消防月刊查詢系統

到院前緊急醫療救護（EMS）之需求預測，長期是救護資源配置與系統效能的重要基礎。臺灣在此領域的研究，自1990 年代開始，以本土資料為基礎，具有直接的實務參考價值。回顧近30 年的發展脈絡，可清楚看見研究焦點從「能否預測」，逐步演進至「如何將預測結果整合進派遣流程」，是一條從技術驗證走向臨床落地的歷程。

▎一、資料探勘模型的本土起點：臺南（1999）

臺灣到院前緊急醫療救護制度的現代化，始於1995 年。同年《消防法》修正後，緊急救護正式納入消防三大任務之一；《緊急醫療救護法》亦於同年公布施行，使整體救護體系逐步制度化，各縣市消防機關開始依據法規推動與執行到院前救護工作。制度奠基後僅4 年，本土EMS 預測研究即已展開。]

1999 年，Chi 等人以資料探勘（DataMining）框架，採用類神經網路建立預測模型，同步預測救護車出勤量與空跑量。研究納入時間（時段、星期）、假日與氣象等複合變數，測試誤差約±6.1%¹。在當時運算資源相當有限、EMS資料化程度尚低的條件下，此一準確度已屬不易，也是臺灣本土EMS 預測研究最早具備完整模型架構的代表性成果。

此研究的意義，不僅在於技術上的嘗試，更在於提出一個至今仍具實務價值的核心問題：若能預先掌握需求變化，是否有助於優化資源配置，並縮短緊急救護的反應時間？然而，早期研究多停留在模型驗證，「能預測」與「真正用在派遣現場」之間仍有一段距離，當時並未被深入討論。

▎二、離散事件模擬：臺南供需平衡分析（2009）

進入2000 年代後，研究焦點逐漸由「預測需求」轉向「如何運用預測結果優化資源配置」。Wu 與Hwang 以臺南市消防局EMS 系統為研究對象，導入離散事件模擬，並設定反應時間標準為：90% 救護案件須在9 分鐘內抵達現場。所建構之模型經統計驗證，確認能合理重現臺南EMS系統的實際運作²。

研究結果顯示，當案件量（呼叫到達率）較地的歷程。基準增加超過56% 時，現行車輛數將無法維持上述反應時間標準，顯示此為臺南EMS 系統需擴充車隊之臨界點。同時，模型亦指出現行配置中有2 輛救護車可進行重新部署；在特殊事件導致車輛暫時減少的情境下，除夜間20 時至翌日1 時可允許最多3 輛車離線外，其餘時段最多僅能容許2 輛車暫時缺席。

此研究首次以量化方式回應「需求增加至何種程度需擴充車輛」的實務問題，將預測結果轉化為具體決策依據，是臺灣EMS 研究由預測分析邁向派遣與資源決策支援的重要轉折。

▎ 三、時空整合預測： 新北市GIS 應用（2016）

進入2010 年代，隨著資料量與運算能力大幅提升，研究方法整合多重模型與空間資訊，使預測解析度由「全市總量」細化至「區域時段分布」。Chen 等人以新北市3 年的到院前EMS資料為基礎，同時比較移動平均、類神經網路、正弦迴歸與支援向量迴歸4 種預測方法，並透過地理資訊系統（GIS）進行空間格網化，以3 小時為單位產出各區域的需求預測，作為救護車預先部署的參考依據³。

研究以新北市板橋區為範例，展示3 小時尺度下需求量在0 至12 件之間的時空分布預測結果，並確認納入歷史需求的時間落遲特徵，可有效提升準確度。研究同步測試降雨等氣象因素的影響，並比較各演算法在不同訓練樣本下的運算效率。將GIS 引入臺灣EMS 研究，使預測結果首度具備「地圖上可見」的空間意義，為後續救護車動態部署與區域資源調配奠定方法學基礎。

▎四、跨院前後整合：中臺灣即時床位派遣系統（2024）

近年最具整合性的本土研究， 來自Xu、Weng 等人以臺灣中部地區EMS 系統為場域的工作。有別於前述研究聚焦到院前需求預測，此研究將視角延伸至「送醫後能否及時獲得床位」，針對急診（ED）及加護病房（ICU）床位可用性進行短期預測，並整合Google Maps 路徑資訊，建立一套可即時提供派遣員送醫建議的系統4。

研究以中臺灣10 家醫院的即時開放資料為基礎，透過網路爬蟲持續收集急診資訊系統資料，並開發到院轉換機制，將原始資料轉化為模擬輸入。預測結果顯示：未來20、40、60 分鐘的急診床位可用性預測準確度均達100%；加護病房床位可用性在同3 個時間點的準確度分別為88.7%、90.5% 與92.1%4。系統同時依照床位狀況、運送距離與八項醫院評估向度，提供最適送醫建議，是臺灣首次將到院前派遣決策與到院後床位資訊正式連結的研究成果，也是EMS 研究跨越院前與院後界線的重要里程碑。

▎五、人工智慧的機會與挑戰

近3 年人工智慧（AI）技術快速發展，為EMS 需求預測帶來更多可能，但也同時放大了既有問題。Chee 等人2023 年發表的系統性範圍文獻回顧，檢索六大學術資料庫，從4,350 篇文獻中篩選出106 篇符合條件的EMS 相關AI 研究5。在需求預測與資源配置領域，回顧確認已有至少10 篇研究運用AI 進行救護車需求量預測，另有6 篇聚焦於到達時間預測；這些模型整合了更高維度的時空特徵、即時交通與氣象資料，在多數比較研究中表現優於傳統統計方法5。

然而，此回顧也揭示了關鍵瓶頸：106 篇研究中，88 篇（83%）屬回溯性設計，僅9 篇（8.5%）進行了外部驗證，且僅有1 篇隨機對照試驗，絕大多數研究仍停留於內部資料驗證階段，尚未達到臨床導入的成熟標準5。換言之，AI 預測模型的「實驗室表現」與「派遣可用性」之間，仍存在相當距離。落地障礙包括各縣市消防局資料格式不一、跨系統整合困難，以及派遣員在高壓環境下對模型建議的信任與責任歸屬問題。在時間壓力極高的到院前救護環境中，預測工具若無法在數秒內被讀取與理解，即使準確，也難以發揮實質價值。因此，AI 在EMS 需求預測的未來角色，應定位為「可解釋、可操作」的派遣輔助系統，能將預測結果轉化為派遣員畫面上的具體建議，而非單純追求精準度的黑箱模型56。

▎六、研究成熟度定位：我們現在在哪裡？

回顧臺灣4 篇代表性研究，若以醫療科技發展的成熟度框架來檢視，可以發現一個值得正視的現象：這些研究整體而言，仍停留在「概念可行性探索」至「早期原型」之間，尚未達到概念驗證（Proof of Concept，PoC）的門檻。

1999 年Chi 等人的類神經網路研究，屬於技術可行性驗證—確認預測出勤量在技術上可行，誤差±6.1% 是一個有意義的起點，但模型從未進入臺南消防局的實際作業流程。2009 年Wu 與Hwang 的離散事件模擬，已能產出具體的決策門檻（案件到達率增加56% 為擴充救護車隊臨界點），是接近早期原型的成果，但同樣仍須經真實場域驗證其對派遣決策的影響。2016 年Chen等人的新北市GIS 研究，輸出結果已具備地圖可視化，研究本身也明確指出「可作為救護車預先部署的參考依據」，然而是否真正改變了部署決策或縮短反應時間，並無後續追蹤。2024 年Xu與Weng 等人的臺灣床位派遣系統，是4 篇中最接近PoC 的成果—系統已串接10 家醫院即時資料並整合路徑規劃，具備完整功能原型；然而，床位預測是否真正改善了送醫適切性或減少等床時間，仍未經前瞻性研究驗證。

換言之，臺灣EMS 需求預測研究在技術層面已有相當積累，但在臨床落地的路徑上，正等待跨出關鍵的一步：在真實派遣環境中驗證「模型介入後，系統表現是否確實改變」。這正是PoC研究的核心任務。對臺灣消防體系而言，下一個階段的優先工作，不是開發更精密的模型，而是與各縣市消防局合作，設計能在真實派遣流程中執行的前瞻性驗證，讓累積多年的技術能量，真正轉化為可被採用、可被衡量的救護效益。

▎結論

綜合而言，臺灣救護車需求預測研究自1990年代起步，歷經需求預測、系統模擬、時空整合與跨院前後資源連結，已逐步發展為以決策支援為核心的研究領域。5 篇代表性國內研究，各自在方法與場域上有所突破，也共同指向同一個尚未解決的問題：如何讓模型輸出真正進入日常派遣流程。AI的出現，並未改變此一挑戰的本質，反而進一步凸顯它。對臺灣未來而言，真正重要的並非建立最精密的模型，而是發展能夠被理解、被整合、並能穩定進入派遣員工作畫面的系統。在EMS 的應用中，關鍵已不在於模型能否預測，而在於能否被實際採用—未能進入派遣畫面的模型，等同不存在。

（作者聲明）

本文由作者獨立構思與撰寫，並於文字潤稿階段借助人工智慧工具輔助修改。文中所有論點、判斷與結論，均由作者負責。本文未曾以任何形式投稿或發表於其他期刊、媒體或會議。本研究未接受任何機構或企業之經費補助，作者亦無任何利益衝突。