Graduation Project 2025.05 - Present

AI 護理紀錄補全系統
Nursing Record Completion

LLM Agent Skills 量化 FastAPI Vanilla JS SQLite (Edge)
Multi-modal Reasoning Process
Real-time Inference on Edge Device

展示內容：Ghost Text 隨打即預測、FDART 格式化

產業痛點

臺灣護理人力短缺，紀錄佔工時 24.3%。單筆紀錄平均耗時 26.3 分鐘，繁瑣的 FDART 規範易導致職業倦怠，且多數機構無力負擔高昂雲端 AI 成本。

核心效益

紀錄撰寫時間縮減至 12 分鐘內。模型量化至 4.9GB，讓中小型醫院僅需萬元級普通設備即可導入資安合規的本地 AI。

全棧開發貢獻 ｜ 個人職責

  • 資料工程與處理

    醫療文本去識別化、SFT (JSON) 格式化與特徵工程，確保資料符合微調規範。

  • 模型訓練與評估

    採用 QLoRA 微調模型，針對臺灣醫學縮寫與「中英夾雜」環境進行強化訓練。

  • UI/UX 介面開發

    使用 Vanilla JS 實作「Ghost Text」智慧補全功能，提供護理師流暢的撰寫體驗。

  • 後端與部署工程

    基於 FastAPI 構建非同步 API，整合 llama-cpp-python 推論引擎與 SQLite 本地存儲。

技術設計細節

Agent 動態路由

設計 Intelligent Router 建立全局「觸發對照表」，根據輸入特徵自動切換推論路徑：

  • 命中關鍵字：即時提取 .md 模板 (Rule-based)
  • 非結構化文字：啟動 LLM 深度預測 (Ghost Text)

Skills 模組化管理

將各科別（ICU、急診）評估規範抽離為獨立 .md 技能檔，達成軟體架構高度解耦：

  • 無需更動程式碼即可新增科別規範
  • 為未來 RAG 結合病歷預留知識接口

GGUF 混合量化

採用 Q4_K_M 量化技術，將 16.2GB 模型壓縮至 4.9GB，降低 69% 儲存需求：

  • 使萬元級設備具備即時 AI 推論能力
  • 確保 100% 本地運作，保障病歷隱私

產業競爭力分析

比較維度 本系統 (Edge AI) 傳統 HIS/NIS 系統 雲端商用 AI 一鍵整篇生成 AI
生成模式與
控制力		 漸進式補齊，人工即時
審核，沒有心理負擔		 純手工打字 對話式問答，需切換視窗，
中斷工作流		 整篇黑箱生成，
事後校對負擔大
精準度與
幻覺預防		 高：Agent 規則 +
在地化區域微調		 無：缺乏語意理解與
預測功能		 中：通用模型語意發散，
不符院內格式		 低：長文本極易捏造
虛假醫療數據
資安與隱私 高：本地運行，
數據不出院內網路		 高：內網封閉系統 低：公有雲傳輸，
外洩風險高		 低：多依賴外部高算力
雲端節點
硬體與運算成本 低：量化技術，
現有一般電腦即可		 低：無 AI 運算需求 高：依 Token 數量持續
付費		 高：需建置昂貴
高階 GPU 伺服器機房

獲得獎項與肯定

Selected Project

宏碁大專生專題補助計劃

獲專案研發經費支持，肯定系統之產業價值。

Competition Won

2026 經濟部智慧創新大賞

獲選 佳作