Wiki
個人知識庫
知識圖譜授權此裝置
一個人也能打造的智慧醫院：Omakase Smart Hospital（演講素材）
這是我在部落格寫下的一篇宣言，主張智慧醫院真正的瓶頸不在技術，而在「非得很大不可」的成見。用 Rails、FHIR、LINE、Kamal 這些開源工具，一個人每月花幾塊錢美金就能把醫院系統跑起來。我把它整理成演講素材，核心是五件我相信的事，以及為什麼「一個人」不是限制，而是一種主張。
台灣醫院 HIS 的獨規困局，為什麼 SMART on FHIR 是唯一的出路
這篇講一件我在醫院資訊室每天都在面對的事：台灣各家醫院的 HIS 長期各做各的、彼此不通，我把這個現象叫「獨規」。每家醫院一套自己的資料模型、一套只有原廠看得懂的介面，跨院調不到資料、想接新功能都要回頭跟原廠談，貴又慢，AI 跟創新根本進不來。我認為這不是靠「再串一條介面」能解的，出路只有一條，就是把資料模型跟存取方式收斂到開放標準，也就是 FHIR。但光有 FHIR 還不夠，真正能打破廠商綁定的是 SMART on FHIR，它在 FHIR 的資料與 API 之上補了 OAuth2 授權跟 app 掛載機制，讓任何一支符合標準的應用可以安全地掛到任何一家醫院的系統上，一次寫、到處跑。美國用 21st Century Cures Act 直接強制 EHR 開放這套 API，Epic、Cerner 都支援，早就是事實標準；台灣有衛福部的 TW Core IG 打底，方向對了，卡的是既有投資跟廠商動機。這篇把獨規怎麼來的、代價是什麼、為什麼標準化是唯一解、為什麼是 SMART on FHIR 而不只是 FHIR，一路講清楚，也誠實講台灣落地的現實阻力。
用 LLM 把結構化臨床資料自動轉 HL7 FHIR：論文精讀與我的 H100 / LiteLLM / vLLM / Gemma 可行性評估
這頁精讀 arXiv 2507.03067（Universidad de Murcia，發表於 JAMIA）——一條半自動 pipeline，用 embedding 加 clustering 加語意檢索（RAG）建 prompt，指引 LLM 把 MIMIC-IV 的表格欄位對映到 HL7 FHIR 資源，並用我現有資源（H100、LiteLLM、vLLM、Gemma、GPT）做落地可行性評估。論文三步：資料預處理轉 JSON、用混合檢索（TFIDF/BM25/USE/Word2Vec 經 RRF 融合）挑最相近的 FHIR 資源、再讓 LLM 依嚴格 JSON schema 做欄位對映。結果：baseline 資源層辨識 100%，屬性層 GPT-4o 約 67 到 74%，明顯贏 Llama 3.2 405b；real world 換上醫療專用 embedding 後資源辨識從 87.9% 拉到 94%。我的評估結論是可行性高，但關鍵不是省錢而是合規——院內 PHI 不能送 OpenAI，所以本地 vLLM 跑 Gemma 才是正解，檢索那半段全本地、又是最大準確度槓桿；命脈在 structured output，vLLM 的 guided decoding 可以在 Gemma 上復刻；最大未知是 Gemma 對 GPT-4o 的準確度差距，先用 mimic-iv-demo 跑一輪 benchmark 就能量化。
Vibe Coding 的經濟學：Rails、Django、Laravel 誰最省 token（一篇中肯的解讀）
AppSignal 在 2026 年 6 月做了一個實測，用同一個 AI 工具、同一組 prompt，分別叫 Rails、Django、Laravel 蓋一個含使用者認證、Posts CRUD、留言、JSON API 的小 app，直接從 Cursor 儀表板量 token。結果 Django 最省，約 3.1 萬 token，Rails 約 6.1 萬是它的兩倍，Laravel 約 10.5 萬最貴。帳面上 Django 完勝，但這不是同一件事的比較，Rails 多灌的 bcrypt、solid_queue、brakeman、bundler-audit 等於順手把背景工作、安全掃描、依賴稽核都做了，Django 灌 0 套件是因為它做得少。加上單一 app、單一工具、各跑一次、樣本很小，別當定論。文章最後把結論導向賣自家監控服務 AppSignal，論點本身合理但要意識到它是 sponsored。我的取法是，token 成本是真的、值得看，但它只是總持有成本的一軸，vibe coding 的經濟學更該看壞掉時多快能修、上 production 要補多少、半年後維不維護得動。
研討會評論：2026 數位創新塑造次世代公衛政策（三總）—— 一整天其實都在談 AI 篩檢
三軍總醫院在 2026 年 7 月 7 日舉辦「數位創新塑造次世代公衛政策研討會」，一整天從衛福部的國家部署策略、馬祖胃癌與花蓮口腔癌的在地篩檢、三總自家的 AI-ECG，一路到澳洲、新加坡、英國、馬來西亞的跨國經驗。議程看似分散，主軸其實一致：如何在確診之前，運用 AI 從一大群人裡辨識出高風險者，再交回醫療團隊。這呼應近年一種漸受重視的觀點，醫療 AI 的本質是篩檢而非診斷。本文逐一整理各講者重點，並提出評論：真正卡住規模化的從來不是模型準度，而是模型之外那圈制度性的 harness，也就是轉診路徑、健保給付、法規、基層工作流，以及健康經濟學這道價值關卡。
《Sega on AI》EP1 摘要分析：台灣是 AI 霸主，還是 AI 代工廠？
iKala 創辦人程世嘉（Sega Cheng）與前 Google 台灣董事總經理簡立峰博士的對談。從 Computex 帶動的「資本島」現象，一路談 AI 是否泡沫、Agent 剛需、2030 Token 暴增 24 倍與硬體優化、美東美西拉鋸、台灣五缺與國際化併購、「幸好台灣軟體弱」的軟體新機會、Agentic Commerce 與 Zero-Click 經濟的 GEO，以及研發從十年縮到六個月。最後以「問、用、管、造」四面向勉勵年輕人成為 AI 時代 1% 人才。
數位轉型傳教士，讓醫療資訊系統慢慢變好
我常自嘲是醫院裡的數位轉型傳教士。傳教不是站在台上喊口號，是默默地把電子病歷、FHIR 資料互通、資安、AI 輔助、系統開發一塊一塊像積木一樣做好，讓醫護與病人某天突然發現「好像變順了」。這篇寫的是一個資訊老兵帶幾個小兵，怎麼用一次次的小勝利，嘗試把一套龐大的醫療系統，無聲地往前推。
手磨豆與回甘：養豆一週後的那杯拉花
手磨附近小店自烘的義式綜合豆，養豆一週後拉花明顯穩定。順手記錄一個工程師對「喝咖啡配白開水才回甘」這句話的親身測試，以及把變因一個一個收好、剩下交給時間的心得。
Rails 官網改口「從 PROMPT 到 IPO」——當框架開始對 AI Agent 喊話
Ruby on Rails 官網 2026 改版，首頁 hero 直接對 AI 寫程式的時代喊話。這篇白話導讀逐句拆解三行文案在說什麼、為什麼「慣例優於設定」這個老哲學在 AI agent 時代反而變成殺手鐧，以及它跟「一個人用 Rails + AI 把系統做出來」的關係。
用 AI，需要兩種勇氣（普羅大眾版）—— 敢用它，也要敢不信它
以「AI 真的需要勇氣」投影片梗（創新的勇氣 vs 停下來的勇氣）為核心的 30 分鐘演講，普羅大眾版（一般上班族／非技術）。基調共鳴+解焦慮，重推「兩邊都要」。含開場鉤子、兩種勇氣框架、不懂技術也能用 AI 的敢衝案例、AI 幻覺／個資／詐騙的敢煞準則、生活化判斷決策圖與收尾金句。
演講側記：SMART on FHIR 遇上 LINE Bot —— 打造隱私優先的醫療 AI 架構
2026 AI Enterprise Summit（iThome）上的一場演講側記。以「病人在 LINE 裡查自己病歷」為主軸，說明如何用 SMART on FHIR + LINE Bot/LIFF 打造隱私優先的醫療 AI 架構：辨識（LINE Login）→ 確認（院內臨櫃 KYC 綁定）→ 授權（FHIR OAuth2 + PKCE + scope 最小化）三段身分鏈，整體安全的天花板卡在「院內綁定」這一最脆弱的信任錨點。
演講側記：一個人的 DevOps —— 從程式碼到 Production
演講現場側記。以「一個人也能把產品從程式碼一路推到 Production」為主軸：白天是醫院資訊室主任、下班後是獨立開發者，靠選對框架(Rails)、AI(Claude Code)、維運(Docker/Kamal)三個巨人，撐起原本需要整個團隊的開發到維運全流程。