三軍總醫院一般醫學部住院醫師
陸軍裝甲兵訓練指揮部醫務所軍醫官
李玉鳳
三軍總醫院教學部主任
林錦生
醫學教育正面對三大挑戰：資訊爆炸、醫療數位化、AI素養需求。醫學知識的倍增速度從1950年的50年，縮短至今日的73天[1]，學習者面臨龐大資訊洪流，需具備有效篩選與批判能力。同時，數位科技如電子病歷、遠距醫療、穿戴式裝置等已深植臨床實務，COVID-19 疫情更加速其滲透。AI與大數據的興起，則要求未來醫師能理解、運用並評估AI工具，不僅是技術上的操作，更包括倫理、準確性與實用性的判斷。然而，目前多數醫學院課程尚未系統性納入數位健康教育，學生普遍缺乏在臨床中使用數位工具的自信與能力。因此，DECODE（Digital Health Competencies in Medical Education）框架的出現，為全球醫學教育界提供一套標準化、可操作的指引。
DECODE 框架由 79 國、211 位專家透過文獻回顧、德爾菲法(Delphi method) 調查與共識會議共同建構，於 2025 年發表於《JAMA Network Open》[2]。框架涵蓋四大領域、19 項核心能力與 178 項學習成果，為全球醫學院提供可依循的課程設計藍圖。四大領域分別為：
此領域強調數位科技在醫療應用引發一系列專業、法律與倫理問題等。因此，醫學生必須具備其相關素養。學習成果聚焦在讓學生能理解、發展並展現適當的數位行為，其中涵蓋資訊安全、網路身份、法規遵循與數位倫理等。掌握此領域能力的學生，將能在不損及病人權益前提下，安全且負責任地將數位工具整合進臨床工作環境中。
這一領域聚焦於協助掌握病人與族群層面的數位健康技能。隨著網路與穿戴行動裝置科技普及，病人已不再只是被動接受醫療服務，而是能主動參與健康決策的「數位健康消費者」。學生需理解遠距醫療與自我檢測等技術的功能與限制，並學習如何協助病患透過這些工具進行自我管理。同時，學生也需意識到病患的數位健康素養、數位與健康不平等問題，並具備促進健康公平的能力。
本領域訓練學生成為熟悉健康資訊系統與交換流程的使用者。培養學生具備處理臨床資訊的實務應變能力，也需了解資訊系統的設計與開發流程，並遵守資料管理政策的規範。核心能力包括熟練操作電子病歷系統、電子處方系統與其他臨床紀錄工具，並了解這些資訊系統如何透過決策支援與自動化功能，強化病患照護品質與效率。
此領域涵蓋健康資訊學、AI、精準醫療與運算思維等內容，著重學生如何在醫療、公共衛生與生物醫學領域中應用龐大的數位健康資料。學生應理解各類數據（如電子病歷、穿戴裝置、基因資料）如何整合，並用以分析、預測與優化個體與族群層級的健康決策。此一訓練將使未來醫師具備資料驅動的判斷力，能夠應對AI主導的精準健康時代。
目前在數位健康核心能力實務運用方面，可由下面幾方面來說明：
生成式 AI 結合語言模型（如 GPT）、知識檢索技術（如 RAG）與向量資料庫（如 FAISS、Pinecone），可打造具備語意理解與臨床知識整合的互動式學習平台。在醫學教育中，這樣的 Chatbot 不僅是知識查詢工具，更是數位素養與自我導向學習能力的訓練場域。以三軍總醫院開發的「心房顫動（AF）學習機器人」為例，該系統結合 AHA 2023 年心房顫動指引內容進行語言模型訓練，並透過 LINE Bot 作為用戶端介面，學生能透過自然語言提問，獲得結合指引、教材與案例的回應。功能不僅限於答題查詢，亦提供互動式臨床情境模擬、判斷選項比較與立即反饋。此也進一步培養學生在「數位健康中的專業素養」中對 AI 回應正確性與資訊安全的判斷能力。
V-DxM（Virtual Simulation Training on Clinical Decision Making）是由醫諾華醫學科技開發的創新教學平台，整合 AI 推論、3D 虛擬病人、語音辨識與回饋系統。學生可於平台中模擬完成完整的臨床流程：從病史詢問、理學檢查到檢驗選擇與初步診斷，再進行轉介、追蹤與病人衛教。此平台具備三大教學優勢，首先它具備即時回饋與診療歷程紀錄功能，能夠錄製每一次模擬診療的完整過程，並進行評分與回顧分析，不僅有助於學生自我修正，也讓教師能依據紀錄進行精準評量。其次，平台支援遠距與團體教學，學生與教師可不受地域限制共同參與虛擬教學活動，對應 DECODE 框架中「病人與族群數位健康」所強調的遠距醫療訓練需求。此外，系統內建多樣化的臨床案例庫，提供高度可重複練習的環境，讓學生能面對不同變異情境反覆操作，有效提升臨床反應能力與批判性思維，實踐標準化、模組化與靈活應用的臨床技能訓練。
以三軍總醫院為例，我們結合國軍多家醫院心電圖資料，打造超過 150 萬筆資料的標註資料庫，並以 ResNet 殘差神經網路模型進行訓練，形成一套具備 50 種以上心肺疾病心電圖判讀能力的 AI 系統。該平台判讀精度高（多數疾病敏感度與特異度超過90%），已取得台美專利，並廣泛應用於學生與住院醫師的心電圖教學中。透過這套AI系統，平台能自動從龐大的資料庫中挑選並標註題目，並建立結合實務案例的心電圖題庫。學生進入學習平台後，可選擇主題進行大量的心電圖判讀練習。每道題目皆來自真實病例，有效幫助學生提升判讀準確率與臨床敏感度。該平台具體落實「健康資料科學」中 AI 與資料應用能力的訓練，同時也涵蓋「健康資訊系統」領域中電子健康資料之理解與應用，是學生進入資料驅動醫療現場的最佳前哨站。
利用自然語言處理與內容理解技術，學生可將考古題、教科書或臨床指引之PDF檔案上傳至平台，AI 將自動進行知識結構圖譜建構、概念彙整與重點提取。系統亦能自動出題，生成選擇題、臨床簡答題與情境題，並根據學生答題情形提供錯誤分析與關聯知識推薦。以 Google開發的Notebook LM 為例，該平台整合多項個人化學習功能，每道題目還設有知識跳轉式解析，能直接連結至教材原文位置，協助學生迅速釐清概念、追蹤錯誤來源；該平台亦提供語音摘要與 Podcast 式學習模式，方便學生在通勤或零碎時間進行有效複習。
儘管 DECODE 框架為數位健康教育提供了清晰且完整的發展藍圖，實際推動過程中仍面臨諸多挑戰。首先，醫學課程本已緊湊，若強行加入數位健康相關內容，恐導致課程負擔過重，影響既有教學節奏、學生吸收不足。其次，目前擁有數位健康專業知識與教學能力的師資仍相對不足，教材與教學平台的建置亦有待加強。此外，資源分布不均也是一大限制，尤其在偏鄉地區或低資源環境中，設備與網路連線的不足，將使數位學習機會產生明顯落差。為因應這些問題，可從三個方向著手。第一，推動課程模組化設計，將數位健康內容以選修形式彈性融入核心課程中，避免擠壓既有學習空間。第二，鼓勵醫學系與資訊工程、公共衛生等系所進行跨領域合作，透過建立資源共享的教學聯盟或雲端平台，提升教學品質與可近性。第三，應將 AI 素養與資訊判讀能力納入基礎課程設計，讓學生從學習初期即建立面對未來醫療挑戰所需的數位知能與批判思維。
DECODE 框架為全球醫學教育轉型提供了方向與標準。未來，唯有透過彈性設計、跨域合作與資源整合，方能真正落實數位健康教育，培育具備AI素養與資訊素養的醫師，迎向數位時代的臨床挑戰。
