GHD單一窗口

這堂課將以「病歷去識別化工具」為例，介紹醫療資料中的敏感資訊與重新識別風險，以及如何利用本地 Large Language Model（LLM，大型語言模型）進行病歷去識別化，再透過 Model Context Protocol（MCP，模型脈絡協定）將相關能力封裝為受控工具。

這堂課將以「疾病分類工具」為例，介紹 Retrieval-Augmented Generation（RAG，檢索增強生成）如何結合 Large Language Model（LLM，大型語言模型）與 Model Context Protocol（MCP，模型脈絡協定）。透過本地工具先檢索相關證據，再由模型進行整理與分析，可產生較具依據、可追溯，也方便人工審核的 ICD 候選編碼建議。

本課程以「癌症登記輔助工具」為應用情境，說明 Large Language Model（LLM，大型語言模型）與 Model Context Protocol（MCP，模型脈絡協定）如何結合，協助將醫療報告交由外部專業工具進行結構化分析，並產生癌症登記相關欄位建議、驗證結果與疑義提示。

實務導向學習：學員將透過案例了解FHIR應用，提升實作能力。

實務導向學習：學員將透過案例了解FHIR應用，提升實作能力。

目標：學員可以了解從現有的醫療系統(HL7 v2、CDA、OMOP)轉換到FHIR的流程，課程中搭配示範轉換以強化對資料轉換案例的了解。

目標： 本次課程可以讓學員了解FHIR的基本概念、架構、核心資源，並認識FHIR在醫療資訊交換中的角色。

實機演示測試資料包含國衛院癌症研究所-口腔癌前病變（Oral Potentially Malignant Disorder, OPMD）研究模擬資料，以及衛生福利資料科學中心教學用模擬檔，透過資料管理者及資料使用者身分設定，模擬由研究團隊委託資料管理，由GHD團隊協助資料處理、上傳平台、後續使用者於平台進行分析並進行研究產出之情境。