台北醫學大學醫學資訊研究所特聘教授李友專 AI醫療科技防疫先鋒

能力雜誌 2020/05/05 11:30(60天前)


新冠肺炎(COVID-19) 全球大流行,戴口罩、社交距離、在家上班等措施,徹底顛覆過去的日常生活想像,更多人思索著:「疫情過後,還能一切回到從前嗎?」而研究AI 醫療近30 年的李友專,則提供了一個醫療大未來的想像。


【文/葉小慧 攝影/謝美姿】

AI在防疫上究竟發揮什麼樣的功能?「光是口罩這件事情,就可以看出大數據(Big Data)和AI其實非常有用。」台北醫學大學醫學資訊研究所特聘教授李友專,指的是3月12日上路的「口罩實名制2.0」。「2.0和1.0最大的不同,就是利用AI,開始對不同人口、使用習慣、不同地區等變數,再決定什麼地方發放多少口罩下去。」他說明,1.0是齊頭式平等,各藥局發送的口罩數量相同,並不考慮人口與使用習慣,「因為急著趕快發,所以有的藥局一下子就沒了口罩,有的則是一直都有,還發不完,發不完也不能拿去賣,必須繳回。」在累積了1.0的數據之後,得知哪些地方口罩用得快,哪些地方用得慢甚至用不完,就能透過AI學習並預測。

當然AI並不只適用於口罩發放,更能有助於認識疫病,降低民眾的恐慌,避免更進一步影響經濟。

17年到1年的防疫戰線

其實疫病的處理更有賴AI的運用。李友專指出,在沒有AI的時代,必須累積很多病例,要做個案報告,「在醫學上,一種新的疾病出現,到我們學會應對起碼要17年,這是一個平均數,我們才真的知道怎麼處理它。可是面對新興傳染病,我們沒有17年,連17個月大家都覺得太長!」而AI可以大幅縮短對疾病的學習過程,很快幫助人類咀嚼跟整理各國分享的病例大數據,進而發展出預測模型與高風險模型,快速精確地找出風險最高的族群,來進行監管和治療。

「這就跟KKBox、Spotify很像,都是利用AI與大數據,透過使用者聽過的歌、聽的順序,再導入數百萬人的聽音樂數據,工程師再藉以發展出能正確推薦的模型演算法。」李友專說這就跟新冠肺炎的AI應用一樣,雖然台灣的病例數量還無法成為大數據,但醫療業界正利用全球最大資料平台-Kaggle。以南韓與日本為例,他們就把病人有沒有抽菸、年紀多少、什麼職業、住在哪裡等數據上傳平台,並拋出問題,例如:哪些人最容易感染?什麼樣的風險最大?他樂觀表示,在全世界工程師與AI容易取得開放大數據的現在,新冠病毒應該很快就有解藥。

「事實上我們每天都在解密,這個解密是漸進的,但是絕對會比以前的17年快非常多。」李友專自信地表示,「我個人相信不到1年,就會對新冠病毒不再恐懼,因為我們已經了解它,了解就不再恐懼,不會恐懼,經濟衝擊就會比較小。」

台灣多維度大數據建功

不過李友專指出,AI與大數據在醫療的應用還是有門檻存在。首先是「準確度」的要求。醫學領域和消費領域的要求並不同,消費領域的工具有問題,就是遭到客訴,但是醫學領域不能時而正常時而失誤,所以必須經過長時間的臨床試驗。「醫學的工具最怕不準,不準的檢驗比沒有更糟糕。」以新冠肺炎快篩為例,假如篩出結果是陰性,就把人放走,但其實是罹患新冠肺炎的病患,此時檢驗工具不僅沒有幫助,反而導致更慘的結果。

其次,要有好的大數據品質,意思是什麼呢?最重要就是單一對象的「多維度測量」。舉例來說,只透過Facebook來了解對象並不完整,但是透過Gmail、日曆等資訊統整,就可以徹底了解,這就是「多維度測量」。

「台灣是全世界醫療大數據最好又密度最高的國家之一。」李友專表示這得歸功於健保,因為台灣健保將全國資料都歸納到單一資料庫當中,至今已經累積25年,擁有超過2,300萬人的資料。相較之下,英國、加拿大、澳洲、法國等國家雖然一樣擁有社會保險,但是數據存放卻是分開的,格式也各自不同,彼此間更無法交換數據。

除此之外,台灣人平均每年看病15次的習慣,也間接有助於「多維度測量」,包括醫院檢驗、檢查或開藥診斷等數據,都有助於AI醫療的開發。

沉浸式實驗室模式開發
台灣醫療大數據的品質優秀之處並不止於如此,「全世界很少有國家的用藥和診斷是由醫師直接輸入,大部分都是醫師手寫或隨手打幾個字,後端再由編碼人員登錄,其實,台灣早期也是如此。」李友專指出在健保成立後,台灣就由醫師直接撰寫或輸入資料,因此包括診斷、用藥資料、檢驗的品質,報告相對都很完整,非常貼近真實的狀況,病人實際的健康情況和病歷上所陳述的差距很小。

同時,健保署每年審查約250萬份病歷也對於資料正確性有所助益,台灣要求所開藥物與診斷必須能對應,一旦無法對應不但不給付,還會開罰。在美國,保險不管診斷只管用藥,藥用對了,診斷隨便輸入無妨,也因為這些因素,讓台灣醫療大數據的品質令人信賴。

「AI醫療專案其實常常碰壁。」李友專表示因為多數醫療人員不大懂AI能做什麼,當設計工程師詢問應該有什麼功能,最常聽到的回答是「不知道」或者「做出來用了就知道」,導致開發流程陷入無止境迴圈。其實,AI與醫療都是高度專業化的領域,即便是學電腦科學的人也不是每個人都懂AI,電腦科學裡的AI已經專科化,而醫學也是相當專業化,幾乎不會有一邊學醫學、順便學個程式設計和AI的狀況發生。

所以,如果真的要快速發展AI醫療,李友專認為要利用「沉浸式實驗室」的模式,把業界頂級的AI工程師放到醫院裡面,讓他們跟著醫師觀察,接著提出建議來進行腦力激盪與發想,進而開發出合宜的AI醫療,這也跟美國史丹佛大學(Stanford University)的生醫創新流程「Bio-Design」模式一樣。

AI變身瑞士起司 醫療錯誤補破網
對於未來AI醫療發展的主要方向,李友專語重心長地表示,最重要的2件事,一是減少醫師血汗,二是避免醫療錯誤。

其實,醫療人員的高勞務並非只有台灣,是全世界醫療都是如此。隨著高齡化與新科技發展的緣故,大家對品質要求越來越高。AI能夠幫忙降低醫療血汗,「但並非取代醫師。」李友專說明,對於在半夜、假日以及偏遠地區等需要醫療的時間與地點,有機會讓AI協助甚至取代,因為AI不需要睡覺也不會在乎距離。

另外,減少醫療血汗可以降低醫療錯誤。「當醫師很累時,醫療錯誤自然增加,結果付出代價的是看病的人。」李友專指出,由於醫師越來越血汗,全世界醫療錯誤率明顯升高。「以前只要處理100種藥,現在有1,000種藥;以前開刀只有10種方式,現在有1,000種方式。」醫療的複雜度增加,病人也越來越複雜。「以前病人來就是1、2種病,現在病人卻有7、8種病,而且大家都活到70、80歲,每個人都有糖尿病、高血壓、神經退化、心臟等問題,所以吃的藥也很複雜,而醫師看診的時間又很短,醫療錯誤當然跟著增加。」當然沒有血汗也會有醫療錯誤,但是血汗會讓錯誤越來越嚴重,一但錯誤日益嚴重,可能再過幾年醫療錯誤就會變成10大死因第一名。

醫療錯誤要如何防止呢?李友專表示,AI能夠有效預防醫療錯誤。例如:用藥錯誤的防止,從醫師開立藥物到最後交給病人,當中都有AI能夠介入的地方。在醫師開立時可以看藥物跟疾病是否符合,還是不小心打錯藥;到了藥劑師那邊,AI可以幫忙看劑量有沒有問題,藥物有沒有交互作用;到了病人那邊,榮總也研究用手機一拍照,就能知道是什麼藥,由病人自己對照有沒有錯。醫療錯誤有所謂「瑞士起司」(Swiss Cheese Model)理論,如果醫療錯誤剛好穿過每一層防護機制的破洞,就會直接讓病人受到傷害。而AI就是幫忙多放幾片起司進去,幫忙把洞補起來。

李友專指出,「人會倦怠,做重複的事情依然會錯,AI可以重複萬次百萬次仍然一致,因此用AI科技來進行病人安全和醫療錯誤的防護是非常有效的。」據評估,導入AI至少可以防止一半的錯誤,而WHO估計每年用藥錯誤成本高達4,000億美元,所以,導入AI把關至少可以省下2,000億美元的不必要成本。隨著AI醫療的進化,未來不只可以讓醫療錯誤降到最低,更能將防疫戰線更加全面化。


【完整內容請見《能力雜誌》2020年5月號,非經同意不得轉載、刊登】
FB留言