用 AI + Data 做出「可衡量的價值」：從精實到 Value-Based Care 的落地藍圖（以小型地區醫院／40床RCW／日照中心為例）

TL;DR
不是先買模型，而是先把 資料（Data） 做乾淨、做可追蹤，對齊 價值 = 病人重視的成果 / 提供該成果的成本。用「精實」消除浪費，讓 AI 只在最能放大價值的節點上場。

為什麼「AI 要先從 Data 開始」

• 價值假說：顧客（病人/家屬）買的是 價值 不是產品；價值來自利得 vs 成本的權衡。
• 價值模型（Porter）：Value = Health outcomes that matter to patients ÷ Costs of delivering the outcomes。
• 精實（Lean）：先消除浪費/障礙、讓醫護專注照護品質，跨部門破孤島，資料才能真正反映價值。

結論：AI ≠ 先訓練模型；AI = 先讓資料能量化價值（成果、成本、流程），再把 AI 放進最能創造價值的節點。

一頁藍圖：AI Data 落地 5 層架構

[層 1] 資料源頭（EHR/EMR、護理紀錄、藥品耗材、穿戴裝置、日照打卡） ↓ [層 2] 標準化與治理（時間戳、一人一碼、事件化、稽核、權限） ↓ [層 3] 價值資料集（Outcomes、Cost、Process、Satisfaction 四大主表） ↓ [層 4] 分析與AI（描述→診斷→預測→建議；含管控圖、風險分層、最適排程） ↓ [層 5] 臨床與營運應用（看板/KPI、提醒/路徑、成本對照、決策回饋）

關鍵資料表（Minimal Viable Data Model）

1) tbl_outcomes（病人重視的成果）

2) tbl_costs（提供成果的成本）

3) tbl_process（流程事件）

4) tbl_satisfaction（病人/家屬滿意）

標準化與治理（小院也能做）

• 唯一鍵：person_id（去識別化）、timestamp（ISO 8601）、event_id。
• 字典表：outcome_code、activity_code、cost_center 皆有版本與生效日期。
• 欄位原則：數值單位固定（ml、片、分鐘）、不可混用；金額含稅/未稅要一致。
• 權限：讀寫分離、最小可用原則；有異動稽核（who/when/what）。
• 品質閘門：批次匯入前做 schema 檢查、值域檢查、外鍵檢查、缺漏比率。

KPI 面板：把「價值」量化掛表

• Value Index（每人月）：Σ(達到MCID的人數) / Σ(總成本)
• 跌倒率、30天再住院率、壓瘡發生率（Outcomes）
• 每人每天直接成本、耗材報損率（Costs）
• 平均等待時間、多餘走動步數、跨部門交接次數（Process/浪費）
• 病人/家屬滿意度（Satisfaction）

小訣竅：每個 KPI 都要能追溯到原始事件與成本來源，否則 AI 很難學到真實關係。

最小可行管控：SQL 與檢核

sql
-- 1) 找出「無法對應到任何病人」的成本（可能是共用耗材，應有分攤規則）
SELECT cost_id, activity_code, total_cost
FROM tbl_costs
WHERE person_id IS NULL;

-- 2) 以流程事件串成本：同日、同科別、同活動碼的對應率
SELECT p.person_id, p.step, c.activity_code, COUNT(*) AS join_cnt
FROM tbl_process p
LEFT JOIN tbl_costs c
ON p.person_id = c.person_id
AND DATE(p.timestamp) = DATE(c.created_at)
AND p.step = c.activity_code
GROUP BY 1,2,3;

-- 3) 產生「等待>15分」的瓶頸清單
SELECT step, AVG(wait_sec)/60.0 AS avg_wait_min, COUNT() AS cnt
FROM tbl_process
GROUP BY step
HAVING AVG(wait_sec) > 1560
ORDER BY avg_wait_min DESC;

從精實到 AI：先抓浪費，再上模型

紅字精神（精實重點）→ AI 任務對照

紅字重點 典型資料欄位 AI 任務

消除障礙/浪費 wait_sec, walk_steps, handoff_count 流程瓶頸偵測、排程建議
專注照護品質 outcome_value, meaningful_change 預測誰最可能受益、個人化路徑
破除各自為政 cost_center, step, timestamp 跨部門路徑圖、關聯規則
為病人創造價值 outcomes ÷ costs 價值貢獻度分析、策略模擬

Python 範例：用事件資料做「價值貢獻」粗估（可先跑在 Jupyter）

import pandas as pd

假設已經有四張表

outcomes = pd.read_csv("tbl_outcomes.csv", parse_dates=["date"])
costs = pd.read_csv("tbl_costs.csv")
process = pd.read_csv("tbl_process.csv", parse_dates=["timestamp"])
sat = pd.read_csv("tbl_satisfaction.csv")

(1) 定義「達到臨床顯著變化」的人頭（MCID）

win = outcomes.query("meaningful_change == True").groupby("person_id")["outcome_code"].nunique().reset_index(name="n_wins")

(2) 匹配成本（每人月）

cost_pm = costs.groupby("person_id", as_index=False)["total_cost"].sum().rename(columns={"total_cost":"cost_per_period"})

(3) 形成簡易 Value Index

value_idx = win.merge(cost_pm, on="person_id", how="left")
value_idx["value_index"] = value_idx["n_wins"] / value_idx["cost_per_period"].clip(lower=1)

(4) 找出 value 前20% 的病人特徵（做後續個管規則）

top20_cut = value_idx["value_index"].quantile(0.8)
top20 = value_idx[value_idx["value_index"] >= top20_cut]["person_id"]

(5) 連回流程，查看這些人共同的「少浪費」特徵（例：等待短）

feat = process[process["person_id"].isin(top20)]
print(feat.groupby("step")["wait_sec"].mean().sort_values())

目的：先用最小資料找「高價值模式」（例如同樣成本下，誰的 ADL/疼痛改善更快、等待更短），再設計 AI 任務與個管規則。

小型院所/日照的三週落地清單（不改核心系統也能做）

Week 1

訂 person_id 去識別規則，補 timestamp。

盤點 10 個最常見的 activity_code 與其單位成本。

建 4 張 Minimal 表（Outcomes/Costs/Process/Satisfaction），先 CSV。

Week 2

做 6 個 KPI：跌倒率、再住院、平均等待、報損率、每人成本、滿意度。

針對等待>15分的流程，畫出跨部門泳道圖，定義 3 個消除浪費行動。

Week 3

實施一項「等待時間」改善，紀錄前後數據。

建立 Value Index 看板；每週檢討一次（醫、護、社工、管考同桌）。

治理與合規（一定要做）

隱私：去識別（tokenize）、最小可用、用途告知、加密靜態/傳輸。

資料生命週期：保留年限、刪除流程、第三方存取審核。

模型治理：資料漂移監測、再訓練門檻、人工覆核、失效下線機制。

稽核軌跡：資料/特徵/模型/推論全程可追溯（誰、在何時、對誰、做了什麼）。

常見誤區 vs 正確做法

誤：先買 AI 方案 → 正：先把 Outcomes/Costs/Process 打通，算得出 Value。

誤：資料很多就夠 → 正：要對齊價值且可追溯。

誤：KPI 越多越好 → 正：先盯住 6 個核心，能週週改善最有用。

誤：AI 取代人 → 正：AI 支援醫護，讓專業時間用在真正有價值的照護。

結語：讓 AI 站在「價值」這一邊

當資料可以同時連結 患者重視的成果 與 提供該成果的成本，精實帶來的「減浪費」「專注品質」就能被量化，AI 也才能對準最該發力的地方。
先 Data、後 AI；先價值、後功能。

附錄：最小事件 JSON（給前端/裝置寫入用）

{
"event_id": "evt_2025_0001",
"person_id": "p_3f9c1f",
"step": "vitals_check",
"timestamp": "2025-10-30T09:12:33+08:00",
"attr": {
"wait_sec": 420,
"room": "D01",
"nurse_id": "n_12",
"walk_steps": 35
}
}