4,000 名營養師 vs 500 萬慢性病患者——為什麼台灣醫療 AI 不該只做聊天機器人

這個數字是台灣醫療照護最大的 bug。

4,000 名執業營養師。超過 500 萬慢性病患者。

比例 1:1,250。

不是醫生的問題。不是藥的問題。

是照護中斷的問題。

大部分醫療 AI 在解決錯誤的問題

2025 年，大量資金湧入醫療 AI。

病灶判讀。基因分析。藥物發現。手術機器人。

全部都很重要。

但有一塊沒人碰：患者離開醫院之後那 99% 的時間。

台灣領慢性病連續處方箋的患者超過 500 萬人。他們的血糖、血壓、飲食、生活習慣——這些數據的質量，決定了他們會不會在三年後演變為腎臟病、心血管事件、甚至截肢。

可是這些數據現在是零散的、未結構化的、甚至根本不存在的。

真正的問題不是「診斷不足」，是「照護中斷」

一台 MRI 機器一小時可以完成 4 個患者的掃描。

一位營養師一小時只能完成 2-3 個患者的諮詢。

這不是不夠聰明的問題。這是系統架構的問題。

就像叫一個軟體工程師同時維護 1,250 台伺服器。不是工程師不夠強——是 system doesn’t scale。

患者離開醫院就失聯了。沒有人追蹤他吃了什麼、血糖多少、有沒有按醫囑吃藥。

兩週後回診，數據空白。醫生只能問：「你最近吃得怎麼樣？」

患者說：「還行。」

這就是醫療 AI 最大的空白——照護的連續性。

這就是為什麼我們不做醫療 GPT

醫療 GPT 能回答問題。

但它不記得你上週的血糖。

不會在你連續三天吃太鹹的時候提醒你。

不會在患者失聯超過一週的時候自動追蹤。

不會主動跟醫院的 HIS 系統交換資料。

Agentic Healthcare Workflow 不一樣。

我們讓 AI Agent 具備四件事：

1. 長期記憶 ——知道你三個月來的飲食軌跡，不用每次從頭說。我們的 PICO-Graph RAG 引擎就是把臨床知識以圖譜方式組織，讓 AI 能在複雜醫學知識網絡中進行深度推理。¹

2. 任務拆解 ——從一張 LINE 照片拆出食物類別、營養素、藥物交互風險，背後是 GPT-4o Vision 加上多 Agent 協作。²

3. 主動追蹤 ——患者失聯？自動發 LINE 提醒。連續異常？推播通知營養師。而不是等下一次回診才發現。

4. 跨系統協作 ——FHIR R4 標準串接醫院的 HIS 系統，讓院內數據與院外行為數據連起來。³

這不是「更聰明的 chatbot」。

這是重新設計照護流程的 infrastructure layer。

為什麼開源 Taiwan Health MCP

照護不該是單一廠商的事。

台灣有全世界最好的健保系統之一。但醫療數據的基礎建設——ICD-10 編碼、藥品資料庫、檢驗標準——長期缺乏一個讓 AI 可以理解的介面。

所以我們把 Taiwan Health MCP 開源了。⁴

51 個工具。12 個群組。Docker compose up -d 就能跑。MIT license。

你想拿去用就拿去用。

從營養開始，因為這裡缺口最大

為什麼選營養？

因為 500 萬慢性病患者裡，糖尿病、腎臟病、心血管疾病——每一種的預後都跟飲食直接相關。

沒有其他專科比營養更需要 AI。

也沒有其他專科比營養更被 AI 忽略。

Open source 是基礎建設。Agentic workflow 是照護的未來。

我們選擇從營養開始。

本文使用的市場數據（4,000 名營養師、500 萬慢性病患者、比例 1:1,250）引用自療心智能官網 llms.txt 與 facts.html，整合衛福部公開統計。技術細節引用自療心智能部落格已發表之系列文章。