作者: 嘉義AI創新應用團隊(陳正健CCChen/吳俊儀CYWu)
如需引用與公開,請註明出處來源與作者
隨著2025年台灣正式邁入「超高齡社會」（65歲以上人口佔比超過20%），長期照顧體系正面臨前所未有的結構性轉型壓力。根據政府最新數據顯示，台灣長照服務涵蓋率已從2017年的20.3%巨幅提升至2024年的84.86%，整體服務人數突破75萬7,089人。這項數據清楚表明，我國的長照政策已從初期的「資源布建與服務擴張」，正式進入「高負載、重管理、需精準治理」的成熟期階段。
在地方治理的實務前線上，嘉義市的挑戰尤為嚴峻且具代表性。截至2025年8月底，嘉義市65歲以上人口比例已達19.63%，其中東區的老年人口比例更已率先突破20%的超高齡門檻。然而，嘉義市長期深耕「健康城市」、「高齡友善城市」乃至近期的「樂齡勇壯城」計畫，擁有極佳的政策推動底蘊與跨局處協作基礎。因此，將嘉義市作為全國首波「長照據點鑑別式AI報到暨生理數據即時預警系統」的示範場域，不僅具備高度的迫切性，更是推動台灣《長期照顧十年計畫3.0》智慧化升級的最佳試金石。
本專欄將深度剖析此系統的技術架構、導入策略、財務模型（TCO/ROI）及資料治理機制，探討如何運用鑑別式AI（Discriminative AI）與生成式AI（Generative AI）技術，將傳統的長照據點從「被動的活動與共餐場所」，正式升級為「主動偵測健康風險的社區雷達」。
一、 痛點剖析：長照體系規模化後的管理與照護瓶頸
在探討AI導入之前，我們必須先釐清現行長照據點（如C級巷弄長照站、失智社區服務據點、日照中心等）所面臨的實務痛點。全國目前已布建超過15,051處社區整體照顧服務體系（ABC模式），據點網絡雖已具規模，但管理壓力正急遽上升。
1. 報到行政負擔沉重與真實性核驗困難 傳統據點多依賴紙本簽名、志工人工點名或刷卡報到。這對高齡者而言，常發生忘記帶卡、代簽、漏簽等問題；對照服員與志工而言，每日需耗費大量時間進行人工彙整與登錄，且難以確保「長者是否真實到站」，對於獨居或失智長者而言，未到站往往是第一道風險訊號。
2. 生理數據缺乏連續性追蹤與動態預警 據點雖然會為長者量測血壓、體溫等數據，但多為紙本記錄或單次建檔，缺乏連續性的趨勢分析。當長者的生理數值發生微小但具風險的異常變化時（例如血氧連續三日緩降、收縮壓短期波動），人工難以察覺「今天和平常不一樣」的短期動態變化。
3. 跨域資料孤島與醫療轉銜斷層 醫院端、社區端與居家端的數據往往互不相通，形成資料孤島。長照3.0政策明確指出，未來的核心在於「醫療照顧整合，推動責任醫療」。若社區據點無法標準化收集數據並與醫療體系對接，將錯失早期介入的黃金時機，導致長者最終仍需頻繁進出急診或住院。
二、 核心解決方案：四大智慧模組的技術原理與RAG應用比對
本示範計畫並非單純採購硬體設備，而是建構涵蓋「邊緣運算（Edge）、雲端平台（Cloud）、應用服務（App）」的三層式專業架構。
其核心包含四大模組：
模組一：鑑別式AI多因子報到系統（邊緣運算層）
系統導入鑑別式AI報到機制，其核心採用電腦視覺（Computer Vision）技術，運用CNN（如ResNet或MobileNet）與FaceNet/ArcFace模型進行人臉偵測與特徵萃取。
- 技術要求： 報到延遲（Latency）必須控制在1秒以內，準確率需大於98%。
- 多因子備援： 考量到高齡者對新科技的接受度及辨識限制，系統不強制單一依賴人臉辨識，而是設計「人臉辨識（主方案）＋QR Code（備援）＋NFC卡片（高齡者適用）＋人工確認（Fallback）」的多重因子驗證機制。
- 個資保護： 運算與特徵萃取直接在據點的邊緣端設備（Edge AI Box）進行，避免敏感的生物特徵原始影像過度上傳雲端，從源頭降低隱私外洩風險。
模組二：個人化生理數據動態預警模型
長者完成AI報到後，隨即串接物聯網（IoT）設備，量測血壓、心率（PPG）、血氧（SpO2）、體溫等數據。AI分析的核心觀念是突破傳統的「固定閾值」，轉為建立「個人化動態基準」。
- 時序分析與異常偵測： 系統運用LSTM、GRU或Transformer等演算法分析連續生理數據走勢，並結合Z-score、孤立森林（Isolation Forest）與Autoencoder等異常偵測模型，精準抓出潛在風險。
- 燈號分級SOP： 透過XGBoost或隨機森林（Random Forest）計算出0-100的風險分數，將異常分為綠、黃、橘、紅燈。黃燈提醒志工複測；橘燈通知護理師評估；紅燈則啟動SOP通報家屬或醫療轉介，有效避免「告警疲乏」。
模組三：RAG檢索增強生成之GenAI照護決策
這是本計畫與傳統IoT系統最大的差異化所在。系統導入了生成式AI（GenAI），並結合了RAG（Retrieval-Augmented Generation，檢索增強生成）架構。
- RAG比對與生成機制： 系統首先提取該長者最新的生理數據、歷史趨勢與異常紀錄，接著至後端掛載的「醫療與長照知識庫」進行RAG檢索比對，確保生成的內容具備醫學學理支撐且不產生幻覺（Hallucination）。
- 自動生成決策報告： 透過大型語言模型（LLM），系統能自動將龐雜的數值轉化為白話的健康摘要。例如自動產出：「該長者近3日血壓有穩定上升趨勢，雖未達急診標準，但建議據點增加下午時段監測頻率，並評估是否透過在宅醫療醫師進行用藥調整」。這讓不具備深厚醫療背景的據點志工也能快速掌握狀況，並能一鍵生成家屬通知摘要。
模組四：Data Lake與城市級長照治理儀表板
收集到的數據將匯流至市府端的雲端資料湖（Data Lake），資料架構嚴格分為Raw（原始數據）、Clean（清洗去識別化後）、Feature（AI特徵）、Insight（分析結果）四層。 這將為嘉義市政府提供一個「城市級長照預警儀表板（Dashboard）」，市府端可即時監控各行政區、各據點的長者到站率、缺席率、異常事件通報趨勢與慢性病風險分布，讓長照政策從過去的「被動補助」進化為「主動精準治理」。
三、 預算規劃、TCO總體擁有成本與ROI投資回報率分析
任何一項專業的公共政策導入，都必須經過嚴謹的財務可行性評估。以嘉義市選定10個示範據點（涵蓋東區與西區，預計覆蓋約500名長者，每年產生約7.2萬人次服務）為例，其成本與效益模型(模擬估算)如下：
1. TCO（總體擁有成本）三年估算
- 初期建置（CAPEX）： 包含10套AI報到設備（35萬）、生理量測IoT設備（25萬）、邊緣運算Edge AI主機（20萬）、網路與IoT整合（10萬），硬體端約需90萬新台幣。
- 系統開發與平台（軟體）： AI模型開發與RAG架構建置（120萬）、市府Dashboard後台（80萬）、API與FHIR醫療串接開發（50萬），合計約250萬。
- 後續維運（OPEX）： 包含雲端伺服器（AWS/Azure）、系統維護、教育訓練及資安防護，三年合計約需361萬。
- 三年TCO總計： 預估落在新台幣701萬元左右。
2. ROI（投資回報率）與具體效益
- 行政人力節省（直接效益）： 導入自動化報到與量測後，預估每個據點每日可節省至少0.5至1小時的紙本登錄與彙整時間。若以10個據點、時薪250元保守估算，每年可省下約360萬元的人力行政成本（三年達1080萬）。
- 醫療風險降低（間接隱性效益）： 系統每年將處理約7.2萬筆量測資料，預估可提早篩檢出約5%-10%的異常事件。透過提早的社區介入（如衛教、家屬通知、門診轉介），能有效降低長者的急診率與住院率。保守推估每年可減少約100萬元的後端醫療資源浪費（三年達300萬）。
- ROI計算： 三年總效益約為1380萬，對比701萬的投入成本，投資報酬率（ROI）高達228%，預計可在1.5年內回本。這在公共衛生與智慧城市的投資中，屬於極具經濟效益的項目。
四、 嘉義市落地執行的四階段推動策略
為了確保系統能穩健落地，並真正融入嘉義市「樂齡勇壯城」的政策脈絡，建議採取敏捷式的四階段推動策略：
- Phase 1：規劃與盤點（0-2個月）： 盤點嘉義市既有長照據點的網路環境與志工能力。同步確立資料標準化欄位，導入FHIR（Fast Healthcare Interoperability Resources）國際標準，以利未來與嘉義市豐富的醫療院所系統無縫對接。完成個資法遵盤點。
- Phase 2：概念驗證 PoC（2-4個月）： 挑選東、西區各1-2個營運成熟的據點進行試辦。重點測試AI報到的準確率（需達95%以上）、長者的接受度，以及將報到流程控制在10秒以內。
- Phase 3：擴展與AI訓練（4-10個月）： 擴展至10個示範據點。此階段系統開始累積大量真實生理數據，LSTM時序模型與異常偵測模型開始針對嘉義市在地長者的數據特徵進行訓練與收斂，提升預警準確率達30%以上。
- Phase 4：城市級整合與跨域協作（10-18個月）： 正式上線市府監控儀表板。更重要的是，落實「醫院－社區－AI團隊」的三方跨域協作模式。社區據點扮演前線感測；AI雲端進行風險預測與生成報告；最終將高風險名單與數據回饋給嘉義市當地的醫療決策核心（如醫院或在宅醫療醫師），形成完整的閉環健康管理生態系。
五、 資安防護、AI治理與法規遵循
在推動智慧長照時，「生物特徵」與「健康生理數據」皆屬於高敏感的個人資料，因此法遵與資安是本計畫成敗的絕對底線。
1. 高規格個資防護架構 系統必須嚴格落實《個人資料保護法》及衛福部《長期照顧服務機構個人資料檔案安全維護計畫實施辦法》。資料傳輸與儲存全面採用AES-256加密技術，並利用資料代幣化（Tokenization）進行去識別化處理。系統後台需實施以角色為基礎的權限控管（RBAC），確保僅有授權的護理師或專案管理員能調閱具名醫療紀錄。
2. AI倫理與防誤判機制 AI技術在醫療照護領域的角色是「輔助（Assist）」，絕非「取代（Replace）」。深度學習模型存在資料偏差（Bias）與黑盒子（Black box）的可解釋性問題。因此，在系統設計上必須堅持「Human-in-the-loop（人類監督）」原則。生成式AI產出的照護建議，必須經過護理師或專業照管專員的人工複核，紅燈緊急事件必須觸發SOP由人工介入確認，以避免AI誤判造成不可挽回的照護風險。
3. 消除數位落差與高齡平權 智慧系統的導入不能排除任何一位無法適應科技的長者。因此，多因子報到機制（保留NFC實體卡與人工簽到）是必須的。同時，系統介面設計應遵循極簡原則，異常處理以直觀的紅黃綠燈號呈現，減輕高齡志工的數位操作焦慮。
--------------------------------------------------------------------------------
六、 結論：打造長照3.0時代的智慧健康生態系
《長期照顧十年計畫3.0》的核心願景是「健康老化、在地安老、安寧善終」。未來的長照政策，將從單純的「人力照護」進階為「人機協作」，從「事後治療」轉向「事前預防」。
嘉義市導入這套「長照據點鑑別式AI報到暨生理數據即時預警系統」，其終極價值不在於展示酷炫的AI硬體，而在於建構一套可感測、可追蹤、可預警、可治理的城市級健康前哨網絡。透過鑑別式AI解決行政效率與精準識別，透過生成式AI與RAG技術讓冷硬的數據轉化為有溫度的照護決策，這套系統將能有效降低家庭照顧者的焦慮，減輕基層據點的負擔，並賦能政府進行精準的資源配置。
在超高齡社會的倒數計時中，嘉義市的這項示範計畫，無疑將為全台灣建立起一個結合AI科技、長照實務與城市治理的跨域協作典範。
七、 資料數據參考單位與文獻來源 (References)
本文之數據、政策內涵與技術架構，皆經嚴謹交叉比對（RAG）自以下官方報告、學術文獻與專案分析資料：
- 國家發展委員會 (2024)：《中華民國人口推估（2024至2070年）》。指出2025年台灣將進入超高齡社會（老年人口占比>20%）。
- 衛生福利部 (2025)：《長期照顧十年計畫3.0（115~124年）核定本》。指出2024年長照服務涵蓋率達84.86%，服務人數達757,089人，長照3.0總經費十年預估達1.44兆元。
- 嘉義市政府衛生局 (2025)： 嘉義市人口統計數據，顯示2025年8月底65歲以上人口比例達19.63%，東區突破20%；及「樂齡勇壯城」政策資料。
- 行政院 (2024)： 全國長照據點布建統計，全國已布建A級774處、B級9,419處、C級4,718處。
- Topol, E. (2019)： Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books. 指出AI在預測與生成輔助的價值，強調AI處理數據，人類回歸關懷。
- Esteva, A., et al. (2019)： A guide to deep learning in healthcare. Nature Medicine. 探討深度學習在健康監測與風險預測的技術框架及黑盒子限制。
- Krittanawong, C., et al. (2017)： Artificial intelligence in precision cardiovascular medicine. JACC. 指出AI在心血管精準醫療與風險即時預警的應用。
- 陳正健 (2026)：《生成式AI技術於長照據點鑑別式AI報到暨生理數據即時預警系統（嘉義市示範計畫）可行性與執行說明》、《長照據點鑑別式AI報到...專業提案級分析》。提供TCO（約701萬）、ROI（228%）、Data Lake架構及RAG生成式AI技術落地實務數據。
- World Health Organization (2020)： Decade of Healthy Ageing 2020–2030. 提供健康老化與維持高齡者功能之國際框架。
