台灣每年超過 1.3 萬名中風病人面臨吞嚥障礙，可能導致致命的吸入性肺炎，但傳統醫療體系人力不足；奇美醫院與思科合作推出 DELISH 平台，運用生成式 AI 在 15 秒內完成營養師 40 分鐘的工作，背後是思科千萬規模的地端 AI 運算基礎設施。
從病歷摘要到救命菜單｜台南啟動的千億復健革命，生成式 AI 解決 1.3 萬中風病人的致命難題
台灣每年有超過 1.3 萬名中風病人面臨一個致命但可能被低估的問題 ：他們連吃飯都可能嗆到、演變成吸入性肺炎，但傳統醫療體系沒有足夠人力處理。奇美醫院用生成式 AI 在 15 秒內完成營養師 40 分鐘的工作，背後是思科投入的千萬規模邊緣運算基礎設施，預示著未來 20 年復健醫學也將準備進入精準個人化時代的重要訊號。
2025 年 11 月 24 日，台南奇美醫院與思科 (Cisco) 舉辦「智慧醫療 AI 戰略合作啟動儀式」，如果只是掃過新聞標題，可能會以為這又是一場科技公司與醫院的聯名公關活動，但如果仔細看發表的「DELISH 食樂支援平台」，會發現這個專案直指一個長期被醫療體系忽視、卻影響數萬人生死的臨床痛點：中風後的吞嚥障礙 (Post-Stroke Dysphagia)。
這個平台試圖整合病歷、影像、生理訊號等多模態資料，用 AI 在 15 到 20 秒內生成病人一週的個人化飲食菜單和居家復健指引；相較之下，傳統流程需要營養師、語言治療師花費 40 分鐘以上進行評估、衛教與計畫撰寫。奇美醫院院長林宏榮在記者會上宣稱，這套系統讓「家屬理解度提升五成」、「病人遵從度提高至少三成」、「每月節省超過 700 小時人力」。我們這些在第一線工作的復健科醫師不禁追問：這些成效是如何測量的？背後的技術架構到底是什麼？對台灣智慧醫療產業的未來意味著什麼？
被低估的殺手：中風後吞嚥障礙有多嚴重？
台灣每年約有 3 萬名新發中風病例，這個數字在過去十年相對穩定，35 歲以上人口的發生率約千分之 3，腦血管疾病長年位居國人十大死因前五名，平均每 44 到 47 分鐘就有 1 人死於腦中風；但死亡並不是唯一的結局，更多人存活下來、卻面臨各種後遺症，根據台灣腦中風登錄資料庫的數據，中風一個月後失能比例達 61.2%，半年後仍有 51.72%，台灣目前有超過 26 萬人面臨吞嚥困難、肢體無力、認知障礙等困難。
根據 Meta-Analysis 數據，中風後吞嚥障礙的整體盛行率約 46.6%，如果使用儀器檢測 ，如透視螢光吞嚥檢查 (Videofluoroscopic Swallowing Study，VFSS) 或纖維內視鏡吞嚥檢查 (Flexible Endoscopic Evaluation Of Swallowing，FEES)，盛行率更高達 64% 到 78%。在亞洲族群中，總盛行率約為 36.3% 到 40.1%；以台灣每年 3 萬名新發中風病人計算，超過 1.3 萬人可能在急性期面臨不同程度的吞嚥困難。
吞嚥障礙為什麼重要？因為它會引發連鎖反應，食物或液體誤入氣管，可能造成吸入性肺炎 (Aspiration Pneumonia)。研究顯示，有吞嚥障礙的中風病人，肺炎風險增加 3.17 倍；若已發生吸入 (Aspiration)，風險更飆升至 11.56 倍。更麻煩的是，許多病人有「沈默式吸入」(Silent Aspiration) ，意即食物跑進氣管卻不會咳嗽，讓照顧者和醫療人員難以察覺，臨床評估可能漏診 8% 到 27% 的沈默式吸入病人。
除了肺炎，吞嚥困難也導致營養不良 (Malnutrition) 和脫水 (Dehydration)，影響免疫功能、傷口癒合，延長住院天數，並大幅增加再入院風險；在台灣健保資料庫 (NHIRD) 的研究中，超過 25% 的急性腦出血 (Intracerebral Hemorrhage，ICH) 病人被診斷為吞嚥困難，而使用鼻胃管 (Nasogastric Tube，NG Tube) 的嚴重吞嚥障礙病人，肺炎住院風險增加了 3 倍。肺炎是台灣的主要死因之一，住院成本龐大，絕大部分由全民健保負擔，所以這不只是臨床問題，同時也是經濟問題。
傳統照護流程的三大痛點：為什麼我們需要 AI？
現行的中風病人營養照護流程，是一個高度依賴專業人力、跨科協作的複雜系統，從實際的臨床流程可以看出來這個領域頗爲需要 AI 的協助。第一個痛點是人力嚴重不足，如果按照標準流程走，醫療團隊需在病人入院 24 到 48 小時內進行初步吞嚥障礙的篩檢，若異常則轉介語言治療師進行完整評估；問題是，台灣一家醫院平均僅 2–5 位語言治療師，每位病人能接受治療的頻率約一週 1 到 3 次，語言治療師進行一次完整的初次評估需要 60 到 120 分鐘、臨床評估也需要 20 到 60 分鐘。一位語言治療師每天如果要評估 5 到 8 位新病人、每位需要一小時，還要追蹤既有病人的進度、寫報告、跟家屬衛教、參加跨團隊會議，這個工作量可能會讓治療師處於永遠做不完工作的狀態，而且台灣的語言治療師人力短缺問題一直沒有根本解決，每年培養的新人遠遠不及需求增長的速度。
第二個痛點是評估工具的限制，目前吞嚥評估的黃金標準是透視螢光吞嚥檢查 (VFSS)，但它需要放射線暴露、病人移動到放射科、特殊設備與人員，無法頻繁追蹤；另一種方式是纖維內視鏡吞嚥檢查 (FEES)，雖無放射線且可床邊執行，但無法觀察口腔期及食道期，且吞嚥瞬間有「白幕現象」(White-Out)，視野會短暫消失。況且這些檢查都是快照式的，只能告訴我們檢查當下的狀況，但吞嚥功能是動態變化的，早上可能還好，下午累了就容易嗆到，變異性讓單次檢查的參考價值打了折扣。
第三個痛點是個人化飲食計畫的複雜度，制定一份適合吞嚥障礙病人的飲食計畫，需要考量多重變項：吞嚥功能分級（根據國際吞嚥障礙飲食標準 International Dysphagia Diet Standardisation Initiative，IDDSI）、營養需求（熱量、蛋白質、水分）、共病症管理（糖尿病、高血壓、腎臟病）、個人因素（飲食偏好、認知功能、經濟狀況、照顧者能力）等，這些參數之間存在複雜的交互作用，且病人狀況持續變化，需要持續調整。IDDSI 將食物質地分為 0 到 7 級共八個連續等級，從稀薄液體到原型食物，3 級是液態食物 (Liquidised)，能透過叉子縫隙滴落、無顆粒；4 級是糊狀食物 (Pureed)，在湯匙上保持形狀，能整團滑落，無需咀嚼；5 級是細碎濕軟食 (Minced & Moist)，顆粒小於 4 毫米（成人），軟到可以用舌頭壓碎。營養師需要在這個框架下，平衡安全性（避免吸入）和營養密度（維持體力）之間的權衡。
一份初次完整營養諮詢需要 20 到 60 分鐘，而一個完整的個人化飲食方案往往需要數週至 12 週的追蹤調整；問題是，營養師的時間同樣有限，一天能深度諮詢的病人數量也就 5 到 8 位。這也是 DELISH 平台試圖解決的問題：在人力有限、評估困難、計畫複雜的情況下，如何用 AI 加速並優化整個流程？
DELISH 平台：奇美醫院的野心與現實
DELISH 是「Digital Health，Evaluation，and Lifestyle Medicine Integration to Empower Stroke Survivor Health Promotion」的縮寫，根據奇美醫院官方新聞稿和媒體報導，DELISH 平台的核心功能包括：個人化吞嚥風險預測（整合傳統吞嚥篩檢、吞嚥攝影、纖維內視鏡檢查、吞嚥肌群超音波及肌電圖等多模態資料）、飲食菜單調整建議（AI 能在 15 到 20 秒內產出病人一週的個人化飲食菜單）、居家復健指導（提供個人化運動訓練清單）、連續性照護（病人出院後持續追蹤與指引）。這個平台的開發歷程可追溯至 2023 年，當時奇美醫院成立「食樂支援小組」，開始整合 AI 輔助系統，2024 年起在奇美醫院試點運作，2025 年 11 月 24 日則正式與思科舉辦戰略合作啟動儀式。
必須誠實地說，關於平台的技術細節，目前公開資訊相當有限，以下是我們目前無法確認的問題：AI 模型的具體架構是什麼？是否使用大型語言模型？使用哪個基礎模型？微調 (Fine-Tuning) 的資料量和方法是什麼？吞嚥風險預測模型的準確度指標 ：Area Under the Receiver Operating Characteristic Curve、敏感性 (Sensitivity)、特異性 (Specificity) 是多少？與醫院資訊系統 HIS 的整合方式是什麼？資料如何從現有系統流入 AI 模型？輸出如何回寫？驗證方式是什麼？是否有經過 IRB 審查的臨床研究？樣本數多少？追蹤期間多長？奇美醫院官方 PDF 僅提及「初步數據顯示能增加吞嚥困難病人理解力及順從性」，但未公開詳細的測量方式和統計數據，確實我們還需要更多透明的資訊來驗證。
讓我們對比一下國際上已發表的研究：2023 年，奧地利 Graz 醫學大學團隊發表了基於電子病歷系統 (EHR) 的隨機森林模型 (Random Forest Model)，在 1270 例病人的前瞻性研究中達到 AUROC 0.841，這個模型已整合至醫院資訊系統，並衍生出商業化公司。2024 年，首爾國立大學盆唐醫院團隊發表了使用 MobileNet V3 分析餐後語音的深度學習模型，在 198 位參與者中達到敏感性 77.8%。同年，Nature Scientific Reports 發表了使用卷積神經網路 (CNN) 分析日常對話音節的研究，個體層級診斷準確度達 0.900，AUROC 達 0.953。這些國際研究都有正式發表的論文，包含詳細的方法論、驗證數據、限制說明，DELISH 目前缺乏這樣的學術成果，對於要影響臨床決策的 AI 系統，透明的驗證資料是必要的。
思科的賭注：為什麼選擇地端而非雲端？
這次合作中，思科提供的關鍵技術是「Cisco AI Pods」地端 AI 運算方案，Cisco AI Pods 是思科在 2024 年正式推出的企業級 AI 基礎設施解決方案，定位為 Pre-Validated Full-Stack 、開箱即用 (Turnkey) 的 AI 運算平台。這套系統的運算核心是 UCS X9508，是個 7 Rack Unit 的模組化外殼，支援高效能運算節點；相較於傳統機架式伺服器，其無背板 (Midplane-Free) 的設計消除了氣流阻礙、提升散熱效率，對於運行高瓦數 GPU 很重要，該架構整合了 Cisco UCS X440p PCIe 節點，每個節點可容納多達 4 個 NVIDIA H100 Tensor Core GPU 或 A100 GPU，在最高配置下，單個機箱搭配運算節點可支援高達 16 個全尺寸 GPU，也支援最新的 NVIDIA H200 和 HGX B300 (Blackwell Ultra 架構)，甚至 AMD Instinct MI300X 和 MI350X，可從 32 個 GPU 無縫擴展至 128 個以上的 GPU。
NVIDIA H100 Tensor Core GPU 內建的 Transformer Engine 可動態調整精度 (FP8 與 FP16)，在不犧牲模型準確度的情況下，將 LLM 的訓練速度提升至 A100 的 9 倍，讓醫院可以在數天而非數週內完成特定模型的微調；配備 80GB 高頻寬記憶體 (High Bandwidth Memory，HBM3)，提供每秒 3.35 TB 的記憶體頻寬，對於處理 3D 電腦斷層、MRI 或全基因組序列數據集相當重要，因為這些資料及數據往往大到無法塞進傳統 GPU 記憶體。H100 GPU 之間透過第四代 NVLink 互連，提供每 GPU 900 GB/s 的雙向頻寬，對模型並行 (Model Parallelism) 也是個關鍵，也就是將一個巨大的模型（如 Llama 3 70B 或 GPT-4 衍生模型）拆分到多個 GPU 上運行。Multi-Instance GPU，MIG 的功能允許把單個 H100 GPU 分割成多達 7 個獨立的執行體，所以醫院能夠在同一個硬體上同時運行多個較小的工作負載（例如：急診室的檢傷分類機器人、藥局的藥物交互作用檢查、病房的臨床語音助理），實現資源利用率的最大化。AI 訓練工作負載對網路延遲（尤其是 Long-Tail Latency）極爲敏感，因為在 Synchronous Training 中，最慢的節點 (Straggler) 決定了整個迭代的速度，而 AI Pods 採用 Cisco Nexus 9000 系列交換器（如 Nexus 9364E-SG2），支援 400G 和 800G 乙太網路，高頻寬聚合層確保數據在 GPU Cluster 間的流動不會成為瓶頸。
為了與 InfiniBand 競爭，思科在 AI 基礎設施中全面採用 RoCE v2 (RDMA Over Converged Ethernet Version 2)，讓 GPU 記憶體之間直接透過網路進行數據傳輸 (Direct Memory Access，DMA)，完全繞過 CPU 和作業系統核心，把端到端延遲降低至微秒級，還釋放了 CPU 資源拿來用於數據預處理，再配合智慧緩衝管理，能有效防止封包遺失 (Packet Drop)，畢竟在 AI 訓練中，即使是 0.1% 的封包遺失也可能觸發 RoCE 的 Go-Back-N 重傳機制，導致訓練效能雪崩式下降。
Cisco Intersight 充當雲端控制軟體平台，對於管理跨混合環境（例如：總院的研究中心與分散的衛星診所）的 AI Pods 就很重要，Intersight 讓IT 團隊使用 Terraform 把整個 AI Pod 的配置（韌體版本、BIOS 設定、網路策略）定義為程式碼，基礎設施即程式碼 (Infrastructure As Code，IaC) 的方式確保環境的一致性與可重現性，符合美國 FDA 或台灣 TFDA 對於醫療器材軟體 (Software As A Medical Device，SaMD) 的強制性驗證要求。Intersight Kubernetes Service (IKS) 提供一個統包式平台，用於直接在裸機基礎設施上部署容器化的 AI 應用程式（例如 NVIDIA NIM 推論微服務），透過消除虛擬化層 (Hypervisor) 的效能損耗（通常為 5% 到 10%），IKS 確保了醫療 AI 應用的最大效能。
現在來回答關鍵問題：為什麼奇美醫院選擇地端方案而非雲端？
根據報導，核心考量是醫療資安；醫院導入 AI 最棘手的問題是如何兼顧高速運算與資料主權 (Data Sovereignty)，雲端運算雖然強大、彈性且免去維運負擔，但上傳病人資料可能面臨個資疑慮，台灣的《個人資料保護法》和《醫療法》對病歷資料的儲存和傳輸有嚴格規範，特別是特種個人資料（如病歷）的處理更需謹慎。地端方案讓敏感醫療資料全數留在院內，在本地完成 AI 模型訓練與推論 (Inference)，不只符合法規要求，也降低資料外洩的風險，畢竟醫療資料一旦外洩，造成的傷害往往是不可逆的。
從成本角度來看，地端方案的初始投資較高（硬體、設施、人員），但長期運營成本可能較低（特別是對於工作負載穩定的應用場景）。根據產業分析，2 年總擁有成本 (Total Cost Of Ownership，TCO) 雲端約比地端低 200 萬美元，但這個差距會隨著使用量增加而縮小、甚至反轉，對於像奇美這樣的醫學中心，如果每天都有穩定的 AI 運算需求，地端方案的經濟效益可能更好。不過思科在醫療領域的佈局不止奇美，他們的「台灣數位醫療加速計畫」已與 10 家醫療機構合作，包括台大醫院、台北榮總、高雄榮總、中山醫學大學附設醫院等，思科台灣總經理林岳田表示，將以奇美醫院合作經驗為基礎，協助台灣各級醫療院所導入 AI，「從醫學中心到偏鄉診所，實現智慧醫療普及化」。思科不是只賣一套設備給奇美，而是在建立一個可複製的參考架構 (Reference Architecture)，如果 DELISH 平台成功，其他醫院可以快速導入類似的解決方案，平台化的思維是科技巨頭在醫療產業佈局的常見手法。
奇美醫院的 AI 進化史：從預測到生成
要理解 DELISH 平台就需放在奇美醫院整體 AI 發展脈絡中來看，奇美不是突然就跳到生成式 AI，而是經過多年的累積；奇美醫院的 AI 發展大概可分為三個階段，前 AI 時期 (2006 年) 發展以病人為中心的醫療資訊系統，包括病歷彙總系統，是建立數據基礎的時期；AI 1.0 階段 (2019 年起) 成立醫療大數據庫暨人工智慧運算中心，專注在預測型 AI (Predictive AI)，這個階段共上線 32 款醫療 AI 應用，包括肺炎病人再住院率預測、高齡流感病情預測、呼吸器脫離預測、透析低血壓預測等，都是用傳統的機器學習模型，輸入結構化數據、輸出風險分數，成立於 2019 年的 AI 中心處理海量數據（電子病歷、影像）以訓練預測模型，利用電子病歷中的結構化數據，並使用 SHAP (SHapley Additive exPlanations) 值為臨床醫師提供可解釋性，已開發超過 20 個已臨床落地的預測模型；AI 2.0 階段 (2023 年起) 聚焦生成式 AI (Generative AI)，與 Microsoft Azure OpenAI Service 整合，發展「HIS Copilot 系列」，包括 A+ 醫師（病歷除錯、文法更正、縮寫說明、摘要）、A+ 護理師（護理紀錄每日摘要、轉出摘要）、A+ 藥師（用藥安全、藥物資訊整合）、A+ 營養師（飲食建議）、A+ 物理治療師、A+ 衛教師等。
讓我們來看個具體案例，「A+ 藥師」Copilot 能將分散在多個資料庫（HIS、護理資訊系統 Nursing Information System 簡稱 NIS、檢驗資訊系統 Laboratory Information System 簡稱 LIS）中的病人臨床資訊（用藥清單、檢驗結果、過敏史）匯總到單一介面，把藥師審核每位病人的時間大幅縮短，讓藥師的每日服務量從 15 人次提升至 30 人次，「A+ 藥師」Copilot 不僅標記藥物交互作用並驗證保險給付範圍，還能總結社工報告和家庭背景，讓 AI 具有了提醒專業人員展現同理心的功能。奇美醫院的成效數據顯示，2025 年 10 月單月生成式 AI 使用人次突破 5 萬，該月生成式 AI 流量支出僅約 5 萬元新台幣，護理紀錄摘要時間由 2 到 4 分鐘降至 1 分鐘以內，轉出摘要繕寫時間由 15 分鐘降至 5 分鐘內。
這些數據說明在奇美，AI 已經實際融入臨床工作流程，成本效益比也相當優異、臨床人員的接受度不錯，為 DELISH 平台的推廣奠定了基礎。DELISH 平台可以視為 AI 2.0 階段的延伸，將生成式 AI 應用於更複雜的臨床場景：中風後吞嚥照護，相較於摘要病歷或標記藥物交互作用，生成飲食計畫涉及更多的臨床判斷和安全考量，技術挑戰也更高。奇美是台灣南部重要的醫學中心，總床數 2487 床（三院區合計），總員工約 6106 人，腦中風中心成立於 2008 年，提供 24 小時服務，跨科部團隊包括神經內科、神經外科、急診、神經放射科、神經加護病房、復健部、護理部、中醫部、營養科、社會服務部、居家護理所等，這樣的規模和團隊組成為 AI 研發提供了足夠的臨床專業和數據基礎。團隊與思科利用 AI 解決方案進行中風照護與資安防護，雖然 Azure 處理文本生成的 LLM 推論，但敏感的高頻寬數據流（如持續的生命徵象監測、即時中風風險預測演算法）需要強大的地端基礎設施，思科的安全網路確保從 Bedside 設備流向 AI 分析引擎（可能託管於本地 AI Pods）的數據受到保護，免受 Lateral Movement Attack。
生成式 AI 的致命弱點：幻覺與物理驗證挑戰
大型語言模型本質上是機率性、而非確定性的，當被要求「為患有糖尿病的中風病人生成一份 IDDSI 4 級（糊狀）的當週菜單」時，標準模型（如 GPT-4）可能會產生幻覺 (Hallucination)，例如質地合規性錯誤（建議使用「脆穀物」作為 4 級餐點的配料，可能對吞嚥困難病人構成致命的窒息風險）、營養數據捏造（憑空捏造卡路里計數或升糖指數 Glycemic Index 簡稱 GI，與真實食物成分不符）、來源虛構（引用不存在的醫學指南或食譜）。假設 AI 建議一位 IDDSI 4 級病人吃「蒸蛋配碎花生」，聽起來很營養、蛋白質豐富，但花生即使壓碎，仍可能存有顆粒，對 4 級病人來說是高風險食物，可能導致窒息或吸入，如果家屬照著做，後果將不堪設想，這已經不是假設性的風險，而是實實在在會發生的問題。
為了應對這一挑戰，醫療 AI 會採用檢索增強生成 (Retrieval-Augmented Generation，RAG) 架構，RAG 的運作流程是這樣的：當系統收到查詢時，首先會搜索向量資料庫 (Vector Database)，其中包含經過驗證的來源，譬如美國農業部食品數據中心 (USDA FoodData Central) 資料庫（獲取精確營養成分）、官方 IDDSI 框架文檔、臨床指南（如美國糖尿病協會標準），檢索到的 Ground Truth 區塊被作為上下文附加到使用者的提示詞 (Prompt) 中，接著 LLM 被嚴格限制僅使用提供的上下文生成回應。
研究顯示在醫療情境中，RAG 顯著降低幻覺率；在癌症資訊查詢中，使用高品質參考數據的 RAG 將幻覺率從約 10% 降低至接近 0%。在營養學的領域，像 NutriGen 這類框架利用 RAG 確保生成的膳食計畫嚴格遵守熱量和巨量營養素目標，把誤差率降低至 1.55%。但 RAG 只能解決一半的問題，它確保文本計劃的正確性，但無法驗證實際製作出的食物的物理屬性，這就是電腦視覺 Computer Vision 介入的關鍵領域。IDDSI 分級有精確的物理定義：3 級（液態食 Liquidised）能穿透叉子縫隙滴落、無顆粒，4 級（糊狀食 Pureed）在湯匙上保持形狀、能整團滑落（傾斜測試 Spoon Tilt Test）無需咀嚼、5 級（細碎濕軟食 Minced & Moist）顆粒小於 4 毫米（成人），軟到可以用舌頭壓碎。
傳統流變學測量（黏度 Viscosity、降伏強度 Yield Stress）需要昂貴的實驗室設備（流變儀 Rheometer），家屬不可能在家裡備一台流變儀來測量食物，而 AI 試圖從圖像或影片中推斷這些屬性；根據影片中食物的黏度估算使用深度學習模型（如 3D 卷積神經網路 3D-CNNs 或 Slow Fusion 網路）分析流體運動的視訊幀（例如液體從湯匙滴落或球體在液體中下落的過程），研究證明 3D-CNN 模型在分類流體黏度方面可達到 88% 的準確度，顯著優於人類視覺判斷的 32%，對於判斷 IDDSI 0 到 3 級液體稠度很有幫助。
根據圖像的質地分類，則使用 CNN（如 ResNet-50 或 EfficientNet）訓練用來識別帶有 IDDSI 標籤的食物圖像，模型分析表面紋理特徵（粗糙度、光澤度、顆粒感），也有結合 CNN 與支持向量機 (Support Vector Machine，SVM) 進行分類，在食物識別任務上準確度超過 90%。但技術瓶頸仍然存在，靜態圖像往往難以捕捉內聚性 (Cohesiveness) 或黏附性 (Adhesiveness)，一個糊狀食物可能看起來很光滑、但實際上很黏（高黏附性），會增加窒息風險；Physics-Informed Machine Learning (PIML) 試圖解決這個問題，將物理特性收斂整合到學習過程中，透過分析食物的形變（例如一團糊狀物隨時間的塌陷程度），AI 可以推斷出降伏強度，即開始流動的瞬間所需的力。
能夠部署於臨床環境的 AI 營養師系統，工作流程大約是在輸入層接收病人檔案（65 歲、中風亞急性期、IDDSI 4 級、第 2 型糖尿病、台灣飲食偏好）；檢索層 (RAG) 查詢 USDA 資料庫獲取糖尿病友善食材，並查詢 IDDSI 資料庫獲取製備方法（例如「小白菜的攪打比例」）；生成層 (LLM) 生成食譜「芝麻薑汁豆腐慕斯」（高蛋白、軟質地）；驗證層（虛擬營養師 Agent）是個獨立的 Rule-Based AI Agent 作為裁判，根據條件檢查食譜：「質地是否一致？糖分是否超標？是否含有與 Warfarin 抗凝血劑衝突的高維生素 K 食材（如菠菜）？」；視覺確認層（未來狀態）讓病人拍攝製備好的餐點照片。CV 模型分析圖像（或湯匙傾斜測試的影片），如果質地看起來太稠或有結塊，系統會發出警報（紅燈或綠燈機制），這套多層驗證機制聽起來複雜，但每一層都是必要的。在醫療 AI 領域，單一模型的輸出永遠不應該直接成為臨床決策，必須有多重檢查點，目前我們不清楚 DELISH 平台是否採用完整的 RAG 架構、是否有視覺驗證功能，這些技術細節讓我們還無法全面評估系統的安全性。
中風復健市場：一個被低估的千億商機
台灣每年約 3 萬名新發中風病例中，40% 到 65% 有吞嚥障礙，約 1.2 到 2 萬人；台灣需要照護的中風總人口超過 26 萬人，而吞嚥障礙在急性期中風病人中的全球盛行率為 30% 到 60%。全球吞嚥障礙的 Sector 在 2024 到 2025 年估值約為 47 到 50 億美元，預測到 2030 到 2034 年將達到 60 到 86 億美元，CAGR 預計在 4.1% 到 6.3% 之間，驅動因素包括營養 Solution（增稠劑 Thickener）、餵食管 (Feeding Tube)，以及日益增長的數位診斷工具。遠距復健 (Telerehabilitation) 市場的增長更驚人，2024 年估值約 53 到 74 億美元，預計到 2030 年將激增至 118 到 278 億美元，CAGR 預測高達 13.2% 到 20.5%，遠距復健讓我們能夠進行遠端語言和吞嚥治療，有助於在不增加醫院就診負擔的情況下提高治療頻率。
一項針對台灣中風復健的住院急性後期照護 (Inpatient Post-Acute Care，PAC) 與居家照護的成本效益研究發現，居家照護的成本效益顯著高於住院 PAC，居家組的總復健成本顯著較低（約 1445 美元對比住院組的 4574 美元），但居家 PAC 病人在功能改善（巴氏量表 Barthel Index 簡稱 BI、工具性日常生活活動 Instrumental Activities of Daily Living 簡稱 IADL）方面取得相似的成果，而每單位改善的成本僅為住院的一小部分。這個數據對理解 DELISH 的市場潛力很重要，如果居家照護更便宜且同樣有效，全民健保將有強烈動機去給付那些能確保居家復健安全的技術，如 AI 飲食規劃服務來防止肺炎、或用 AI 監控防止跌倒，是個政策順風車。
台灣積極推動 PAC 模式來減少醫學中心的量能擁塞，奇美計畫將 DELISH 平台延伸至其他院區及社區，打造「醫院-社區-家庭」的全方位吞嚥照護網路，這個願景若能實現，將會改變台灣中風照護的樣貌；若每年 2 萬名吞嚥障礙病人中，10% 使用 AI 輔助方案（2000 人），平均每人年費 10000 元，市場規模約 2000 萬元，若普及率提升至 50%，市場規模可達 1 億元。這個數字看起來不大，但 DELISH 的價值不只在於直接營收，它可能成為醫院品牌差異化的工具（吸引病人和轉診）、研究發表的素材（提升學術聲譽）、延伸應用的基礎（擴展到其他復健領域如骨科、神內）。
根據國際研究，放射科 AI 平台的 5 年投資報酬率 (ROI) 可達 451% 到 791%，AI 醫療筆記功能的回收期僅 6.1 個月，DELISH 若能達成宣稱的「每月節省 700 小時人力」，以護理人員時薪 300 元計算，每月節省 21 萬元，一年約 252 萬元。若 Cisco AI Pods 的投資約 1000 到 3000 萬元（估算），回收期約 4 到 12 年，不算短、但在可接受範圍內。這個市場正處於結構性轉變的早期階段，人口結構高齡化、醫療人力短缺、健保財務壓力、遠距醫療普及化，這些大趨勢都在推動中風照護從「以醫院為中心」轉向「以家庭為中心」，DELISH 這類解決方案剛好站在這個浪潮的前端。
法規迷霧：TFDA 審查與商業化的挑戰
如果 DELISH 要從院內試點走向商業化產品，必須面對法規審查的挑戰，也是所有醫療 AI 新創都會遇到的關卡；台灣食品藥物管理署正積極將法規與國際標準（US FDA、EU AI Act）接軌，TFDA 對 AI 醫材的審查框架主要依據「人工智慧或機器學習技術之醫療器材軟體查驗登記技術指引」（2020 年）和「人工智慧機器學習技術之電腦輔助偵測醫療器材軟體查驗登記審查要點指引」（2021 年），SaMD 的分類標準中，第一等級僅傳輸、儲存或顯示醫療影像，不做修改；第二等級包括醫學影像處理、電腦輔助偵測 (Computer-Aided Detection，CADe)、手術治療規劃軟體；第三等級是聲稱可取代專業醫療判斷的軟體。
DELISH 的定位較為微妙，如果它只是提供建議、由醫療人員最終決策，可能落在第二等級；如果它直接產出處方，可能需要第三等級審查，這個分類不只是行政流程問題，而會決定審查嚴格程度和上市時間的關鍵因素。截至 2024 年 1 月，TFDA 已核准 37 項應用 AI 或 ML 技術的國產醫療器材，包括宏碁智醫「智骨篩」、長庚醫院舟狀骨骨折偵測軟體、台北榮總 DeepMets-Plus 等，但從國際經驗來看，FDA 截至 2023 年 10 月已核准 691 個 AI 或 ML 醫療器材，但多數集中在放射科，且尚無生成式 AI 或 LLM 醫療器材獲核准，所以 DELISH 若要以 LLM 為核心技術取得醫材認證，可能面臨較大的法規不確定性。
TFDA 公告針對「AI 或 ML 醫療器材」的指引草案，強調預定變更控制計畫 (Predetermined Change Control Plan，PCCP)，PCCP 允許製造商預先說明 AI 模型在上市後將如何重新訓練或更新，而無需為每一次微小的演算法調整重新提交監管申請。作為全球供應鏈的一環，台灣的醫療器材製造商必須遵守歐盟 AI 法案 (EU AI Act)，高風險 AI 系統（包括用於醫療診斷或重症管理的系統）面臨嚴格的數據治理、透明度和人工監督要求，具系統性風險的「通用人工智慧」(General Purpose AI，GPAI) 模型（如 GPT-4）則有額外的合規負擔。衛福部 2024 年成立的三大 AI 中心中，有一個專門的「臨床 AI 取證驗證中心」，與 TFDA 合作加速驗證流程，奇美若能積極參與這個生態系統，可能縮短取證時間。
健保給付：醫療 AI 商業化的最後一哩路
即使取得醫材認證，DELISH 能否獲得健保給付，是另一個關鍵問題，也是所有醫療 AI 產品最終都要面對的商業化挑戰。台灣健保單一給付制度的特性，使得 AI 醫療軟體難以獲得直接給付，傳統醫材的成本可以從製造端評估，但 AI 產品的價值來自演算法，難以用同樣的邏輯定價，一套 AI 軟體的邊際成本接近零，但研發成本可能高達數千萬到數億元，那麼健保該給付多少？這是一個沒有標準答案的問題。
健保署目前的態度是：積極使用 AI，但給付仍持謹慎；健保署已自行開發自然語言處理 (NLP) 模型用於放射診斷報告自動化判讀，累計收載 24.7 億筆檢驗檢查報告，2024 年健保署與 Google Cloud 合作「AI 賦能健康台灣」計畫，初期以糖尿病管理為優先試行；衛福部設立的「AI 影響性研究中心」，專責解決 AI 產品納入健保給付的挑戰，建立跨體系、跨層級的臨床試驗機制，評估 AI 臨床效益，建立科學性定價基礎。
從美國 Medicare 的經驗來看，AI 醫療給付正在緩慢推進，2018 年美國醫療保險和醫療補助服務中心 (Centers For Medicare & Medicaid Services，CMS) 開始給付首個 AI 醫療軟體（CT 冠狀動脈血流儲備分數 Fractional Flow Reserve 簡稱 FFR），2018 到 2022 年使用量增長 11 倍；2025 年 4 月，美國國會提出《Health Tech Investment Act》，為 AI 醫療器材建立新的過渡性給付機制。
對 DELISH 而言，短期內可能需要仰賴醫院自費導入，長期來看，若能累積足夠的臨床效益數據（降低再入院率、減少吸入性肺炎、節省人力成本），有機會爭取健保給付試辦，關鍵是要有嚴謹的臨床研究證明 AI 介入組比傳統照護組有更好的結果，這就回到我們前面提到的問題，DELISH 目前缺乏經 IRB 審查通過的正式臨床研究發表（或我目前還不知道在進行的研究），要說服健保署給付，這還是必經之路。
台灣智慧醫療的競爭地圖：誰在做什麼？
台大醫院的 AI 胰臟癌輔助偵測系統是世界首創，已獲美國 FDA 突破性醫材 (Breakthrough Device) 認定，他們的 AI 腦出血微創手術系統 Neuroblade 在 2023 年同時獲得美國 FDA 及台灣 TFDA 核准，台大也與 NVIDIA 合作，發展數位護理師、語音輔助診斷等生成式 AI 應用。台北榮總 2021 年成立醫療人工智慧發展中心，腦轉移瘤輔助偵測系統 DeepMets-Plus 使用聯邦學習 (Federated Learning) 技術，已取得 TFDA 智慧醫材認證；科技部投入 8000 萬元，聯合台大、北醫建置台灣首座醫療影像標註資料庫（4.6 萬案例）。長庚醫院 2018 年成立醫療人工智能核心實驗室，已取得 3 項 TFDA 醫療器材許可證，包括腕部舟狀骨骨折偵測軟體、心房顫動偵測軟體、心室收縮功能篩檢軟體，與華碩台智雲合作的 AI 推論雲平台，提供 12 種醫療 AI 模型及 LLM，上線 2 個月使用超過 2.7 萬次。中國醫藥大學附設醫院從 2003 年開始建置大數據中心，收集 300 萬人資料，發展骨齡診斷、染色體異常診斷、心電圖異常診斷、糖尿病眼底病變偵測等 AI 服務，顱內出血偵測 AI 準確率達 98.6%，24 小時全年無休急性心肌梗塞智能輔助系統準確度 99%。
在這個競爭地圖中，奇美的 DELISH 具有差異化定位，它不是影像診斷 AI（已是紅海），而是聚焦復健照護流程的整合性解決方案，這個領域的競爭者相對較少，但市場規模也較小，是個典型的「利基市場」(Niche Market) 策略；台灣新創公司在中風復健領域也有佈局，緯創醫學科技的外骨骼機器人 (Exoskeleton) 歷經五年開發，已成為主流醫院採用的復健硬體，客戶包括台大、榮總、北醫；國泰醫院與台灣科技大學合作的說話不卡卡 APP，協助語言治療師快速篩檢語音錯誤；中化銀髮引進日本 AI 復能系統 ICT REHA，提供個人化復能學習。
未來 20 年：精準化的復健醫學
高齡化社會的需求變化是最根本的驅動力，台灣 65 歲以上人口已超過 400 萬人，在今年進入超高齡社會（老年人口占比超過 20%）；中風發生率隨年齡增加，60 到 79 歲是發生率最高年齡層，未來 20 年中風照護需求預計將持續攀升，而醫療人力增長有限，AI 輔助將可能從 Nice to Have 變成 Must Have。居家照護 (Hospital At Home) 模式將成為主流，Deloitte 和 McKinsey 預測，到 2030 年，醫療重心將從醫院大規模轉移至家庭，住院床位將保留給最危急的病例（ICU、手術等），而中風復健將主要在家庭進行，由醫院遠端監控技術支持。想像在 2035 年，一位 70 歲的中風病人剛出院返家，他的家裡有裝智慧攝影機，可以監測步態和日常活動，無需穿戴任何裝置即可檢測跌倒或呼救，廚房的智慧攪拌機整合了 Soft Robotics Sensors，能即時測量食物的黏度和降伏強度，並根據病人的 IDDSI 處方提供紅燈或綠燈的安全指示，冰箱會自動訂購符合 IDDSI 標準的預製餐點，語音助手（如 Amazon Alexa 或專用醫療語音 AI）會提醒用藥時間，並透過對話評估認知功能和情緒狀態；這些數據透過 5G 或 6G 網路即時傳輸到醫院的 AI 中心，由 DELISH 這類系統整合分析，如果偵測到異常（如連續三天飲食攝取量下降、步態不穩定增加、語音清晰度下降 ），系統會自動通知語言治療師或營養師進行遠端視訊諮詢。
數位療法 (Digital Therapeutics，DTx) 將可能獲得正式給付，台灣健保署正積極評估數位療法的給付模式，參照德國 (Digital Health Applications 簡稱 DiGA) 和法國的臨時給付制度，台灣有在考慮對能夠證明臨床結果（例如降低肺炎再入院率）的 AI 應用程式提供有條件給付或簡化自費審查流程；AI 在復健醫學的應用也將從評估延伸到處方和監測，未來的應用包括：功能評估自動化（Fugl-Meyer Assessment 自動評分）、步態分析（IMU、加速度計 Accelerometer）、吞嚥功能評估，基於預測模型的個人化治療計畫、運動強度調整、藥物劑量優化；穿戴裝置即時數據整合、遠距復健支援、數位孿生 (Digital Twin，用 AI 建立病人的虛擬副本，預測治療反應)，2025 年發表的《Journal Of NeuroEngineering And Rehabilitation》文獻提出了「協作 AI 精準神經復健」的路線圖，強調人機協作模式、多模態數據整合。
地端 AI 與雲端 AI 將形成混合架構，DELISH 選擇地端方案，但不代表地端是唯一正確選擇，國際數據公司 (International Data Corporation，IDC) 預測，到 2027 年 75% 企業將採用混合模式，醫療場域最可能的演進路徑是敏感數據（病歷、基因）地端處理、運算密集任務（大模型推論）雲端執行。台灣在智慧醫療有獨特優勢：資通訊 ICT 產業實力（廣達、緯創跨足醫療 AI）、全民健保資料庫（24 年就醫紀錄）、高品質醫療服務（連續 4 年全球健康照護指數奪冠），2025 年全球頂尖智慧醫院評選中，台灣 8 間醫院入榜，較前一年增加 4 間。但挑戰也同樣明顯，AI 廣適性驗證不足（一家醫院訓練的模型，能否用於其他醫院？）、商業化模式尚未成熟（醫院自行開發 AI，如何變成可販售的產品？）、健保給付機制待突破、資料標準化規範不足（不同醫院的病歷格式不同，資料整合困難），DELISH 若能克服這些挑戰，將為台灣智慧醫療產業樹立重要典範。
這場競爭的賽道中，我們的位置在哪？
對臨床醫師來說，AI 不會取代你，但會使用 AI 的醫師可能會勝過不會使用的醫師，DELISH 這類工具的目標不是消滅營養師或語言治療師的工作，而是讓他們從重複性的文書工作中解放，有更多時間做需要人類判斷的工作，例如與病人建立信任關係、處理複雜的家庭 Dynamics、做出需要整合多重因素的困難決策。醫師可能需要培養 Prompt Engineering 這類新技能，知道如何跟 AI 對話才能得到最有用的輸出，學會如何精確描述病人狀況、如何設定限制條件、如何驗證 AI 輸出的正確性，這些都是未來臨床工作的一部分。
參與 AI 研發的醫師將獲得相對大的競爭優勢，AI 不是由工程師關起門來做出來的，而是醫師與工程師深度協作的產物，能夠將臨床需求轉譯成技術規格、能夠評估 AI 輸出的臨床合理性、能夠設計驗證研究的醫師，將成為稀缺資源；也建議醫師們培養對 AI 的適度批判態度，不要被「AI 能做到一切」的炒作所迷惑，也不要因為恐懼而拒絕嘗試，關鍵是要了解 AI 的缺陷，例如它會產生幻覺、對訓練數據的分布很敏感、無法處理訓練時未見過的極端情況，在使用 AI 輔助工具時，始終要有最終把關者的意識。
醫療 AI 的投資邏輯與消費性 AI 截然不同，消費性 AI 可以快速迭代、容忍失敗，但醫療 AI 必須謹慎驗證、確保安全，因此可能需要更長的研發週期、更高的法規成本、更慢的市場滲透速度，但一旦建立護城河（取得認證、獲得給付、累積使用數據），競爭優勢也更持久。DELISH 的案例也提醒我們可以多關注基礎設施層，像是思科提供的底層運算平台可能比上層的應用程式更有價值，因為應用程式會快速迭代，但基礎設施的生命週期更長，投資 AI 晶片、AI 專用伺服器、醫療數據平台，可能比投資單一 AI 應用更安全。
雲端 AI 的故事已經被講了很多年，但醫療、金融、國防等對資料安全敏感的領域，地端方案有其不可替代性，台灣在伺服器製造有優勢，醫療地端 AI 可能是一個差異化的機會；我們也要留心監管風險，醫療 AI 的商業模式高度依賴法規政策，TFDA 的審查標準、健保的給付政策、個資法的解釋，任何一個變動都可能影響整個產業，投資醫療 AI 必須深入理解法規環境，最好有法規專家在團隊中。不過臨床驗證數據還是價值的核心，一個有嚴謹臨床研究支持的 AI 產品，價值遠高於只有初步結果的產品，要仔細檢視是否有經 IRB 審查的研究？樣本數是否足夠？追蹤期間是否夠長？這些是判斷產品成熟度的關鍵指標。可複製性也相當重要，例如奇美的 DELISH 若能成功複製到其他醫院，市場潛力會大幅擴大，但醫療 AI 的可複製性往往很差，一家醫院訓練的模型在另一家醫院可能效能大幅下降（因為病人族群、疾病譜、醫療流程都不同），能夠解決可複製性問題的技術（如 Federated Learning）具有更大的商業價值。
讓我們回到文章開頭的問題：DELISH 是一個真正的突破，還是一個被過度包裝的炒作？基於目前的公開資訊，我的答案是：這是一個方向正確、執行紮實，但仍需時間驗證的早期專案；DELISH 抓住了真實且重要的臨床痛點，中風後吞嚥障礙的照護確實存在人力不足、評估困難、個人化不足的問題，奇美在 AI 領域的累積（32 款 AI 1.0 應用、HIS Copilot 系列）證明了團隊的技術能力，與思科的合作提供了堅實的基礎設施支持，這些都是正面的訊號；但我們也必須誠實面對不確定性，目前的成效數據（「家屬理解度提升五成」、「病人遵從度提高至少三成」、「每月節省超過 700 小時人力」）缺乏透明的測量方法和統計驗證，技術架構的細節（AI 模型、RAG、視覺驗證功能）沒有公開，經 IRB 審查的正式臨床研究尚未發表，依然是需要填補的空白。
在醫療 AI 領域，從「Promising」到「Proven」之間往往有漫長的路要走，許多在試點階段表現驚豔、但在大規模部署時遇到各種意料之外問題的案例作為前車之鑑，DELISH 需要更多時間來證明自己；但即使 DELISH 最終沒有完全實現承諾，這個專案本身就具意義，展示生成式 AI 如何應用於複雜的臨床流程、揭示地端 AI 基礎設施在醫療場域的價值、預示復健醫學從標準化治療走向精準個人化的未來趨勢。找到差異化的臨床場景，建立跨領域協作團隊，選擇適合的技術架構，並持續投資臨床驗證，智慧醫療的未來正在這些一步一腳印的嘗試中成形。
中風後的吞嚥障礙，是一個被低估卻影響深遠的問題，每年有超過 1.3 萬名台灣人面臨連吃飯都可能嗆到住院的困境，如果 AI 真能幫助這群病人吃得更安全、恢復得更好，那將是科技最美好的應用之一；科技最動人的時刻，從來不在實驗室的演算法突破，而在一位中風阿嬤終於能安全地喝下那口她想念已久的酸辣湯。我們期待 DELISH 在未來提供更多驗證數據，也期待更多類似的創新在台灣醫療體系中湧現，當 AI 開始理解人體吞嚥的複雜性、邊緣運算讓醫療數據不必離開醫院圍牆、生成式模型學會在十五秒內編織出一週的飲食計畫，我們正在見證復健醫學從標準化走向精準個人化的轉折，DELISH 的故事提醒我們，真正的創新不是追逐最炫目的技術，而是找到最痛的臨床問題，然後用適當的工具耐心求解。未來二十年，台灣將有數十萬中風病人需要照護，醫療人力永遠不夠，但智慧或許可以彌補，主角不是 GPU 或演算法，而是那些願意在病床邊、在廚房裡、在資料與現實的縫隙中，一次又一次校準技術與人性平衡點的人們。讓 AI 成為延伸我們專業判斷的工具，而非取代我們同理心的藉口。
— –
📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.