李友專:付不起的醫療未來,人工智慧如何支持我們健康老去?

撰文專欄:李友專
日期2019-05-04
EnglishFrenchGermanItalianPortugueseRussianSpanish
李友專專欄|《未來城市@天下》

隨著人口老化與醫學科技進步,治療方法變得多元,也更重視醫療品質,健保支出的成長速度只會每年加速。面對一個付不起的醫療未來,人工智慧可能是關鍵解方。

____________________________________________________________

 

健保預算已經突破1年7,000億,佔全國總預算(約2兆)35%,每年還以3到5%的速度成長。漲幅不只如此,全世界醫療產業的成長速度約為8到10%,台灣健保支出若以每年10%速度成長,不到4年就突破1兆。這還只是健保給付的項目,並非整體醫療支出,尚未涵蓋慢性病與長期照護。

健保預算若以現在的速度繼續成長,很快地,全民健保便得減少給付項目、降低額度、重新定義架構或是直接破產。如何減緩醫療費用不斷上升的壓力?最有效的方法,正如前人所言:「預防勝於治療」。但說了這麼多年,「預防」為什麼還是無法真正落實? AI又能如何解決這個問題?

預防醫學,說比做容易

根據我的歸納,「預防勝於治療」難以落實的原因有四:

1.目標與進度不明確

預防的目標,是盡可能不要生病。但是,光靠日復一日做著號稱可以預防疾病的活動,像是日行萬步、一日五蔬果等,無法具體感受到「進步」。沒有明顯目標,就會讓人失去動機難以持續。

2.缺少負面刺激

多數疾病會造成不舒服或疼痛等負面刺激,進而求醫遵囑;但在預防疾病時,往往沒有這些負面刺激推動我們自律。

3.對數字無感

「10年內得到癌症的機率為20%到30%」這類疾病風險數字,無法讓民眾有真實危機感,就不會積極改善生活習慣。

4.以偏概全的傳統模式

經典的例子是「12歲以下及65歲以上的國民統一施打流感疫苗」。這是在沒有大數據與AI的狀況下,僅以「年齡」當唯一變數的粗糙分類,便將數以百萬的疫苗鋪灑到群眾當中,忽略了有無慢性病、吸菸、肺部功能、過去得流感的頻率等個別化的風險評估。

AI用於預防醫學,首重數據廣度與深度

由此可知,將AI用於預防醫學,必須要能增加目標感與進度回饋,並提供有效且可靠的風險預測。要做到這一步,人工智慧專家、科學家、醫師、流行病學家、公衛學家、醫療經濟學家等專家們,則必須先知道要掌握哪些數據,並且蒐集到有效的數據。

目前,至少有一半的數據,已經存在於現有的醫療健康資訊基礎建設中;或是已經可以透過穿戴裝置、物聯網科技取得,像是1.表現型數據(如病史、藥歷等)、2.環境型數據(如溼度、溫度、紫外線、PM2.5等)及3.行為型數據(如運動、吸菸、飲食等)。

而另一半還未能完全取得,或科學尚未完全解密的數據,則有三種:

1. 基因資訊

這是指透過基因檢測才能得到的相關數據,而且基因與疾病的關係也尚未完全被解密。

2. 免疫資訊

人類的DNA一生不變,但免疫力卻會不斷改變。藉由免疫輪廓 ( Immune Profile) 定性定量分析,能夠知道一個人的免疫力全貌,更能有效避免感染症,甚至於癌症等重大疾病的發生。

3. 微生物體(Microbiome)資訊

人體中約有1千多種含細菌、真菌等菌群,在人類腸道中自成一個微小生態系。近期研究顯示,腸道菌微生物體與許多疾病都有關聯,此微生物體中的菌種愈多元,代表腸道越健康,同時人就越健康;反之如果菌種類愈少,人越容易生病。

如這六大類資訊蒐集得越完整,就能越精準地預測與預防,幫助我們將預防做好做滿。預防一旦有效,國人健康狀態變好,醫療資源耗用較少,就能健康地老化,不會動用過多長照資源。如此一來,不僅讓我們邁向健康的高齡社會,也有機會翻轉付不起未來醫療的窘境。

(責任編輯:陳芳毓/程遠茜)

【專欄反映作者意見,不代表本社立場】

李友專
醫學是太太,電腦是情人

是位具有醫學資訊研究所教授頭銜的皮膚科主治醫師。初中時父親買回一台電腦Golden II開始寫程式,而後進入醫學系,實現了IT技術和臨床醫學的完美融合。
2010年10月當選美國醫學資訊領域最高學術榮譽委員會美國醫學資訊學院(ACMI)院士,成為唯一一位來自亞洲的院士,被稱為台灣醫學資訊之父。 

>>本文刊登於《未來城市@天下