你的醫療數位分身不是你!?

撰文編輯部
日期2023-04-15

ChatGPT 席捲,AI快成精了,人們對ChatGPT帶來之影響的各種討論已經爆棚,人類和AI的互動持續在未知的領域探索,是否它的迭代產品將很快成為人類生活中不可缺少的必需品?先不管你是擁抱它、還是抵制它,科技就是如此,泥濘荊棘之地還是浩瀚藍海,就是有人會去闖。

但個人不是科技潮流的粉絲,可能還非常遲鈍。對近年來臺灣興盛勃發的AI 醫療,其實抱著被動積極多於主動積極的態度,開放接受多於鼓吹推動。

跟企業數位轉型一樣,我認為用在醫務管理上,醫療體系AI智慧轉型是必需加速進行的,以使用者為核心,提供即時資通訊技術(ICT)應用於就醫與照護管理服務,破除地理及時間之限制,不僅提升醫療資源使用效率及品質,也減少醫務管理的人力。

而人工智慧應用於醫學診斷上,許多AI醫療論文日新月異地發表,過去十年迄今,美國食品與藥物管理局(FDA)已經核准200餘款支持人工智慧和機器學習(AI/ML)的醫療設備和應用,各種AI數位醫療成果紛紛走進醫院協助醫師診斷或監測病患生理跡象,也可以預見,AI醫療會像ChatGPT一樣地進化,進而成為人類醫療的主旋律。

「數位分身」實現4P精準醫療

今年1月中,我們邀請廣達研究院院長張嘉淵演講,分享將元宇宙概念延伸到智慧醫療的願景,以及「數位分身」如何應用到智慧醫療的做法,這場演講吸引了各方領域的朋友們聆聽,能感受到大家對醫療數位分身的商機充滿期待。

數位分身(Digital Twins) 結合IoT、AI、AR/ VR、遠距監控等多種智慧科技,透過數據蒐集與模擬分析,將實體人事物轉為數位元件並建立虛擬模組,讓這些「分身」可以在虛擬的環境裡進行各種測試。

應用於醫療領域上,「數位分身」就是我們個人物理實體的數位副本,它可幫助醫生收集我們的數據(例如電子病歷,生理信息和生活方式),把真實世界的原生數據(Raw Data),再經標註、定義屬性的數位化動作後,開發不同的演算法來訓練「數位分身」,並和許多虛擬的對應模組之間建立連接,或做各種不同的模擬,以便執行遠距的各種醫療服務、或模擬特定的療法、甚至用藥和手術,還能收集、監控我們在接受這些醫療服務後的反應。

有了「數位分身」在另一個空間先進行疾病治療的模擬,或能在第一次給藥時提高精準度,實現預測、預防、個人化、多人參與(4P)的精準醫療。

但「數位分身」真的是你嗎?

深度清理(Deep Cleaning)比深度學習(Deep Learning)更重要

近期,在一趟出差旅程中,有機會向中國醫藥大學附設醫院大數據中心副院長郭錦輯醫師請教許多AI醫療的種種問題。郭錦輯本身是腎臟專科醫師,並同時擁有美國約翰霍普金斯大學(The Johns Hopkins University)流行病學研究所博士學位。

他帶領中國醫大數據中心團隊開發出多項醫療AI技術解決系統,其中在「心胸比估算系統(Cardiothoracic ratio,CT ratio)」,僅花了12萬新臺幣、90天內就直取FDA SaMD (Software as Medical Device)認證。

這套人工智慧演算法分析20歲至80歲成年人之胸部X光後前位(PA View)影像,獲得心胸比數值,源自於他們對慢性腎臟病患的照護需求。

很多慢性腎衰竭及洗腎病人最大的死亡原因,往往不是腎臟本身,第一是心臟血管疾病; 第二是感染症;第三是癌症。因此,準確和即時監測患者合併的心血管疾病和不可逆的心臟擴大,是極其關鍵的。

這套系統已經導入中國醫大的腎臟科臨床門診,為醫師大大分擔了許多時間與心力,也滿足了對病患更安全的醫療。

但從醫療實務來看,像CT ratio這套能實際到臨床上讓醫師們「用得很高興」的AI系統,即使在200多個取證FDA SaMD的產品中,可能事實上只有個位數。自AI醫療發展以來,許多論壇上都指出AI醫療無法落地,也是醫院和業者依然僵持不下、且常各自表述的難解習題。

人工智慧要能實際應用於醫學上仍有一段距離,最大的原因不在演算法而在「資料」。在郭錦輯的談話中,他不斷強調深度清理(Deep Cleaning)遠遠甚於深度學習(Deep Learning),在「AI醫療開發的過程中,80%的時間其實都在清理數據 (Data),不是在Learning的演算程式,更重要的是,要臨床醫師自己下來清理Data……。」 

醫院數據要「中央集權」管理

我們在一場衛福部食藥署主辦、工研院生醫所協辦的「智慧醫材跨領域加值創新交流會」的採訪中,臺大智慧醫療中心副主任/醫學急診部李建璋教授也直指,「取得FDA批准產品的準確率都高達90%以上,但現實世界中的患者症狀複雜多樣,所以準確率可能就只剩下60~70%,再加上不同醫院中連英文縮寫、醫師訓練、藥物使用都大不相同,電子病歷的異質性很高,因此,AI模型很難落地在各個醫院。」

據此,當政府對國際上以「臺灣健保數據資料庫」而自滿,恐怕只是自曝對AI醫療和人工智慧科技發展認知的膚淺。臺灣健保資料庫是一個巨量的行政和預算管理系統,不是AI醫療開發所需的臨床生理數據庫,此外,臺灣電子病歷轉型雖然先進,但迄今各醫院系統不一、協和性不高。

相較之下,中國醫大自 2003 年起病歷全面完成電子化後,董事長蔡長海就高瞻遠矚,以「中央集權」先是建構臨床研究資料庫,2015年大數據中心正式掛牌。

這肯定不只是病歷和醫務的「電子化」工程,要各科室和各大PI (Principal Investigator)「上繳」自己的臨床研究數據,可能在許多國立大教學醫院就很有困難。正因為「中央集權」,讓大數據中心可以從起頭就建立一套標準化的醫療數據「製程」,從進行資料盤點、標註、清洗、結構化、自然語言處理與合理性驗證,到建構大數據倉儲。

郭錦輯也分享,真正的AI醫療還必須前瞻性地部署收集能全幅呈現病患生老病死的醫療軌跡,這樣才能精準探究疾病風險因子與預測病程。為此,大數據中心整合院內體系的電子病歷、全國健保資料、甚至全臺環境數據等,「一路花最多的苦工,還是在多元化的Deep Cleaning。」

李建璋在演講中也指出,機構必須有能力依據真實世界數據的演變而修改模型,並擁有一套完整的內控機制,也須在真實世界的環境中進行準確度驗證,甚至最終必須提出是否實際改善了病人預後、醫院成本,才是真正具有「價值」的智慧軟體醫材。

其實從中國醫來看,這恐怕還需要足夠「權力」。郭錦輯就表示,高品質數據資料應用只是最佳導航,要進一步走出院方和國際醫院或產業合作,該機構是不是容許Data灌進來後,能被Cleaning,都是影響AI醫療普及臨床的原因。

找出共同接受的規則  對話、進化

毫無疑問,醫療大數據可以優化診斷的速度與準確性,改善照護品質並減少主觀的決定。但目前還在發展的 AI 醫療,光在蒐集與使用個案的醫療資料層面上,數據可能就比想像中的還要髒亂,以致現在還是容易讓人工智慧的演算分析產生誤判,讓你的「數位分身」其實不是你!

然而,誠如一開始所言,科技會持續被人闖出來,涉及跨領域的AI醫療,各方專業也會逐漸拆解藩籬,在大量資料中找出共同接受的規則,對話、進化。

這也跟ChatGPT一樣,若資料本身不精準、或標籤(Hashtag)都不穩定的話,它所答不僅不知所言,恐怕還很災難!

mind_sign

 ;[email protected]