許世明:AI協助臺灣精準健康產業大未來

撰文專欄:許世明
日期2023-05-25
EnglishFrenchGermanItalianPortugueseRussianSpanish
了解數據、活化數據是應用關鍵。(圖/ freepik)

許世明教授|簡介
民國85年自美回臺,曾擔任臺大醫學院免疫所及研究發展室主任、臺大醫院副院長、總統府尖端科技諮詢委員會召集人、國家新竹生物醫學園區籌備處執行長,以及工研院、經建會顧問等職。他長期從事腫瘤分子診斷、腫瘤細胞生物學與病理免疫診斷之研究,有許多論著、專利及創新發明。許教授的研究論文被引用次數,在臨床醫學或全領域上均列入世界前百大。從 2002 年新竹生醫園區籌建開始,許教授一直致力於臺灣的精準或數字健康產業的整合與發展,期盼結合臺灣的醫療、生醫工程、電子資訊、人工智慧等相關產業,期能對人口老化、健康管理、以及生命品質提升做出貢獻。許教授規劃的人工智慧精準健康管理平台 (AIICare) 被譽為世界首創。


許世明教授

作者/許世明


2019年《柳葉刀》、《科學報告》等期刊同時登載了多項針對世界多國高血壓管控現況的大規模調研。

高血壓治療率比較好的是德國、美國(女 80%,男70%)和韓國(女74%,男65%);而控制率方面,德國(女性 58%,男性 48%) 和韓國(女性 53%,男性 46%) 表現突出。然而,臺灣、日本的表現卻差強人意,女性高血壓控制率只有 25~30%,男性只有20~25%。中國高血壓患者的知曉率、治療率和控制率則分別為 52%、46% 和 17%。

過去十幾年間,韓國的高血壓患病率一直穩定在 30% 左右,但高血壓的管控卻有奇蹟般的成就:從 1998 至 2015  年,高血壓知曉率就從 25% 提升到 66%,治療率從 20% 提升到 60%,而控制率更是從 5% 提升到 42%,幾乎是臺灣的兩倍優。

高血壓控制率的提升,對韓國國民健康帶來的好處是很顯著的。在過去的 18 年中,韓國普通人群的平均血壓下降了8.6/3.7 mmHg。據研究發現,血壓每降低10/5 mmHg,心血管疾病的死亡率可以降低約 20%。也因如此,韓國心血管疾病與腦中風的發生率和死亡率均有顯著的改善。

數據無法轉換成知識  商業價值難實現

韓國在高血壓管控方面的成就,可歸因於韓國社會的一些變化:⑴ 生活方式改善:近 10 餘年,韓國人每天的鈉攝入量有著顯著的下降;⑵ 韓國國民醫療保險的覆蓋率達 97%,所有參保居民,每兩年就可享受一次免費的標準化體檢。另外,如果發現有高血壓,體檢中心會馬上建議居民去看醫生。2015 年,有超過 60% 的韓國成年人獲得了免費的篩檢服務。

另外,近年來韓國政府積極與各醫學專業協會合作,執行推展各種慢性病的預防措施。2000年開始,韓國的藥品政策改革開始規定「醫藥分家」,開立處方必須和發放藥品的地方分開。儘管該政策旨在減少藥物過度使用和濫用,但在客觀上,它反而增加了患者去看醫生拿處方的次數、並提高了治療率和控制率。

眾所皆知,在過去20年的同時,臺灣許多科技公司亦開始著眼於高血壓監測的市場,各種穿戴式手錶、基於互聯網的遠程即時家庭血壓監測模式、以及推廣自助式血壓測量設施等產品與服務相繼問世,用以發現潛在高血壓、及未控制的高血壓患者。只是,所有的努力在一片紅海市場中,都很難脫穎而出、實現健康管理與商業價值。

了解數據、活化數據是應用關鍵。

實際臨床經驗裡,簡單如診間血壓 (Automated Office Blood Pressure) 量測,加上相對應的疾病指標(或簡稱為參數)已能初步評判患者的心血管疾病的風險關聯。然而,從血壓檢查能延伸出的數據更為多樣,而且要求精準。例如:24 小時動態血壓和夜間血壓與心血管病風險的關聯甚至更密切;而血壓波動或血壓變異 (Visit-to-Visit Blood Pressure Variability, BPV) 也與心血管風險相關聯 ; 脈壓 (pulse pressure) 亦與心血管死亡、心肌梗塞、腦中風等多種不良結局密切相關,且獨立於平均動脈壓 (Mean Arterial Pressure) 。

另外,⑴ 同時測量肱動脈和中心動脈壓,可診斷單純外周和中心高血壓 (Central Hypertension);⑵ 四肢血壓測量計算臂踝血壓指數或兩側上臂或下肢血壓差值,可診斷周圍或末端動脈疾病 (Peripheral Arterial Disease);⑶ 高心律變異 (HRV) 代表更好的心血管功能和抗壓能力,而低HRV意味著更高的焦慮抑鬱風險,以及更高的心血管疾病的死亡率⋯⋯

但是,對大多數的病患、或正往疾病路上的亞健康人群而言,這些數據(尚未轉化為知識)可能讓他們毫無感覺、也不願多花時間去瞭解,這就造成高血壓的治療率、尤其是控制率偏低的原因。同樣的,這也讓高血壓監測一些穿戴式的產品,無法讓客戶起心動念。

AI 人工智慧數據分析 協助病患教育與自主管理 

承上,我們提到三個關鍵字――「知曉率」、「治療率」與「控制率」。

控制率可能有較一致量化的標準;可是,知曉與治療率卻會有認知的差異與程度的不同。因此,在精準健康與精準預防工作上,就會有一層重要的任務,就是要做好病患教育、活化與參與(Patient Education, Engagement, Activation ect...)。

對於住院的病人,病患教育相對容易,可是對亞健康(未病)人群則較為困難,而且大部分的醫療院所,都會考量到健保給付問題,所以並不熱衷、也沒有時間去關注這類不賺錢的業務。

其實,上述這些工作,都可以透過完備的人工智慧(AI)分析平台的自動化輔助來落實。其中一大項工作就是透過數據的分析,以產出各種疾病以及併發症在不同階段的「風險評估與預測」 (Disease or Health Risk Assessment or Prediction, HRA)。

以高血壓健康風險評估為例,其目的,就是做出高血壓病因的鑒別診斷、再延伸評估患者的心腦血管疾病或甚至腎臟病風險程度,並提供個人化健康指引、及進行疾病或併發症(Complication)的防控管理,給出最適切、精準的健康照護方案。

泛言之,從精準健康的立場進行未病診斷的內容應包括:⑴ 尋找疾病危險因素 (predictors, 疾病參數、指標、標記)、⑵ 評估標靶器官損害 (Target Organ Damage, TOD) 以及相關臨床情況;從而做出 ⑴ 疾病前期(疾病未滿)與疾病病因的鑒別診斷、⑵ 患者的器官傷害或併發症的風險等級評估,⑶ 給予精準、個人化的健康管理指導;包括治療性的生活型態調整 (Therapeutic Life Style Modification) 以及配合醫師建議的藥物治療等。

從上述簡單的訴求來看,許多國家包括臺灣的健檢,目前只有制式流水線上的檢查,並沒有真正落實健康管理。

慢病佔全球疾病負擔 60% 5,000 億美元市場投資機會大

不只臺灣,許多國家的醫療保健系統的狀況都做出顯著改善,人們的壽命也越來越長;但事實證明,一些疾病難以完全戰勝,它們被稱為慢性病。

慢性疾病 (Chronic Disease) 是指持續至少1年甚至終生的疾病;他們通常需要被持續的醫療照顧,影響生活品質,或兼而有之。根據世界衛生組織統計,慢病佔全球所有死亡人數的 75%,佔全球疾病負擔的 60%。僅在美國,據估計,六成的成年人至少患有一種慢性疾病,四成的成年人患有至少兩種或兩種以上的疾病(共病)。這也意味著,在任何特定時間,都有很大一部分人在管理慢性疾病,使得世界各地都潛藏巨大的投資機會。

臺灣的慢性病管理,尤其在超老齡社會的到臨,形勢更為嚴峻,除浪費健保資源外,我們依然束手無策。如高血壓,雖不是唯一,但卻是許多慢性疾病的根源。高血壓、心臟病、中風、糖尿病、失智和癌症是每年導致慢病死亡和傷殘的主要原因。

根據統計,2023 年全球慢病管理市場約 5,000 億美元,並以 7.2% 的複合年增長率成長。

慢病的終生影響意味著不僅要付出巨大的人力醫療成本,還要付出巨大的經濟代價。而後者,在我們將進入一個超老齡社會、慢病肆虐的年代裡,更會是一個國家安全的大問題。

我們期望能有免於疾病恐懼的烏托邦;其實踐是可以透過有系統的數據集成、有溫度的人工智慧 (AI) 分析平台,將冷冰無感的數據 (Big Data, Clean Data) 轉化為病患自我健康管理的資訊,再昇華成可實踐、有醫學實證基礎的知識與方法,就能夠產生實質健康促進的效益。

同時,在數據分析 (Analytic Power) 以及專業知識與技術 Domain Knowledge and Technology)  的引領下,可以透過網路 (Cloud) 連結未病客戶 (Customer Management) , 帶動更多價值產品的應用以及市場、延伸創造附加價值,打造一個綿密的健康生態圈。


我們期望免於疾病恐懼的烏托邦,其實踐是將冷冰無感的數據轉化為病患自我健康管理的信息,昇華成有醫學實證基礎的知識與方法,就能夠產生實質健康促進的效益。(圖/ freepik)

AI協助自我健康管理的「責任」問題

現在由網路上能獲得的健康醫療資訊十分多元氾濫,很難判斷其真偽或實際效益;加上一般民眾對醫學專業知識的鴻溝,因缺乏辨知力、漸趨無感而冷漠、也導致缺乏改善自我健康的熱忱。

理論上,在健康檢查後,醫師應先確認受檢者是否充分了解檢查的結果與其代表意義、並能隨時掌握實證證據,據此給出最適切的健康管理、醫療及衛教信息。但,迄今多數的健康檢查報告僅靠紅字標記提示,提供千篇一律的罐頭式衛教文章,讓病患充分了解的距離,仍遙不可及。

哈佛大學斯坎倫 (Thomas M. Scanlon) 教授在他的著作《我們彼此負有什麼義務》(What We Owe To Each Other),以縝密思維分析「負責」(Being Responsible) 的多個層次。他認為,在醫療上面,尊重「個人自主」已是共識,但延伸的一個「負責」問題也值得思考。例如有人對自己的健康問題採取放任態度、缺少自律或自我管理的意識,直到有一天終於出了大毛病,社會是否無條件地補貼他的醫療費用? 

Scanlon 引述 Julian Le Grand 的主張:「當個人的健康情況是取決於他自己完全可以控制的因素,那麼他理應負責他因未適當自我照顧而衍生的醫療服務需要」。

對個人行為的「怪責」(Blameworthiness) 與「問責」(Accountability) 是個哲學也是個政治問題。「問責」的結果可能是削減政府對個人醫療需要的承擔,以減少健保的負擔與浪費;「怪責」是道德上的,即使很合理,也不代表可以完全抹掉政府或社會、尤其是收錢的健檢機構,對病患的醫療照護(協助自我健康管理)的責任。

健康檢查 vs 疾病診斷

目前健檢,只有制式流水線上的檢查,沒有真正落實健康管理的原因 ⋯ 是缺乏系統整合性知識圖譜的支援。知識圖譜 (Knowledge Graph),是結構化的知識庫,其體系架構通常分為三個部分: 1)  健康數據的完整或精準萃取、2)  數據知識融合和運算、與 3) 可執行知識的應用。

健康管理知識圖譜的建立,可以藉助收集過去 30 年有關疾病風險因子、生物指標 (Disease Bio-Markers)、風險預測與風險管理等超過十萬餘篇研究的論文等結構化數據源,提取本體和模式信息,經過醫學專家審核、進行評估後,加入到自頂向下方式構建的知識庫。

這裡我們必須再三強調,現階段的疾病診斷都是著眼已經發生的疾病 (已病) 的數據,做為後續的干預和治療的根據。但,有別於疾病的診斷,健康檢查或健康管理處理的是「未病」或 「疾病前期」的數據(風險因子、動態網絡標誌物 Dynamical Network Biomarkers, DNB)。換言之,從預防治未病的著眼點,臺灣健保的數據庫有參考的價值,但絕非全部。

生醫小百科» 認識 DNB 理論
    DNB 理論著眼於從未發生的角度來預測疾病的發生發展狀態,是研究與疾病有關的某一動態網絡標誌物變化的臨界點 (Tipping Point) 。臨界點的狀態特徵是與健康狀態差異很小、但是各風險因子之間的關係已經發生了變化 (Critical Transitions),足以用來提示疾病的發病風險。
    臨界點的特徵是:⑴ 網絡中的 DNB 自身的動態變化變大(Variance 方差波動);⑵ 關鍵節點和其他周圍節點的網絡關係(聯繫)變弱。
    醫學是一項高度專業、也充滿許多不確定性的科學,這使得健康管理決策與執行成為一件困難的事。但通過臨界點特徵可以對 DNB 進行一一篩選,利用個體網絡臨界點信息進行相關預測,AI 可以提供一種新的工具方法和思維方式,以增加對複雜疾病前期 (Pre-Disease, Ultra-Early Precision and Preventive Medicine) 評估預測的一個新維度 ―― 網絡 (Time Course, Network & Sample Data Based)。

健康風險評估 vs 健康管理

健康風險評估 (Health Risk Assessment, HRA) 是健康管理過程的一種分析方法或工具,通常是有效健康管理的核心引擎。

HRA 主要是將健康數據 (Data, Variables, Risk Factors) 轉變為健康信息 (Knowledge or Information) ,以描述和估計未來發生的某疾病的機率,或因為某疾病導致傷殘死亡的可能性;是對個人的健康狀況及未來患病或死亡危險的量化估計。

數據來源種類則包括:生理、生化、基因、生活方式數據等;生活方式數據包括個人或家族健康史、其他環境危險因素、生活態度及知識方面的信息。

人工智慧賦能 HRA 的目的就是:將健康數據轉變為可瞭解、可執行 (Actionable) 的健康資訊,而非拘泥於絕對危險機率 (Probability) 準確度的爭論,以幫助個體綜合認識健康危險因素及其對健康影響之後果,以利於制訂個人化健康干預措施。

風險是人們在生活中經常經歷的一種狀況。廣義而言,人們使用「風險」來描述結果不確定的狀況,確實比未經過任何處理的數據資料 (Raw Data),更容易讓病患了解。風險又可分為靜態風險和動態風險、主觀風險和客觀風險等。

透過 HRA 應用在健康管理上,就是篩選高危人群,診斷未病。對每種已經被識別出來的風險參數進行總體評價,並將參數(數據)轉化成衡量風險程度與知識。以制定個人化、有實證基礎的健康干預措施,達到預防的或延遲疾病發生為目的。

AI技術協助「醫病共享決策」流程知識管理

有效的治療「亞臨床疾患」或延緩疾病進展、或甚至逆轉之(治未病),需要一個更嚴謹有效的醫病 (醫患)共同決策過程。

「共享決策」―― 醫師是需要花費時間與患者討論,且患者必需要對健康疾病的風險、病況、病情進展以及相關處置方案有深刻認識,雙方互動缺一不可。而這些種種正是在疾病診療過程中極度欠缺的,更遑論在健康檢查實務上;它存在有數據量大、模糊灰色地帶寬、工作重複性質高、容易被忽略並產生誤判的先天限制。

上述這些流程從數據分析、知識產出、解釋病情,都可以藉由 AI 相關的技術來協助知識圖譜的精進或知識管理 (Knowledge Management, KM/BI) 系統的操作。

「共享決策」更需透過教育、溝通、參與以及活化實施與反饋,才能夠評估健康管理的效益、評價干預措施的有效性;而透過反饋,能夠修正或更精準的達到個人化精準預防的效果。換言之,共享決策是以病人為中心的臨床醫療執行過程,兼具「知識」、「溝通」和「尊重」三元素,結合病患自身的偏好跟價值,提供病患所有可考量的選擇,並由醫師、健康管理人員和病患共同參與,達成健康管理決策共識。

隨著醫學資訊多元化、病患權力意識抬頭,健康決策權(知識應用權)理應更向患者傾斜。此外,醫療的進展隨著實證證據的更新,持續進步,為提供病人更適切的醫療與健康照護,醫療人員必須要隨時掌握新實證數據,並能正確解讀與應用。

透過逐漸成熟的 AI 技術,可以協助我們通過知識融合與計算,對疾病的風險有更清楚的認知, 同時依循證醫學基礎,導出知識應用(稱之為:AI 賦能健康管理決策支援)。


透過逐漸成熟的 AI 技術,可以協助我們通過知識融合與計算,對疾病的風險有更清楚的認知。(圖/ freepik)

>>本文刊登於《環球生技月刊》Vol. 105