【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】