AI 能讓醫院變綠嗎？從 HVAC 到耗材治理，AI 如何改寫醫院永續

根據《Lancet Countdown 2025》報告指出，醫療體系本身亦是重要排放源，約占全球溫室氣體排放的 4.2%，然而，醫院必須全年無休運轉拯救生命，又需維持嚴格HVAC（Heating, Ventilation, and Air Conditioning）、通風換氣、過濾、感染控制與照護安全等環境控制標準，加上大量精密儀器與複雜機電系統運作，本質上就是高能耗、高碳排場域。使得醫院的淨零路徑，必須走向不影響安全、可量化、可稽核的營運型減碳。

【國際案例探討】

近年已有醫院藉由AI科技導入運作，並多用集中在醫院設施營與能源管理上，同時也開始出現可直接降低範疇三排放的一線臨床案例。以下整理近年國際上具代表性的實例：

類型一：設施與能源管理

案例一｜National Hospital Surabaya × Resync（印尼）

印尼泗水國家醫院（National Hospital Surabaya）與Resync合作導入「AI 智慧能源管理」，整合智慧電表與設備數位化管理，並將 536 台風機盤管（FCU）納入平台集中管理。系統依即時資料（如：人流使用狀況、溫度變化）自動調節；在維持舒適標準前提下，HVAC能源消耗降低 27%，整體總能耗節省 19%。

將即時監測、排程與控制策略納入日常維運，降低不必要空轉，也減少對人工週期性排查的依賴，讓節能更像「營運能力」而非一次性專案。

案例二｜Circle Health Group × Schneider Electric（英國）

Circle Health Group 與施耐德電機（Schneider Electric）自 2017 年合作，推動醫療院所跨院區的能源管理與建築控制系統數位化。透過導入Connected Services Hub 與 EcoStruxure Building Operation，提供跨院區的集中可視化、進階分析，以及 24/7 遠端維運支援，並運用超過 500 種 AI 演算法，即時監控關鍵設備與系統的警示狀態，透過 AI 與遠端監控，約81%的維修問題可遠端解決，降低醫療設備與科室的停機風險。

目前超過 75% 的醫院已完成連接，預計 2025 年  第一季前再增加 15%，並自 2018 年起累計節省超過 20 萬英鎊。藉AI嵌入規模化維運作業系統，降低不必要出勤、縮短故障定位與處置時間、減少停機風險，同時以跨院區一致的能源數據與指標支撐永續決策與績效管理。

案例三｜San Juan de Dios Hospital × Siemens（西班牙）

西班牙塞維利亞的 San Juan de Dios Hospital與Siemens Smart Infrastructure合作，導入建築數位平台Building X，整合能源管理、安全系統、HVAC等建築關鍵設備，並提供即時監控、能耗分析、早期故障偵測等功能，從傳統自動化提升到「能預測、協調與優化」的智慧系統，提升照護品質與醫院整體運作效率，導入後的營運成本約降低35%，並仍有額外10%節省的潛在空間。

透過平台將醫院節能從單一設備的調校，推進到整體資產的協同營運（包含預防性維護、故障預警、能耗剖析與跨系統協調），更能符合醫院對可信度與可稽核性的需求。

類型二：臨床與耗材

案例四｜UC San Diego Health × UC San Diego Data Science Alliance（美國）

 UC San Diego 醫學院與 Data Science Alliance 研究以 preference cards（手術備物清單）為切入點，點出清單長期複製與堆疊導致多餘品項累積，使手術室常備大量實際用不到的耗材，形成浪費。

研究團隊以臨床流程治理導向的AI/統計模型應用系統，分析大量泌尿科、腫瘤外科與大腸直腸手術等，找出實際真正被使用的耗材，並以資料驅動方式精簡手術備物清單，降低手術備物中未使用之耗材，5 個月內即可節省高達 300 萬美元的物品成本與補貨潛在成本。

藉由AI進行「未使用耗材」的量測，並連動降低不必要採購、庫存周轉與廢棄處理負擔，同時在治理上也較能維持臨床品質與安全。

【未來發展】

現階段而言，AI 在醫院最成熟、也最容易被量測與治理的落點，仍以院區能源管理為主，特別是「監測、示警與自動化」上，因資料來源穩定（BMS/EMS/電表）、影響範圍、且成果可直接驗證。

未來進一步的AI應用，則很可能往兩個軸線擴張；一是導入更全面AI技術如數位雙生（Digital Twins），二是把方法擴張到醫院碳足跡占比更高、治理更困難的的範疇三；目前多數證據仍以學術框架、模擬或預測研究為主。

一、數位雙生：從可視化走向情境推演與驗證

數位雙生目前在醫院多半先用於資產資料整合與可視化，但研究界已清楚往「可控、可驗證、可稽核」方向推進，如2025年研究提出整合建築資訊模型（BIM）、數位雙生與醫療流程的框架，並以機器學習（如 SVM、LSTM）進行即時人流預測，以更貼近醫院使用情境的動態變化，同時維持安全與感染控制 。

2025 年亦有研究以醫院建築（12 個空調區、45 個量測點）為案例，使用本體論驅動的數位雙生（ontology-based digital twins)）的情境策略與最佳化能力，精準模擬醫院建築運作，並安全測試不同操作策略，目標在維持舒適度下最小化能耗。對醫院而言，智慧雙生將能把做成精準常規營運方法，從專案推進為長期治理能力。

圖1：醫院智慧雙生示意圖

圖片來源：本文作者以AI製圖

二、 AI導入邁向範疇三：廢棄物與有害廢棄物治理

範疇三往往是醫院足跡最大宗，但治理最難，其中廢棄物管理，正是下一波值得觀察的方向之一：2025年發表的研究提出整合AI與物聯網（IoT）的智慧化醫院有害廢棄物管理框架，以提升廢棄物分類、追蹤、消毒與處理的效率與安全性，整體系統亦能降低能源消耗並改善廢棄物管理的永續性。另有研究以機器學習連結醫療活動變數與廢棄物產生量，支援醫療院所做更精準的資源規劃與「零廢棄（zero waste）」管理路徑。

在可量化與成本治理方面，2025 年期刊研究使用機器學習（ML）與可解釋人工智慧（XAI）同時預測廢棄物量與處理成本，涵蓋感染性、病理性與尖銳物等類別；研究並指出，在成本控制與管理上，感染性廢棄物往往是需要優先關注的類別之一 。若醫院希望把廢棄物管理往「循環經濟」與「決策制度化」推進，2025 年有研究提出AI 決策支援工具 （AI-Driven Circular Waste Management Tool），並以多個模擬情境展示其如何協助合規、設定優先序與提出實務行動建議。

【結語】

醫療體系在全球溫室氣體排放中占有不可忽視的比例，而醫院作為高度依賴能源、設備與即時運作的關鍵場域，其淨零轉型無法仰賴單點技術或短期專案，而必須建立在不影響安全、可量測且可稽核的營運型減碳之上。

從現階段實證來看，能源與設施管理仍是 AI 應用最成熟、風險最低且最易驗證的起點。透過即時監測、預測維運與自非動化控制，醫院可在維持舒適度、感染控制與設備可靠度的前提下，系統性降低能源浪費，並將節能由一次性專案轉為常態化機制。當 AI 進一步擴展至臨床流程、耗材治理與廢棄物管理，其角色亦逐步從效率工具轉向治理工具，在不犧牲安全與品質的前提下，逐步鬆動範疇三減碳最困難的結構性瓶頸。 

AI 在永續的真正價值，並非讓醫院看起來「更智慧」或「更綠」，而是在於將過去難以看見、協調、評估的碳排與資源使用，轉化為可追蹤、可管理、可持續優化的決策與治理系統，協助醫院在照護使命與地球責任之間建立長期平衡。

 

封面圖片來源：本文作者以AI生成

參考資料來源：

1.27% Energy Savings at National Hospital by Resync’s Energy Optimisation. https://www.resynctech.com/27-energy-savings-at-national-hospital-by-resyncs-energy-optimisation/  

2.Circle Health Group Report https://image.go.se.com/lib/fe33117373640478701573/m/1/e206f1a1-ffb7-461d-95b4-a2ac9cc9cb2f.pdf  

3.Spanish hospital cuts operational costs by 35 percent with Siemens AI-based tech https://press.siemens.com/global/en/pressrelease/spanish-hospital-cuts-operational-costs-35-percent-siemens-ai-based-tech  

4.Data-Driven Surgical Supply Lists Can Reduce Hospital Cost and Waste

https://healthinnovation.ucsd.edu/news/data-driven-surgical-supply-lists-can-reduce-hospital-cost-and-waste  

5.Jiang, F., Xie, H., Gandla, S. R., & Fei, S. (2025). Transforming Hospital HVAC Design with BIM and Digital Twins: Addressing Real-Time Use Changes. Sustainability, 17(8), 3312. https://doi.org/10.3390/su17083312  

6.August M.S. Thomsen, Jakob Bjørnskov, Muhyiddine Jradi,Ontology-based Digital Twins for informed decision-making: Scenario testing and optimization in hospital building operations, Journal of Building Engineering,Volume 112,2025,113594,ISSN 2352-7102, https://doi.org/10.1016/j.jobe.2025.113594  

7.Amit Krishan Kumar, Yasir Ali, Rahul R. Kumar, Mansour H. Assaf, Sadia Ilyas,Artificial Intelligent and Internet of Things framework for sustainable hazardous waste management in hospitals,Waste Management,Volume 203,2025,114816,ISSN 0956-053https://doi.org/10.1016/j.wasman.2025.114816.

8.S M Shahinur Rahman, Md Ruhul Amin, A M Almas Shahriyar Azad, Md. Ariful Haque, Md. Limonur Rahman Lingkon,An analytical framework for medical waste forecasting using machine learning: Paving the path toward zero waste in healthcare,Waste Management Bulletin,Volume 4, Issue 1,2026,100270,ISSN 2949-7507, https://doi.org/10.1016/j.wmb.2025.100270  .

9.Uysal, İ., Altın, F.G. & Özcan, F. Predicting medical waste amounts and costs using machine learning and XAI for sustainable waste management in healthcare. Int. J. Environ. Sci. Technol. 23, 21 (2026). https://doi.org/10.1007/s13762-025-06895-3  

10.Cappelli, M. A., Cappelli, E., & Cappelli, F. (2025). AI-Driven Circular Waste Management Tool for Enhancing Circular Economy Practices in Healthcare Facilities. Environments, 12(9), 295. https://doi.org/10.3390/environments12090295