今(8)日，由經濟部產業技術司指導，臺北醫學大學與資策會科技法律研究所主辦，並由台灣精準醫療品質策進會共同執行的「2026公共衛生高峰論壇」登場。「創新介入與健康影響」場次聚焦健康風險的早期辨識、行為改變與精準防治，邀請臺灣臨床醫學、公共衛生、營養與成癮防治領域學者，分享AI模型、遊戲化設計、數位營養工具與行政資料鏈結在健康介入上的應用。

敗血症診斷卡關 林聖峰以時間錨定AI輔助ICU早期預警

(圖片來源:主辦單位提供)

臺北醫學大學公衛學科副教授林聖峰指出，敗血症是住院病人與加護病房(ICU)患者發病及死亡的重要原因，但現行診斷工具仍有臨床限制。目前敗血症診斷多依據Sepsis-3標準，也就是第三版國際敗血症定義，需透過序列器官衰竭評估(SOFA)分數，操作相對繁複；簡化版qSOFA雖可快速評估，但敏感度僅剩20至40%，現行指引已不建議單獨使用。

林聖峰提出「時間錨點機器學習模型」，以血液培養時間作為共同時間錨點，透過16項變數分析敗血症風險。在北醫、萬芳與雙和醫院驗證中，模型可將患者分為高、中、低風險；其中高風險患者正向預測率超過88%，可協助臨床團隊更早判斷是否給予抗生素並監測補水狀態。

年輕族群活動量不足 劉傑仁用遊戲化設計提高每日步數

(圖片來源:主辦單位提供)

臺北醫學大學全球衛生暨衛生安全博士學位學程博士候選人劉傑仁指出，全球約只有25%成人達到世界衛生組織(WHO)建議的每週150分鐘運動量；台灣過重與肥胖率也從1993年的32.7%增加至2020年前後的50.3%。

劉傑仁以隨機對照試驗(RCT)探討遊戲化是否能提升大學生運動參與。研究納入18至35歲北醫大學生，分為控制組、序列遊戲化組、累積遊戲化組及顯性遊戲化組。結果顯示，各介入組每日步數皆顯著增加，其中以累積遊戲化組效果最明顯，顯示逐步累積遊戲元素可能帶來加成效果。

AI通過營養師國考 張榮素點出人機溝通與監督關鍵

(圖片來源:主辦單位提供)

臺北醫學大學營養學院教授張榮素指出，傳統膳食評估高度仰賴營養師與患者溝通，但患者常因記憶、食物名稱與份量判斷不清，造成測量誤差；若導入數位食物模型，則有機會降低評估偏誤。

張榮素團隊測試GPT-4等大型語言模型後發現，其可用85%至92%的準確率通過台灣營養師國考。不過，AI仍可能受人為誤差、上下文視窗限制(Context Window Limitation)與系統過載(System Overload)影響。她認為，使用者需具備AI素養，並建立標準作業流程監督輸出結果。

成癮防治需精準介入 陳娟瑜以行政資料鏈結鎖定高風險族群

(圖片來源:主辦單位提供)

陽明交通大學公共衛生研究所教授陳娟瑜指出，台灣非法藥物使用的終身盛行率約為1%；在校園或家戶調查中，數字有時甚至低至五百分之一，使研究者若只依賴自行收案，較難取得足夠樣本，因此需透過行政資料鏈結產生證據。

陳娟瑜團隊分析2013至2016年1,605名國中藥物使用學生，並與809,477名一般青少年比較。結果顯示，高風險家庭(HRF)介入與再次通報風險下降約43%相關；輟學輔導與再次通報風險上升46%相關；使用一、二級毒品則與風險上升27%相關。她認為，防治需放在家庭、學校與社區脈絡下，並透過跨部門合作推動精準介入。