IBM Watson Health與FDA合作研究區塊鏈技術之醫療運用
根據專利資料庫公司IFI CLAIMS公佈2016年美國專利統計報告，IBM以8,088件專利再度蟬聯冠軍，其中多著重在人工智慧（artificial intelligence）、認知運算（cognitive computing）、及雲端（cloud）等技術領域，也有健康醫療相關專利。
近期IBM Health與美國食品藥品管理局（U.S. Food and Drug Administration）展開兩年期之合作研究，透過區塊鏈技術（blockchain）以安全且去中心化的方式進行數據共享，如：交換電子病歷、臨床試驗、基因數據、甚至過去難以取得的病患行動與穿戴裝置數據及物聯網（Internet of Things）數據等。
傳統上病患的病歷資訊存放於各診療單位或醫療機構，造成資訊管理效率及互通性較低，在區塊鏈技術的架構下，有效率的將大量且多樣的醫療數據進行彙整，並藉審查追蹤紀錄以防止竄改，提升病歷數據傳輸管理的可靠性及安全性。在如此多元化的醫療數據共享環境下，有助於醫療診斷、更將能促進產業發展。
此外，過去病患穿戴裝置所測得的日常生理數據，不管在數據取得、或將該些數據應用至臨床診斷上皆存有許多問題，如今區塊鏈技術將能提高物聯網數據資訊之整合性。依調查顯示，預計有80%新創組織採用區塊鏈技術於物聯網數據管理與應用上。
其他應用商機更包括居家監控、慢性疾病管理、藥物整合（medication reconciliation）及供應鏈管理等。IBM預估，至2017年底將會有16%的健康醫療機構採用以區塊鏈技術為架構的管理工具，並預測十年內採用比例將達72%。
本文同步刊登於TIPS網站（https://www.tips.org.tw）」
- Jing Cao & Susan Decker, IBM Breaks Record in U.S. Patents With Cloud, AI and Health Bets, BLOOMBERG, Jan. 9, 2107
- Jessica Emond, IBM Watson Health Announces Collaboration to Study the Use of Blockchain Technology for Secure Exchange of Healthcare Data, PRNEWSWIRE, Jan. 11, 2017
- Jennifer Bresnick, IBM Watson Health, FDA Partner for EHR, IoT Blockchain Project, HEALTHIT ANALYTICS, Jan. 11, 2107
龔芳儀
專案經理 編譯整理
Jing Cao & Susan Decker, IBM Breaks Record in U.S. Patents With Cloud, AI and Health Bets, BLOOMBERG, Jan. 9, 2107, https://www.bloomberg.com/news/articles/2017-01-09/ibm-breaks-record-in-u-s-patents-with-cloud-ai-and-health-bets (last visited Jan. 17, 2017)
Jessica Emond, IBM Watson Health Announces Collaboration to Study the Use of Blockchain Technology for Secure Exchange of Healthcare Data, PRNEWSWIRE, Jan. 11, 2017, http://www.prnewswire.com/news-releases/ibm-watson-health-announces-collaboration-to-study-the-use-of-blockchain-technology-for-secure-exchange-of-healthcare-data-300389160.html (last visited Jan. 17, 2017)
Jennifer Bresnick, IBM Watson Health, FDA Partner for EHR, IoT Blockchain Project, HEALTHIT ANALYTICS, Jan. 11, 2107, http://healthitanalytics.com/news/ibm-watson-health-fda-partner-for-ehr-iot-blockchain-project (last visited Jan. 20, 2017)
陽明交通大學於2025年7月11日，透過律師向美國商標審判及上訴委員會（The Trademark Trial and Appeal Board，簡稱TTAB）提出答辯主張，主張其商標（縮寫為NYCU）並未和紐約大學的商標（縮寫為NYU）有混淆誤認之虞，以下將以此案為例，說明實務上如何運用DuPont Factors（又稱杜邦分析要件）判斷混淆誤認，品牌商標命名、註冊等階段時應注意的風險和實務上可行的因應措施。 杜邦分析要件係源於1973年的E.I. DuPont de Nemours & Co. v. Celanese Corp.案，用13個判斷分析要件檢視是否有商標混淆誤認的情形，是美國審查實務，或者相關商標爭議判斷，最常引用的判斷標準，並視個案情形引用對應要件。 本案陽明交通大學提出答辯主張包括：NYU與NYCU字母、意義等整體印象不同(第1項)；NYU提供美國正式教育學位課程，而NYCU僅限於台灣課程，未提供美國正式學位，雙方提供不同之教育服務(第2項)；NYCU僅有限參與國際會議並未於美國招生，通路未重疊，且消費族群均為高知識與謹慎決策者(第3~4項)；無任何實際混淆的證據(第7項)；NYCU長期使用該縮寫於國內外學術交流與排名中，未發生混淆而顯示兩者商標可共存(第8項)；NYCU合法註冊校名之縮寫，具有使用與排他性權利，無混淆意圖亦未仿冒(第11項)；雙方市場截然不同，混淆風險極低(第12項)，以及若不准NYCU使用將造成教育機構正常名稱縮寫受限，牽涉公共利益、學術發展與合理使用(第13項)等。 品牌企業或學研法人不論從命名、商標註冊階段，甚至到商標異議、撤銷、侵權爭議等判斷，不可忽視商標之混淆誤認風險，將可能被迫改名、下架商品或服務調整行銷素材、重啟品牌命名流程等，耗費人力、時間或經費。因此，務必完善品牌商標管理機制，確保能掌握混淆誤認之判斷原則、階段性評估檢核，以降低品牌撞名或近似他人註冊商標之情形，進而鞏固品牌價值。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw）
新加坡發布最新版《醫療照護人工智慧指引》新加坡發布最新版《醫療照護人工智慧指引》 資訊工業策進會科技法律研究所 2026年06月10日 壹、背景摘要 新加坡衛生部（Ministry of Health, MOH）與衛生科學局（Health Sciences Authority, HSA）於2026年3月10日共同發布更新版《醫療照護人工智慧指引》（Artificial Intelligence in Healthcare Guidelines Version 2.0，以下簡稱AIHGle 2.0）[1]。延續2021年初版架構，以病人安全與強化信任為主軸，就人工智慧，特別是機器學習、深度學習及生成式人工智慧，在醫療場域之開發、部署與使用，分別課予開發者、部署者及使用者之責任，並以全生命週期治理一以貫之，期使創新與信任並行。 AIHGle 2.0 係 MOH 與 HSA 共同更新之指引，定位為非強制性之最佳實務建議，做為《健康照護服務法》（Healthcare Services Act 2020, HCSA）、規範醫療器材之《健康產品法》（Health Products Act 2007, HPA）、《個人資料保護法》（PDPA），以及資通訊媒體發展局（IMDA）之人工智慧治理模範框架等相關法令規範或政策的補充。 貳、重點說明 該指引將醫療 AI 之利害關係人明確區分為：開發者（Developers），即開發、整合或維護醫療 AI 解決方案者；部署者（Deployers），指受 HCSA 規範並導入 AI 以強化照護服務之醫療機構；使用者（Users），即實際操作 AI 之醫事人員分別有專章規範。於適用範圍上，AIHGle 2.0 雖廣泛適用於各類 AI，惟聚焦於風險較高之機器學習與深度學習複雜系統，生成式人工智慧則歸屬於其中一環。指引並將醫療場域 AI 使用情境三分為臨床（Clinical）、臨床作業（Clinical-Ops）與作業（Ops），明定其聚焦於對病人照護結果有直接或間接影響之前二者；至純屬作業性質者，則回歸 IMDA 跨產業之治理框架辦理。 一、釐清三大利害關係人之分工與權責 該指引明確將醫療 AI 之參與者區分為開發者、部署者與使用者三類，並就各方於系統生命週期中之責任分別訂定[2]。同時，其建議以服務水準協議（SLA）固化開發者與部署者間之權責，及標準作業程序（SOP）明定使用者責任： (一)開發者：負責法規遵循，以全產品生命週期（Total Product Lifecycle, TPLC）方法管理解決方案，確保訓練資料之品質與公平性，並備置使用者說明、提供上市後支援。 (二)部署者：負責建立組織內部治理平台，辦理部署前測試驗證、員工訓練與不良事件因應，並建立病人溝通流程；且導入 AI 後病人之照護成果應維持或優於未導入時之水準。 (三)使用者：應就 AI 輸入與輸出資料維持專業判斷與查證，並於 AI 異常時啟動應變措施，以確保病人安全。 二、建立以風險為本之評估架構，強制要求人為監督 針對直接或間接影響病人照護成果之「臨床」與「臨床作業」情境，指引強制規定所有 AI 之使用均須具備人為監督（human oversight），AI 僅為輔助工具，不得取代專業判斷；並依人為介入程度與風險高低，將風險類別區分為三類[3]： (一)人在迴路中（human-in-the-loop）：人類保有完全控制權，無人類指令即無法執行決策，屬輕至中度風險。 (二)人在迴路上（human-over-the-loop）：人類處於監測角色，遇異常時接管控制，屬中至重度風險。 (三)人在迴路外（human-out-of-the-loop）：無人為介入；指引明文禁止部署於無人監督下獨立作成臨床決策之 AI 系統，屬重度風險。 三、導入全產品生命週期（TPLC）管理 AIHGle 2.0指引要求開發者以全面而整合之策略管理 AI 解決方案，自初期之規劃、設計與開發，歷經模型評估、上市後監測與維護，甚至是生命週期終止之除役階段，都有不同角色區分的全程嚴謹之風險評估、軟體驗證與可追溯性要求[4]。 四、具體化七大倫理原則之落實方式 指引結合醫學倫理與 AI 治理，揭示七項倫理原則：安全、公平、透明、可解釋、穩健、資安與資料保護，以及 AI 與人類價值或目標之對齊。其特色在於不僅列出原則，更分就開發者、部署者與使用者給出具體之操作化範例；以「公平」原則為例，開發者須使用具代表性資料，部署者須監測非預期偏誤，使用者則須運用臨床判斷以減緩偏誤[5]。 五、針對新興技術與應用提出具體對策 因應 AI 能力快速演進，指引就三大新興發展領域分別提出風險減緩策略。包括：具持續學習能力之 AI，提醒防範「模型漂移」（model drift，即效能隨時間衰退）及資料揭露風險，要求建立追蹤模型效能之健全監測系統；就生成式 AI（Generative AI, GenAI）點出幻覺（hallucination）、產生不當內容、資料揭露與易受對抗式提示攻擊等放大風險，建議透過紅隊測試、檢索增強生成（Retrieval-Augmented Generation, RAG）、建立事實查核工作流程及加註 AI 產出警語予以因應；直接面向消費者之 AI 應用：因脫離傳統醫療場域之安全監督，AIHGle 2.0指引特別建議應實施嚴格的充分說明措施，以外行人易懂之介面設計，並強化消費者教育，以確保安全[6]。 參、事件評析 我國衛福部配合「人工智慧基本法」賦予目的事業主管機關訂定風險管理規範與協助產業訂定指引的權責，亦於115年5月29日頒布《醫療機構應用生成式人工智慧指引》[7]，雖同以病人安全與負責任創新為目的、同採非強制之行政指導，但規範對象、範圍與法制脈絡不同。惟若從產業指引的全面性與涵蓋範圍來看，新加坡的AIHGle 2.0指引相比於我國指引，在以下幾個面向，特別是對象範圍有較高的完整度，於衛福部指引仍有可借鏡的地方，亦可供將來我國其他各主管機關的產業指引制定參酌： 一、規範範圍不限於「生成式 AI」，完整的對其他與新興 AI 的涵蓋 新加坡指引適用範圍從簡單的規則式決策樹、機器學習到生成式 AI 等各類技術，目前衛福部指引考量具備自主決策與執行能力的 AI Agent，因可能直接影響病人健康結果，涉及病人安全、醫療責任與法規適用等議題，因此暫未納入指引適用範圍，而限定適用於「生成式人工智慧」系統。但隨技術演進、生成式以外之 ML/DL 乃至漸具自主能力之系統亦會進入臨床場域，將來仍宜及早規劃、適時滾動納入新加坡完整廣納各類技術於單一框架。 二、以持續修正、評估甚至終止機制因應技術迭代與部署後學習 新加坡特別訂定「具持續學習能力之 AI 解決方案」的規範，指明這類模型會依部署後的新資料更新行為，容易產生「模型漂移（model drift）」包括效能退化、意外資料揭露的風險，故特別提醒開發者與部署者必須建立健全的監測系統與追蹤評估機制，而且使用者必須警覺與通報示警。 三、完整地納入而非偏重「部署者」視角，提供對「AI 產業（開發者）」的直接指導 衛福部指引主要作為預備導入或已經導入生成式人工智慧系統之醫療機構的內部治理為主要對象與目的，但就產業指引角度，醫療AI 開發廠商產業端，僅透過醫療機構的「供應商管理與採購作業」角度，以合約要求廠商揭露資訊、約定責任分工等進行間接規範，未能有專屬開發實務準則，提供從初期的規劃設計，如確保訓練資料的品質、公平性與隱私強化技術、模型應以獨立測試資料集檢驗準確度，到上市後監督與維護的詳細直接指引，確實較為可惜。 四、涵蓋直接面向消費者端之 AI 應用風險提醒 衛福部指引的適用情境聚焦於醫療機構內的醫療或管理作業，例如病歷撰寫、臨床決策支援等。對於民眾自行透過手機或穿戴式裝置使用的醫療/健康 AI 應用則未加著墨。新加坡指引特別針對產業直接面向消費者之 AI 應用提出規範，指出這類應用由於脫離傳統醫療場域與專業人員的安全監督，特別須重視資訊的有效、可理解、對應不同程度使用者的提供與說明，必須實施外行人易於理解的介面與嚴格的防護欄，且部署者與醫事人員有責任教育病人正確使用，並在不清楚時尋求專業建議。 五、風險評估構面納入人為介入並強調組織治理與監督機制的建立 新加坡指引特別建議醫療機構建立內部治理平台，以於 AI 解決方案的整個生命週期中，維持對其組織內所部署所有醫療 AI 解決方案的評估、監督、維護、指引，該平台應具備相關的臨床、作業、技術與法律知識，有明確的稽核權責分離。衛福部指引以生成式 AI 為專門對象，確實就基礎模型偏差、輸出幻覺、使用者依賴（deskilling）及服務中斷等風險之操作化有較詳細的說明，但若能就風險評估除亦考慮影響性與發生可能性外，並以「人為介入程度」作為風險分級依據，將可更徹底的將負責任AI、人為最終判斷，納入、內化於組織的風險管理機制中。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://keid.nat.gov.tw/tips/） [1]新加坡衛生部（Ministry of Health）與衛生科學局（Health Sciences Authority），《醫療照護人工智慧指引》（Artificial Intelligence in Healthcare Guidelines）第2.0版，2026年3月，網址：https://isomer-user-content.by.gov.sg/3/23fb5b36-56b4-4abb-9370-75c9ddcaf3ed/AIHGle%202.0.pdf（最後瀏覽日：2026/06/05）。 [2]前揭註1之第4章責任分工，頁11；各方責任詳見第5章開發者、第6章部署者、第7章使用者，頁14~32；服務水準協議與標準作業見頁12~13。 [3]前揭註1之風險評估框架，頁23。 [4]前揭註1之第5.2節全產品生命週期管理，頁16~20。 [5]前揭註1之3章倫理原則，頁8~10。 [6]前揭註1，頁33至36（第8章新興發展：第8.1節具持續學習能力之AI、第8.2節生成式AI、第8.3節直接面向消費者應用）。 [7]衛生福利部，《醫療機構應用生成式人工智慧指引》，115年5月29日衛部醫字第1151663164號函頒。
OECD氣候行動監測與科學技術之挑戰經濟合作與發展組織（Organisation for Economic Co-operation and Development，簡稱OECD）於2022年11月7日發布《2022年氣候行動監測 幫助各國邁向淨零碳排》（The Climate Action Monitor 2022 Helping Countries Advance Towards Net Zero），係由國際氣候行動計畫（International Programme for Action on Climate，簡稱IPAC）團隊撰擬，提供全球氣候行動的重要見解。 IPAC提出之分析方法係本於OECD與聯合國環境規劃署（United Nations Environment Programme，簡稱UNEP）的「壓力–狀態–回應」（Pressure-State-Response，簡稱PSR）環境指標模型。與政策回應相關的潛在限制與障礙，可區分為四個關鍵領域：1、治理：有效率的執行脫碳政策或需有新的治理框架；2、關鍵材料：脫碳政策需使用的關鍵材料如銅、鋰等；3、技能、技術與創新：回應氣候變遷政策需個人和機構有新的能力和技術；4、財政：以政策回應需有充足的資金。 推動淨零在科學技術上面臨的挑戰為關鍵材料的應用。相較於化石燃料，綠能技術需更多的材料；特別是應用於電力系統的銅和鋁，或應用於電池的鋰、鈷和石墨。稀土對於風力發電機、電動與混合動力汽車、行動電話、電腦硬體、平面顯示器和電視機為重要材料。惟此些關鍵材料的取得集中於極少數的國家，以致於供應鏈易受單邊衝擊的影響，而使價格飆升，阻礙轉型。原材料占綠色技術大部分的成本，而緊張的材料市場可能會阻止對綠色技術的使用。氣候計畫與公告需考量關鍵技術的風險，實踐可信且穩定的淨零碳排，需於全球開發新的資源、新型的加工製程，與加速投資。並藉由新技術，與發展特定材料的回收鏈，以減緩對取得材料的依賴。 OECD提出「福祉透視」（the Well-Being Lens）的流程，以協助各國確認與考量淨零轉型的優先政策。此過程的步驟為：1、預設若為運作良好的系統所能達成的成果；2、理解現行系統無法達成的原因，以及如何重組和設計系統；3、確認行動與政策對於改善系統運作具有潛力。 本文同步刊登於TIPS網站（https://www.tips.org.tw）
美國加州通過藥價透明化法案美國在醫療費用的支出常常超乎預期，其中處方藥之花費就佔了相當大的比例。為了減少醫療費用支出，並讓藥物之價格更為透明，加州州長傑瑞布朗（Jerry Brown）在2017年10月9日簽署了第17號法案（藥價透明化法案），要求藥物製造商若要調高處方藥價格超過一定程度，則須事前通報給主管機關；該法預計於2018年10月1日生效。 藥價透明化法所稱之處方藥（prescription drugs），包含學名藥、原廠藥或特種藥品。本法之主管機關為「加州衛生計畫與發展辦公室」（Office of Statewide Health Planning and Development, OSHPD），掌管本法之執行並對違規製造商處罰民事罰款，本法案施行之相關細節亦由OSHPD訂定。OSHPD依據本法所得之罰款或收入，將全數交給「照護管理基金」（Managed Care Fund）做運用。 依據藥價透明化法規定，處方藥製造商對於其處方藥產品若欲調高產品公告目錄價（Wholesale Acquisition Cost, WAC）超過40美元/療程之漲幅者，須將處方藥漲幅、漲價原因、藥品使用情況或市場等資訊，以「季」為單位，至少於漲價生效60天前通報給加州衛生計畫與發展辦公室。若該藥品為新產品，其WAC超過「醫療保險處方藥物改良和更新法」（Medicare Prescription Drug, Improvement, and Modernization Act）所定之價格區間者，須於新產品上市後3天內通報給OSHPD。 OSHPD在收到處方藥製造商的通報資訊後，則須依法將資訊公開於其網站上。