為何醫療 AI 卡在 PACS / HIS 的結構性問題
在過去幾年，我們看見醫療 AI 突飛猛進的發展。無論是影像判讀的準確率，還是病歷分析的深度，AI 似乎都已經準備好成為醫師最好的助手。然而，當我們興致勃勃地拿著產品走進醫院場域時，卻很快發現——
擋在前面的，往往不是醫師的接受度，也不是法規，而是一個更古老、也更棘手的結構性問題。
那就是：既有資訊系統（Legacy Systems）的壟斷與長期累積的服務鏈壁壘。
具體來說，正是那些掌握醫院數據命脈的PACS（影像傳輸系統）與 HIS（醫療資訊系統）廠商。
一、數據的護城河：難以觸及的「場域入場券」
醫療 AI 的血液是數據（Patient Data）。
理論上，數據屬於醫院或病患；但在實務操作上，數據的「水龍頭」，卻緊緊握在 PACS 與 HIS 廠商手中。
對 AI 公司而言，每一次進場都像是一場攻城戰。
要取得影像或病歷資料進行推論，必須仰賴系統商提供的介面；而這些介面，往往封閉、缺乏標準化，甚至高度客製。
於是出現一個極為矛盾的現象：
我們擁有最先進的 AI 引擎，卻因為拿不到鑰匙，而無法啟動引擎。
這種對數據通道的掌控，實質上成為 AI 進入臨床場域的高額「過路費」。
二、整合的無底洞：人力與資源的消耗戰
如果只是一次性的技術對接也就罷了，但現實是——
每一家醫院的 PACS / HIS 版本、架構與客製程度都不同。
這代表什麼？
代表 AI 公司每談成一家醫院，就必須重新進行一次高成本的系統整合（Integration）。
這並非單純的 API 串接，而是包含：
- 底層資料格式清洗
- 通訊協定對接
- 舊系統相容性處理
大量的人力與研發資源，被迫投入在重複性的「水電工」工作，而非核心 AI 能力的優化。
這種居高不下的邊際成本，嚴重拖慢了醫療 AI 的規模化速度。
三、被閹割的產品力：舊世代的 Viewer 裝不下新世代的 AI
這或許是最讓產品經理感到挫折的一點。
許多醫療 AI 產品，實際上具備：
- 3D 重建
- 動態熱區顯示
- 互動式風險評估
- 多層次視覺化分析
但當這些結果必須回傳到醫師熟悉的 PACS 或 HIS Viewer 時，往往被迫「降維呈現」。
原因很簡單：
多數既有 Viewer 並不支援現代 Web 技術或高度互動介面。
於是，AI 的輸出被迫退化為：
- 一張靜態截圖（Secondary Capture）
- 或一段純文字報告
AI 的能力是 4K 電影，但載體卻只能播放黑白默片。
醫師自然無法體驗完整價值，使用意願也難以被真正建立。
四、行銷的錯位：當 AI 成為標案裡的「裝飾品」
即便技術問題克服，後面仍有更深層的商業結構矛盾。
許多 AI 公司選擇與 PACS / HIS 廠商合作，希望透過既有通路進行搭售（Bundle Sales），談分潤、談合作，期待雙贏。
但現實往往並不如此。
對多數傳統系統商而言：
- 核心收入來自系統維護與硬體建置
- AI 只是投標時的加分項
- 甚至只是「看起來先進」的裝飾品
他們的業務團隊習慣銷售穩定、功能明確的基礎建設，既缺乏深入理解 AI 臨床價值的能力，也沒有足夠的推動誘因。
當通路端缺乏主動性，AI 便很難在終端使用者心中，建立不可或缺的定位。
結語：演算法之外，更困難的是結構
醫療 AI 要真正普及，不能只停留在演算法的競賽。
更困難、也更關鍵的，是正視：
- 資料入口的掌控問題
- 基礎建設的服務鏈壁壘
- 以及通路與商業動機的結構性錯位
在現階段，AI 公司往往被迫依附在對新技術並不友善的舊系統之上。未來或許需要更開放、被真正落實的資料標準例如 FHIR，但現階段在商模和策略夥伴運用的方式，還是有辦法突破這些結構性的阻礙，想進一步了解，歡迎聯絡toniahsiao@gmail.com
