程式
- 覆蓋全台超過 300 個偏鄉社區據點，直接服務糖尿病患者
- 培訓 200 位數位照護專才，預計創造 24 萬人次健康互動
數位人道協會創辦人潘人豪也出席了 2026 年 3 月 4 日的發表活動。偏鄉醫療資源不足是台灣長期面臨的結構性問題，透過數位工具將 AI 模型帶入社區據點，可以在不增加偏鄉醫護人力負擔的前提下，提供基本的風險篩檢與衛教資訊。
下一步：從糖尿病擴展至高血壓與高血脂
衛福部與 Google 的合作並未止步於糖尿病。石崇良部長明確表示，未來計劃將此 AI 框架擴展至高血壓、高血脂等慢性病防治，逐步覆蓋 850 萬三高人口的照護需求。
這個擴展路徑與 888 計畫的政策時程高度吻合。若糖尿病的場域驗證成果能持續複製到其他慢性病，台灣將成為全球少數以國家級健保資料驅動 AI 慢性病管理的案例。
目前已完成或進行中的技術基礎包括：
| 階段 | 時間 | 成果 |
|---|---|---|
| AI-on-DM 計畫啟動 | 2024 年 6 月 | 健保署與 Google Cloud 宣布合作 |
| DCSI 模型開發 | 2024 年下半年至 2025 年 | 臺北醫學大學團隊完成模型訓練 |
| 場域驗證 | 2025 年至 2026 年初 | 北中南 40 家院所參與 |
| 全台基層導入 | 2026 年 3 月起 | 約 2 萬間診所 |
| 健康存摺 Gemini 衛教助理上線 | 2026 年 3 月 | 民眾端應用啟動 |
| MedGemma 病理報告分析 | 已完成 | 3 萬份以上肺癌術前評估 |
| 擴展至高血壓、高血脂 | 規劃中 | 時程未公布 |
全球視角：為什麼這個案例值得關注
台灣這個案例的獨特性在於三個層面。
第一，資料規模與品質。台灣全民健保自 1995 年實施以來，累積了近 30 年、覆蓋 99.9% 人口的連續性醫療資料。這種全國級、長時間序列的結構化資料在全球極為罕見，為 AI 模型的訓練提供了其他國家難以複製的基礎。
第二，產官學協作模式。從健保署（政策推動）、臺北醫學大學與國衛院（學術與臨床驗證）、Google（技術平台與 AI 模型）、四大學會（專業認證），到數位人道協會（偏鄉覆蓋），整個生態系的角色分工清晰。這種模式若能系統化，對其他國家的慢性病 AI 管理政策具有參考價值。
第三，隱私設計。「資料不離署」與「最小資料使用」原則意味著健保資料不會離開政府伺服器，Google 的 AI 技術是在資料所在地進行訓練與推論。這在全球 AI 醫療合作中是相對嚴格的隱私標準，也回應了外界對政府醫療資料與科技巨頭合作的常見疑慮。
AI-on-DM 跟一般的糖尿病管理 App 有什麼不同？
AI-on-DM 的核心差異在於它直接使用健保署的全國級醫療資料進行模型訓練，而非僅依賴個人自我回報的血糖數據。模型基於 DCSI 指數進行併發症風險預測，且透過四大學會認證，具備臨床實證基礎。一般糖尿病管理 App 多聚焦於血糖記錄與飲食提醒，缺乏風險預測能力。
健康存摺的 Gemini 衛教助理是否會取代醫師的衛教角色？
不會。Gemini 衛教助理的定位是輔助工具，在使用者明確授權後提供 DCSI 分數解讀與基本衛教資訊。它無法進行臨床診斷或治療決策，醫護端仍由醫師透過「家醫大平台」掌握患者風險並提供專業判斷。AI 的價值在於節省評估時間（從 20 分鐘降至 25 秒），讓醫師能將更多時間投入患者溝通。
偏鄉民眾如何使用 AI-on-DM 的服務？
Google.org 投入 USD 100 萬資助數位人道協會，將 AI 模型整合進行動應用程式，覆蓋全台 300 個以上偏鄉社區據點。民眾可透過社區據點的數位照護專才協助使用服務，不需自行操作複雜的技術系統。
MedGemma 與 MedLM 有什麼差別？
MedLM 是 Google Cloud 的閉源醫療 AI 模型，透過 Vertex AI 平台提供 API 服務。MedGemma 則是基於 Gemma 3 的開源模型集合，開發者可自行下載、微調與部署。健保署的 AI-on-DM 計畫在模型訓練階段使用 MedLM 與 Vertex AI 平台，而 MedGemma 則用於病理報告大規模分析。兩者各有適用場景，MedGemma 的開源特性有利於學術研究與客製化開發。
台灣的 AI 醫療模式可以複製到其他國家嗎？
技術層面可以複製，但資料基礎難以直接移植。台灣的核心優勢在於 30 年的全民健保連續資料與 99.9% 的人口覆蓋率，這在全球極為罕見。其他國家若要採用類似模式，需先解決醫療資料碎片化與隱私法規的挑戰。不過，產官學協作框架與「資料不離署」的隱私設計原則具有較高的可移植性。
引用來源
- Google 台灣官方部落格 — Google 深耕台灣 20 年：打造全球首創 AI 健康網
- 行政院 — 三高防治 888 計畫
- Google Research — Next generation medical image interpretation with MedGemma 1.5
- 衛生福利部 — 卓揆：各部會協力推動「三高防治 888 計畫」
作者觀點
Erik (EKC) ｜ Founder @ Tenten.co
AI-on-DM 計畫讓我關注的焦點，並不是技術本身的先進性，而是「資料治理」如何成為 AI 醫療落地的真正瓶頸與護城河。台灣健保 30 年的結構化資料是全球少有的公共資產，而「資料不離署」的設計選擇決定了這套模式的可複製性上限——其他國家即便有相同的 AI 技術，若無法建立國家級的健康資料湖（data lake），模型訓練的起點就完全不同。
我們協助多家企業客戶評估 AI 導入策略時，反覆看到同一個模式：技術選型（用哪個模型、哪個平台）往往不是最難的決策，資料準備與治理才是。健保署這次與 Google 的合作能夠推進到場域驗證階段，很大程度歸功於台灣健保資料從 IC 卡到雲端化的 20 年數位化基礎建設加上與 Google 的強大 Gemini AI 的技術整合。
