如果有人問：「什麼是健康資料？」目前大多數人的第一個答案，仍然是病歷、健保資料、健康檢查報告或醫院的診療紀錄。然而，在人工智慧（AI）快速發展的今天，真正能反映一個人健康狀況的資訊，早已不再侷限於醫療院所保存的病歷。你的手機定位、網路搜尋紀錄、消費偏好、穿戴裝置、睡眠狀況、運動軌跡，甚至經常造訪的場所，都可能在演算法分析下，拼湊出一幅遠比病歷更完整的「健康肖像」。
這也是近年全球健康資料治理最大的轉變。
2025年，美國華盛頓州發生的 Maxwell v. Amazon 訴訟，正好揭開了這場變革的序幕。原告主張，Amazon透過第三方軟體開發套件（Software Development Kit,SDK）及數位追蹤技術，蒐集使用者在健康相關應用程式（App）上的操作紀錄、定位資訊及其他數位足跡，並可能據此建立足以反映個人健康狀況的分析資料。雖然案件目前尚未作成法院實體判決，但已經提出一個值得全球共同思考的問題：當日常生活資料經過AI分析後，即足以推論個人的健康狀態時，我們是否還能沿用過去「只有病歷才是健康資料」的思維，作為健康資料治理的基礎？
答案恐怕是否定的。
真正值得注意的是，這起案件並非促成改革的起點，而是反映出美國華盛頓州早已預見數位健康資料治理所面臨的新挑戰。早在2023年，華盛頓州便制定《我的健康我的資料法》(《My Health My Data Act》; MHMDA），成為全球最具代表性的消費型健康資料保護法之一。它的核心理念十分明確：即使資料不是由醫療機構產生，只要足以識別、推論或合理連結至個人的健康狀態，即可能屬於應受法律保護的健康資料。
此一制度最大的突破，讓健康資料的法律定義，不再完全取決於資料的來源，而是資料的功能與用途。換句話說，法律關心的不再只是「這是不是病歷」，而是「這些資料是否足以描繪一個人的健康狀況」。
這正是AI時代所帶來的重大改變。
過去，健康資料主要掌握在醫院、診所及保險公司，因此相關法制多以醫療機構作為規範核心，例如美國《健康保險可攜性與責任法》（Health Insurance Portability and Accountability Act, HIPAA）或我國《醫療法》、《人體研究法》等制度，都建立在這樣的思維上。
如今，隨著數位科技與人工智慧的快速發展，真正大量掌握健康資訊的，已不再侷限於醫療機構，而可能是手機作業系統、社群平台、電子商務平台、導航服務、智慧手錶、健康App及各種AI服務提供者。這些企業未必持有個人病歷，卻可能透過數百項看似零散且無害的生活資料，分析出使用者是否懷孕、是否罹患心理疾病、是否患有慢性病，甚至預測其未來健康風險。
換言之，AI讓資料的價值不再只存在於單一資訊本身，而在於不同資料之間的連結、整合能力。因此，真正需要治理的，不只是資料本身，更包括資料如何被分析、如何被推論，以及如何被再次利用等行為。
這也反映出全球資料治理正在發生的重要典範轉移。
歐盟近年推動《歐洲健康資料空間》（European Health Data Space, EHDS）時，即強調健康資料應兼顧個人自主、醫療照護及科研創新，也就是資料多元使用下的調和空間，在某種程度上透過法制調適，釋出了原《一般資料保護規則》（GDPR）所要求高風險資料應受到更嚴格監理的除外空間。相對的，原沒有全國性健康資料專法的美國，包括華盛頓州在內的多個州，反而更積極的將消費型健康資料納入保護範圍。
相較之下，臺灣其實並非缺乏健康資料保護制度。例如，《個人資料保護法》第六條已將病歷、醫療、健康檢查及基因等資訊列為特種個人資料；《醫療法》、《人體研究法》、《人體生物資料庫管理條例》等法規，也建立了相當完整的醫療研究治理架構。就傳統醫療資料的保護而言，臺灣的制度並不落後。
然而，真正需要重新思考的是，AI時代大量出現的新型健康資料，例如上述消費型健康資料，是否已超出現有法制的規範想像。例如，一個人的定位紀錄是否足以推論其長期往返腫瘤中心？購買特定保健食品的消費紀錄，是否可能反映其罹患慢性疾病？網路搜尋紀錄是否足以揭露個人的心理健康狀況？穿戴裝置所蒐集的睡眠、心率及活動量資料，經AI模型分析後是否已足以構成法律上的健康資料？現行法律對這些問題，仍缺乏一致而明確的判斷標準。
另一方面，資料治理所關注的，也已不再只是蒐集是否合法的問題。資料往往會在不同平台、不同演算法及不同服務提供者之間流動；同一筆資料可能經過多次分析、整合及再利用，最終形成新的健康推論。因此，真正需要管理的是資料的完整生命週期，包括蒐集、分析、推論、分享、跨境傳輸及AI模型訓練的各個階段，而非僅止於取得資料的那一刻。
這也意味著，企業的治理責任正在逐步改變。未來企業不能只問「我是否合法蒐集資料」，更必須回答「我的AI系統是否可能推論出個人的健康資訊？」「相關資料是否遭第三方重新利用？」「供應鏈中的軟體開發套件（SDK）、廣告平台及資料分析服務是否符合既定的資料治理要求？」健康資料治理將逐漸成為ESG治理、董事會監督及企業風險管理的重要課題，而不只是法務或資訊部門的的個別工作。
對政府而言，臺灣正值個人資料保護制度改革的重要階段，新成立的個人資料保護委員會，將肩負建立一致執法標準的重要使命。面對AI時代所衍生的新型態健康資料，未來或許不必急於另行制定一部新的健康資料專法，而是可在既有《個人資料保護法》的架構下，逐步完善健康推論資料、高風險AI處理、資料保護影響評估及平台與供應鏈責任等制度，使現行法制得以回應AI時代的新挑戰。從更宏觀的角度來看，這不只是法律問題，更涉及數位社會如何建立人民對資料利用的信任，而這正式關鍵所在。
如果人民相信其資料會被妥善保護、並在透明、受到充分保障下被合理利用，健康資料將成為推動精準醫療、智慧照護及公共衛生發展的重要基礎；反之，若缺乏透明治理與有效監督，再先進的AI技術也可能因信任不足而失去社會支持，難以獲得廣泛接受。
Amazon案真正帶給世界的啟示，並不在於它最後是否判定企業違法，而在於它提醒我們：AI時代最重要的健康資料，可能早已不是醫院裡的病歷，而是散落在每一天數位生活中的各種數位足跡。如何讓這些資料在促進創新的同時，仍受到人民信任與法律保障，將是未來十年全球健康資料治理最重要的課題，也是臺灣不能迴避的新挑戰。
Amazon案真正改變了什麼？
近一年來，Maxwell v. Amazon 成為全球健康資料治理最受關注的案件之一。然而，它真正的重要性，並不在於 Amazon最終是否敗訴，而在於它第一次將人工智慧、數位平台與健康資料治理交會所產生的新興法律問題，完整呈現在司法程序中，也讓個資保護的討論範圍大幅擴大。
原告主張，Amazon 並非透過醫療院所取得病歷，而是藉由嵌入第三方應用程式（App）的軟體開發套件（SDK），蒐集裝置識別碼、廣告識別碼、精準定位等資料，並用於跨平台識別、行為分析及商業分析。爭議的核心因此已不再是病歷，而是這些看似普通的數位資料，是否已足以辨識或推論一個人的健康狀態，以及企業是否因此負有健康資料保護的法律義務。
值得注意的是，本案迄今尚未形成具有拘束力的實體判決。因此，全球真正討論的並非 Amazon 是否已違法，而是它所提出的一個更根本的法律問題：當一般生活資料足以推論個人的健康資訊時，法律是否仍應以傳統醫療資料作為健康資料保護的核心？
這也是 Amazon 案之重要性超越個案本身的原因。
今天，人們每天使用的搜尋引擎、導航服務、社群媒體、智慧手錶、電子商務平台與生成式 AI，都持續蒐集大量生活資料。這些資料若單獨來看，每一筆資料都十分平凡；但經過 AI 整合分析後，卻可能轉化為具有個人健康意義的新型態健康資料。例如，一位使用者反覆搜尋某種特定疾病、多次前往特定醫療院所、購買特定保健食品，再結合穿戴裝置記錄的睡眠與心率變化，AI 便可能據以推論其健康風險，甚至預測未來疾病發展。
真正帶來改變的，已不再是資料本身，而是演算法賦予資料新的意義。
事實上，華盛頓州MHMDA法案的重要突破，就在於它不再以資料來源作為判斷標準，而是採取功能導向的思維：凡是足以識別、描述或合理推論個人過去、現在或未來健康狀態的資訊，都可能受到健康資料保護。
這代表全球健康資料治理的一次重要轉向。換言之，已逐漸承認健康資訊亦可能透過人工智慧（AI）對不同資料的分析、整合與推論而形成。真正具有高度敏感性的，不一定是原始資料本身，而是演算法所形成的健康推論（health inference）。
因此，Amazon 案留給世界最大的課題，並非科技公司是否蒐集了健康資料，而是提出另一個更根本的法律問題：當人工智慧（AI）能夠透過分析與推論創造新的健康資訊時，法律是否仍應僅以原始資料作為保護對象，抑或應進一步將演算法所產生的健康推論納入健康資料治理的範疇？這個問題，也正是 AI 時代健康資料治理的新挑戰。
AI最大的衝擊，不是蒐集健康資料，而是促生了健康推論治理（Health Inference Governance）
過去二十多年，健康資料治理始終圍繞著同一個問題：誰擁有健康資料？誰可以蒐集、使用或分享這些資料？無論是醫院病歷、基因資料、生理監測數據，或電子健康紀錄（EHR），傳統法律的基本假設始終一致：健康資料是一種既有事實，治理的任務是保護它、管理它，並規範它的利用與流通。
然而，人工智慧（AI）的出現，改變了這項最根本的前提。如今，人工智慧（AI）已不再只是健康資料的分析工具，而逐漸成為健康推論的形成者。當演算法整合定位紀錄、搜尋歷史、消費行為、穿戴式裝置數據、社群互動與生活軌跡時，它產生的已不只是對既有資料的統計分析，而可能是一項原先不存在於任何單一資料中的新資訊：對個人健康狀態的推論。此類健康推論原本並不存在於任何單一資料之中，而是透過人工智慧（AI）的持續學習、交叉比對與模式辨識所形成。
換言之，AI 並非發現一項新的健康資料，而是透過對不同資料的整合與推論，創造了一份原本不存在於任何單一資料中的健康資訊。例如，一個人從未接受憂鬱症診斷，但 AI 可能根據睡眠品質下降、活動範圍縮小、深夜搜尋行為增加，以及社群互動頻率降低等訊號，推論其可能正面臨心理健康風險；另一位使用者尚未接受糖尿病檢查，AI 亦可能依據飲食習慣、購物紀錄、運動模式與體重變化，預測其未來罹病機率。這些健康資訊並非來自病歷、診斷或任何單一資料，而是演算法對大量生活資料所形成的新判斷。
因此，健康推論不僅是一種新型態的健康資訊，更反映了一種不同於傳統資料蒐集的知識生成(Knowledge Generation)機制。這也意味著，健康資料的價值鏈正在被重新定義。傳統模式下，資料的價值主要來自蒐集、保存、交換與分析；但在 AI 時代，真正具有價值的已不只是原始資料，而是演算法透過資料整合、關聯分析與模式辨識所持續形成的健康推論。原始資料的重要性並未降低，卻不再是價值鏈的終點，而是 AI 持續創造健康資訊的起點。治理思維也必須隨之改變。
如果法律仍僅以「資料來源」作為判斷是否屬於健康資料的主要標準，就可能忽略 AI 在分析與推論過程中產生的大量敏感資訊。真正影響個人權益的，往往不是定位紀錄、搜尋紀錄或購物紀錄等原始資料本身，而是 AI 運用這些資料所形成的健康推論，以及這些推論進一步被運用於保險核保、就業決策、金融信用評估、精準廣告投放，甚至公共服務等決策中。這顯然也是我國現有法制所不及之處。
隨著人工智慧（AI）技術的發展，國際健康資料治理的重心正逐漸由傳統的資料治理，擴展至可稱為「推論治理（Inference Governance）」的新取向。其核心不再僅在於原始資料的管理，而在於演算法形成健康推論及其利用過程的治理。治理的核心，不再只是規範資料如何蒐集、利用或分享，而是確保 AI 如何形成健康推論、如何使用推論，以及如何讓個人知道自己的健康資訊是如何被生成、被運用，以及如何影響其權益。
換句話說，AI 時代最大的挑戰，已不僅是健康資料外洩，而是健康推論的失控；最大的治理課題，也不再只是保護原始資料，而是建立一套能夠治理推論的制度。
健康推論概念的提出，並非意在增加一種新的健康資料分類，而是提醒我們：當 AI 已開始創造新的健康資訊，健康資料治理的對象也必須從「資料」擴展到「知識生成」的形成與利用過程。這正是全球健康資料治理邁向下一個階段的關鍵轉折，也是理解未來 AI 法制不可忽略的核心概念。
世界已經開始治理推論，而不只是治理資料
如果說 Amazon 案揭示了健康資料的新樣貌，使人們看見原本不具明顯健康屬性的生活資料，亦可能經由人工智慧（AI）的整合與分析而具有健康意義；健康推論則進一步說明 AI 從既有資料之間的關聯形成新的健康資訊。那麼，近年全球法制改革則反映出另一個更深層的事實：世界正在重新定義健康資料治理的對象。
過去三十年間，全球健康資料法制的發展，大致經歷了三次治理典範轉移。
第一階段，以美國《健康保險可攜與責任法》（HIPAA）為代表，其核心目標是保護醫療機構所持有的病歷與醫療資訊。此一階段的治理思維建立在一個明確假設：健康資料主要存在於醫療體系，因此只要妥善管理醫療機構，便能有效保障個人隱私。
第二階段，以歐盟《一般資料保護規則》（GDPR）為代表，健康資料的治理逐漸納入個人資料保護的整體架構。健康資料不再僅被視為醫療體系中的病歷或醫療資訊，而被定位為個人資料中的特殊類別資料（special categories of personal data），並受到較高程度的法律保護。（GDPR 第9條參照）。治理重點也從醫療機構轉向資料控制者（data controller），強調合法處理、透明性、當事人權利及跨境資料流通。
然而，AI 的快速發展再次挑戰了既有制度。今日真正具有影響力的健康資訊，往往不再是醫療機構保存的病歷，也不僅限於企業蒐集的原始資料，而是人工智慧從大量生活資料中持續生成的健康推論。法律若仍僅聚焦於資料蒐集、處理與利用的規範，將難以回應 AI 所帶來的新型態風險。
因此，全球正逐步邁入第三階段：健康推論治理（Health Inference Governance）。在此一階段，治理的焦點已不再侷限於資料本身，而是進一步擴展至資料如何經由演算法分析形成健康推論，以及該等健康推論如何被利用並對個人權益產生影響。
近年歐盟推動《歐洲健康資料空間》（EHDS）、《人工智慧法》（AI Act），以及美國華盛頓州的MHMDA，雖然制度設計各有不同，但共同反映出一項趨勢：法律所關注的，已不再僅是資料本身的蒐集、處理與利用，而是 AI 如何透過資料分析形成新的健康資訊，以及該等健康資訊可能對個人權益產生的影響。
其中，美國華盛頓州MHMDA的發展尤具代表性。該法不再拘泥於資料是否來自醫療機構，而是採取功能導向的定義，只要某項資訊足以合理識別、描述或推論個人的健康狀態，即被納入健康資料保護的範圍。這種思維，正是從「健康資料治理」走向「健康推論治理」的重要轉折。
這項轉變亦意味著，健康資料治理的重心正逐漸由靜態（原始）資料管理，轉向動態知識（健康推論）生成治理。未來真正需要受到法律監督的，不只是資料庫的安全性，更包括演算法如何透過資料分析形成健康推論、AI模型是否存在偏誤、推論形成過程是否透明且可解釋，以及個人是否有權了解、質疑甚至要求更正或救濟因AI所形成的健康判斷。
換言之，AI 時代的健康資料治理，不再只是傳統隱私保護制度的延伸，而是建立一套兼顧資料、演算法、推論與社會信任的新治理架構。這也是全球健康資料法制改革共同指向的方向：未來真正決定一個國家競爭力的，不只是資料量，而是是否具備治理 AI 健康推論的能力。
從追趕規則到參與制定規則：臺灣的治理機會
人工智慧正在重新定義健康資料，也重新塑造各國健康資料治理的競爭模式。過去，各國健康資料治理的競爭重點在於誰擁有更多資料、建立更完整的電子病歷，或發展更成熟的數位醫療系統；未來，真正的競爭將取決於誰能建立一套值得信任的 AI 健康資料治理制度，使創新、隱私、人權與產業發展得以並行。
對臺灣而言，這既是挑戰，也是機會。
臺灣擁有完整的全民健康保險資料庫、成熟的資訊通信產業、高品質醫療體系，以及具有國際競爭力的半導體產業與 AI 運算能力。如果能進一步建立符合國際趨勢的健康資料治理制度，臺灣不僅能提升國內 AI 醫療創新的社會信任與法制基礎，更有機會成為亞太地區健康 AI 治理的重要示範。
關鍵並不在於直接移植或複製歐美制度，而是在國際共同原則下，建立符合臺灣特色的健康資料治理架構。原則上，未來可以從五個方向同步推動：
第一，重新界定健康資料的法律概念。現行健康資料保護規範應逐步從「資料來源」轉向「資料功能」，將凡經由AI 所形成的健康推論納入適當的健康資料治理範圍，使制度能回應 AI 時代的新型態風險。
第二，建立 AI 健康推論治理制度。健康資料治理，除了規範資料蒐集與利用，更應要求高風險（或對個人權益產生重大影響）健康推論應具備透明性、可解釋性、可稽核性及責任歸屬等，並建立相應的監督、申訴與救濟機制。
第三，建立以信任為核心的健康資料利用模式。未來健康資料治理的目標不應只是限制或防止資料使用，而是透過動態同意（dynamic consent）、可信任研究環境（Trusted Research Environment）、隱私強化技術（privacy-enhancing technologies, PETs）及第三方治理等機制的生態建置，在保障個人權益的同時，支持研究創新與公共利益。
第四，推動跨部會 AI 健康治理架構。健康資料治理已不再侷限於醫療議題，而同時涉及人工智慧、個人資料保護、消費者保護、金融監理及數位治理等多個領域，需要建立跨部會協調機制與一致的治理原則。
第五，積極參與國際健康治理規則的形成。隨著 AI 健康治理逐漸成為全球新議題，臺灣應積極參與國際標準、技術規範及政策對話，累積制度經驗，提升在全球健康治理中的能見度與影響力。
上述五個方向並非彼此獨立，而是共同構成一套以「信任（Trust）」為核心的健康 AI健康治理框架。真正值得信任的治理，不是透過限制資料流動來降低風險，而是透過制度透明、程序可監督、決策可問責、風險可驗證及權利可救濟等制度，提高社會對 AI 的信任，讓資料能夠在保障個人權益的前提下，受到安全、正當且負責任的利用，並創造具有社會正當性的公共價值。
因此，未來各國競爭的不只是演算法能力、資料規模或運算能力，而是能否建立一套兼顧創新發展與人權的健康資料治理制度。這正是臺灣可以努力的方向，也是臺灣最有機會貢獻國際的新價值。
結語：AI 時代真正的競爭，是信任競爭力（Trust Competitiveness）
人工智慧正在改變健康資料，也正在重塑健康治理。在過去，健康資料治理主要聚焦於病歷、醫療機構與健康資料的蒐集、保存與利用；如今，治理的重心已逐漸延伸到人工智慧如何形成健康推論、如何影響個人權益，以及如何在創新與人權之間建立新的平衡。這不只是技術的進步，更代表健康資料治理典範的根本轉變。
Amazon 案的重要性，並不是因為它是一件大型企業訴訟，而是它揭露了一個新的時代命題：當 AI 能夠從日常生活資料持續生成健康資訊時，健康資料的定義、治理方式與法律制度，都必須重新思考。
因此，未來健康資料治理真正需要回答的問題，不再只是「誰擁有資料」，而是「誰可以形成健康推論」、「如何形成健康推論」，以及「誰應對這些推論負責」。這也是本文提出健康推論（Health Inference）與健康推論治理（Inference Governance）概念的原因。AI 時代真正需要治理的，不只是資料流動，而是健康推論的形成；真正需要建立的，亦不只是傳統健康資料保護制度，而是一套能夠確保演算法透明、可問責、可驗證且值得信任的治理機制。
從這個角度來看，各國未來競爭的重點，也將逐漸改變。
過去，各國競逐的是資料規模、運算能力與演算法效能；未來，更重要的是能否建立一套兼顧創新發展、個人權益保障、隱私保護與公共利益的制度，使社會願意信任 AI，企業願意投入創新，國際願意展開合作。
人工智慧（AI）時代真正的競爭，終究不是演算法的競爭，而是信任競爭力（Trust Competitiveness）的競爭。
對臺灣而言，這正是一個值得把握的歷史契機。臺灣未必擁有全球最多的健康資料，也未必擁有最具規模的 AI 平台，但臺灣具備民主法治、高品質醫療體系、完善的全民健康保險制度、成熟資通訊產業，以及高度重視個人權利的社會基礎。這些條件，使臺灣有能力在發展 AI 健康產業的同時，建立一套兼顧創新與人權的治理模式，並以此參與國際規則的形成，而非只是追隨既有規則。
當全球健康資料治理逐步由資料治理（Data Governance）邁向健康推論治理，真正決定國家競爭力的，將不再只是技術本身，而是制度能否贏得人民的信任，也能獲得國際社會的信任。
因此，信任競爭力（Trust Competitiveness）不僅是下一階段健康資料治理所應追求的重要目標，更可能成為人工智慧（AI）時代衡量國家競爭力的新標準。
未來真正決定一個國家能否在 AI 時代持續創新的，已不只是演算法有多聰明，而是它是否建立了一套值得人民信任，亦足以獲得國際信任的治理制度。這或許才是 Amazon 案留給全球最重要的啟示，也是臺灣在下一波數位治理競爭中最值得努力的方向。
References
- European Parliament and Council of the European Union. (2016). Regulation (EU)2016/679 of the European Parliament and of the Council of 27 April 2016 on theprotection of natural persons with regard to the processing of personal data and on the free movement of such data (General Data Protection Regulation). OfficialJournal of the European Union, L 119, 1–88.
- European Parliament and Council of the European Union. (2024). Regulation (EU)2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence and amending Regulations (EC) No.300/2008, (EU) No. 167/2013, (EU) No. 168/2013, (EU) 2018/858, (EU) 2018/1139and (EU) 2019/2144 and Directives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828(Artificial Intelligence Act). Official Journal of the European Union, L 2024/1689.
- European Parliament and Council of the European Union. (2025). Regulation (EU)2025/327 of the European Parliament and of the Council of 11 February 2025 on theEuropean Health Data Space and amending Directive 2011/24/EU and Regulation(EU) 2024/2847. Official Journal of the European Union, L 2025/327.
- Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI insociety. Harvard Data Science Review, 1(1).
- Health Insurance Portability and Accountability Act of 1996, Pub. L. No. 104-191,110 Stat. 1936 (1996).
- Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature MachineIntelligence, 1, 501–507.
- National Institute of Standards and Technology. (2023). Artificial intelligence riskmanagement framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department ofCommerce.
- Nissenbaum, H. (2010). Privacy in context: Technology, policy, and the integrity of social life. Stanford University Press.
- Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464),447–453.
- Organisation for Economic Co-operation and Development. (2019). Recommendationof the Council on artificial intelligence (OECD/LEGAL/0449).
- Price, W. N., II, & Cohen, I. G. (2019). Privacy in the age of medical big data. NatureMedicine, 25(1), 37–43.
- Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. The NewEngland Journal of Medicine, 380(14), 1347–1358.
- Richards, N. M. (2021). Why privacy matters. Oxford University Press.
- Solove, D. J. (2008). Understanding privacy. Harvard University Press.
- Topol, E. J. (2019a). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.
- Topol, E. J. (2019b). High-performance medicine: The convergence of human andartificial intelligence. Nature Medicine, 25(1), 44–56.
- United Nations Educational, Scientific and Cultural Organization. (2021).Recommendation on the ethics of artificial intelligence.
- Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Machine learning in medicine:Addressing ethical challenges. PLOS Medicine, 15(11), Article e1002689.
- Washington My Health My Data Act, Wash. Rev. Code ch. 19.373 (2023).
- Washington State Office of the Attorney General. (n.d.). Protecting Washingtonians'personal health data and privacy. Retrieved July 27, 2026,
- World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance.
- World Health Organization. (2025). Ethics and governance of artificial intelligencefor health: Guidance on large multi-modal models.
＊作者為國立清華大學永續學院院長。
