在人工智慧（AI）的眾多應用中，醫療領域算是最受期待的；尤其當全球逐漸步入高齡化社會，對於醫療服務的需求必然大幅提高，正是AI切入的好時機。然而，台北醫學大學醫學科技學院院長李友專也指出，AI在醫療能創造的機會，並非雨露均霑。

「現在最明顯的AI應用就是醫療影像，」李友專表示，利用強大的電腦運算能力，來製作清晰可判讀的各種診斷影像結果並非沒有價值，但在大廠競相投入之後，市場也會逐漸飽和。「未來這塊可能跟網路搜尋一樣，一開始的時候百家爭鳴，但最後大家只會用同一套技術，形成產業標準。」

更重要的是，他補充，將診斷結果影像化的終極目的，是讓醫療人員便於判讀患者狀況，「可是別忘了，這些不管是彩色、灰階、3D的影像，源頭都是診斷數據。未來如果機器本身就能解讀這些數據，還需要醫師用肉眼看這些圖像嗎？」

醫療領域的AI應用，影像不見得是首選

如果不是醫療影像，那麼AI還能用在哪些醫療服務？這可能得從醫療產業本身來看。根據彭博2018年的全球醫療效率指數（Bloomberg Health Care Efficiency）排名，台灣的醫療效率在全球排名第9，領先挪威、瑞士、加拿大等歐美國家。李友專指出，「而且在前十名的國家裡面，台灣的醫療價格是最便宜的，只有1千多美元」（表1）。

表1：2018年彭博全球醫療效率指數排名

資料來源：Bloomberg

但這並不代表台灣的醫療服務無懈可擊。李友專指出，台灣的醫療強項為前段的急症（如手術）處理，但在慢性病、長照上的表現卻差強人意。「北歐國家的慢性病患臥床（從無法活動到過世）時間只有幾個禮拜，但在台灣卻是用『年』來計算，」他預測，因為台灣的健保制度長期偏重於急症處理，導致長照一直沒有沒有足夠的資源發展。「現在說準備投入兩百億元到長照裡面，可是台灣老年人口比例愈來愈高，這兩百億夠用嗎？」

要填補長照無底洞，得從預防醫療下手

如果說長照是個無底洞，應對方案不應該是盲目地投注資源，而是盡力使這個黑洞縮小、可控──這正好是AI可以切入的地方。李友專表示，去年在美國洛杉磯曾對200位醫療人員進行調查，要他們在4個醫療體系參與者（病人、政府、醫療管理機構、保險業者），4類場所（住家、診所、醫院、長照機構）和3個項目（預防醫療、急症醫療、長照醫療）所組成的48個選項中，選出哪3個AI最應優先投入。「選出來的第一名，是病人在家的預防醫療，第二、第三才是在醫院的急症處理，」李友專補充，「如果只從項目來看，預防醫療的分數，更遠遠超過急症跟長照。」

圖1：台北醫學大學醫學科技學院院長李友專

攝影：蔣士棋

他舉例，避免醫療錯誤（Medical Errors）就是預防醫療上亟需補強的區塊。「在美國，醫療錯誤已經是死因的第三名，僅次於癌症和心臟病，」他表示，醫療人員普遍處於高壓力工作環境，進入極度疲勞狀態時，難免出現失誤，造成看錯症狀、開錯藥方的現象，而且隨著疾病分類愈來愈細，病患的症狀也日益複雜，醫療錯誤將更難避免。所以，如果能使用AI輔助醫生診斷、治療，光是在降低錯誤這方面，就能大幅提升醫療品質。

再進一步，AI還能做到疾病預防。「我們都知道台灣有個健保資料庫，卻不知道多好用，」李友專解釋，健保開辦至今已經23年，擁有全台灣所有民眾的用藥、診斷、手術等資料，「而且台灣人平均一年看病15次，這麼大量、高頻、連續而且深度的醫療紀錄，全世界只有台灣辦得到，」他補充，從就醫紀錄的表現型資料著手，再加上掌握遺傳的基因體資料，還有日常生活中的暴露型資料和行為型資料，就可以建立完全客製化個人健康和疾病預測模型。

「這些事情在過去是天方夜譚，因為變數太多，沒辦法進行準確預測，」李友專認為，技術上的瓶頸，假以時日一定可以突破。「這麼多資料內的變數可能上百萬個，現在的大數據模型確實還處理不了，可是10到20萬個變數是沒問題的。而且蒐集的時間愈長，數據量愈大，預測的結果也會更準確。」

資料來源：
【智慧創新局-從醫藥開發到醫療服務，從人工智慧到智慧應用】研討會，2019/01/24

Facebook 在北美智權報粉絲團上追踪我們