預防醫學的未來，AI是關鍵！

2000年10月，Google共同創始人Larry Page做了一個傑出的預測：「人工智慧（AI）將成為Google的終極版本，所以我們將擁有可以理解網路上所有內容的終極版搜索引擎，它可以準確理解你想要的，並且給你正確的答案。」

十七年後，人工智慧（AI）和大數據是醫療保健領域的新流行語。根據一份新的市場研究報告[1]，預計2017年至2024年醫療保健人工智慧部門的複合年均增長率（CAGR）將達到驚人的40％，從而創造100億美元市場，其中包含專注於醫療成像、診斷、機器人個人AI助手、藥物發現和基因組學。

當Larry Page將人工智慧與“終極搜索引擎”進行比較時，就是強調人工智慧能夠處理大量數據的能力。AI的深度學習演算法旨在檢測巨大且不同數據庫裡的特徵，這些數據庫對整個數據科學家團隊而言都是無法辨別的。其次，這些深度學習演算法可以被訓練來提供特定的訊息，或者套Page的話來說，「AI會準確理解你想要的，並且給你正確的答案。」

臨床AI的實施將使疾病變得可預防

現在，患者在被診斷出罹患慢性疾病（例如癌症或糖尿病）時，通常為時已晚，因為疾病已發展到了無法逆轉的地步。我們都知道，後期疾病的治療計劃昂貴且具有破壞性，患者對自身健康狀況的回饋和理解很差，因此不太會積極主動地選擇健康的生活方式及堅持實踐醫生的建議。

因此，預防慢性疾病的發生和診斷後的疾病管理已成為醫療保健中先發制「病」的重點，而AI提供了一個很有前景的解決方案。預防性醫療保健系統將利用AI收集、編譯和分析數據的能力，促進三個漸進式的學習階段。

首先，根據歷史數據，AI將實現廣泛的學習範圍，有助於進行更高效率的疾病診斷，從大規模的大數據中收集到的見解將被醫生用來進一步培訓人工智慧。其次，AI將利用歷史數據並使用病患及時數據對其進行擴充，以向病患提供回饋。最後，隨著AI開始學習病患如何根據即時數據所做出不同反應，並為每位病患產生個人化和預測性的回饋。

廣泛(broad)學習高效能和高效率的診斷

AI以其分析能力和深度學習演算法而著稱，這些功能可以被部署橫跨於大量不同的數據庫，並檢測數十萬個數據點中特定於某些條件和疾病的變量。在廣泛學習的背景下，AI有可能幫助診斷過程並在問題變得嚴重之前就發現它。

來自Sutter Health和喬治亞理工學院的研究人員使用深度學習[2]來分析電子病歷以預測心臟衰竭。初步結果顯示，這種AI應用可以提前一到兩年準確預測心臟衰竭。費城Thomas Jefferson University醫院的研究人員通過培訓AI來識別胸部X光檢查結核病[3]，該計劃可能有助於在結核病流行區域進行篩查和評估。

透過利用梅奧診所(Mayo Clinic)或美國心臟協會等研究組織許可的公共歷史數據庫以及患者特定的數據，如病史、個體症狀和處方簽，AI將使醫生能夠更精準掌握病人的病情，然後為個體患者推薦最佳治療方案。

用患者即時數據擴充廣泛學習

一但AI的廣泛學習可以識別並協助診斷特定病症，它可以利用歷史數據來制定互動治療計劃，從而推動患者的參與。Doc.ai正在使用區塊鏈技術收集大量全球化的醫療數據[4]，並從中獲取見解。然後透過機器學習分析和處理收集的數據，並向用戶提供關於他們自己的醫療問題的個人化回饋。研究表明，持續的回饋是推動患者參與的關鍵因素。

2012年的一項試驗發現[5]，當向慢性病患者提供遠程監護設備時，急診室就診次數、住院率和一年內死亡率均明顯下降。研究中所使用的設備藉由測試到期時的提醒、提供教育影片以及建立患者最近臨床結果的詳細圖表，來為患者提供持續的回饋。

我們可以想像一個配備醫療級穿戴式裝置的心臟病患者，該設備提供患者依照前一周運動處方或藥物治療有效性的即時指標。這種可證實、可測量的回饋可以鼓勵患者更遵從治療計劃，或在下次門診之前諮詢醫生以改善治療方案和未來結果。為了使AI真正“智慧化”，它需要透過經驗變得更有效，僅憑單純從歷史數據庫提取的訊息並無法使它產生經驗，AI需要大量數據進行優化，而能夠持續傳送患者數據的醫療級遠程監控技術是實現此目的的理想機制，這些設備提供了持續性的連接，並具有收集臨床準確、醫學可驗證的數據的能力。

針對個人化和預測性回饋的特定(specific)學習

人工智慧最有價值的也許是它能夠隨著時間的推移動態地學習和改進，當AI收集個體患者數據，並開始了解患者對回饋的不同反應時，就可以開始客制化回饋方式，使其具個人化和可預測性，這種回饋是預防性醫療保健系統建立的基礎。 基於IBM Watson，美敦力(Medtronic)新推出的糖尿病App, Sugar.IQ [6], 透過Medtronic泵和葡萄糖傳感器，使用即時連續血糖監測胰島素訊息，為糖尿病患者提供個人化服務。

這個App目的在從患者自行輸入的訊息中學習，app的血糖輔助功能使患者可以查詢特定食物、治療相關的行為和事件如何影響他們個人的血糖數值。通過追蹤趨勢，Sugar.IQ可以幫助用戶發現這些項目對其血糖數值的影響。患者輸入還使Sugar.IQ能夠透過評估患者當前狀況以及葡萄糖濃度超出安全閾值的風險來學習並提供血糖數值預測。

具有AI功能的醫療級穿戴式裝置可以根據患者的日常生物識別技術(biometrics)建立預測，如果心臟病患者在行走X分鐘後易於發生心跳加快，那麼穿戴式裝置將做出預測並提醒患者避免超過建議的行走時間。AI還可以透過學習哪種回饋可激發患者的遵從性來運用預測能力，然後應用這些回饋來改善患者的疾病管理，就像個人健康教練一樣。當患者能夠跟隨自己的進步，並了解某些選擇如何直接影響他們的健康後，他們更有可能堅持治療方案、參與醫療保健，並改變他們的行為。

罕見和危險疾病的治療及預防通常取決於在適當的時間檢測出症狀，通常，早期診斷可能得到完全的治癒。相反，延遲診斷或錯誤診斷可能會產生破壞性甚或致命的結果。透過檢查影像和樣本以做出判斷時，人類的技能和經驗是受限的且難以獲得。

AI演算法可以在短時間內快速分析數百萬個樣本並收集有用的模式，與人類不同，它們變老後也不會失去優勢。一些機構和公司正在投資該計劃，以開發醫療保健解決方案。史丹福大學的研究人員已經創建了一種可以識別皮膚癌的AI演算法，[7] 他們用130,000張痣、皮疹和病變圖像來訓練他們的深度學習演算法。根據結果，其診斷皮膚癌的效率可與專業醫生相媲美，研究人員希望將來能夠過手機App來提供服務，這是一個利用手機為任何人提供廉價篩查的機會。

Google旗下的人工智慧公司DeepMind正在與英國國民健康服務(NHS)合作，利用機器學習來對抗失明。[8]該公司研究人員正在培訓一種深度學習演算法，該演算法具有一百萬匿名者眼睛的掃描。這有助於在早期階段發現眼部疾病，如與年齡相關的濕性黃斑病變和糖尿病引起的視網膜病變。據研究人員介紹，在某些情況下，他們可能能夠預防98％最嚴重的視力喪失。

Morpheo是一個幫助診斷睡眠障礙人工智慧平台。[9]傳統的睡眠模式分析過程既複雜又耗時。借助機器學習演算法，Morpheo透過自動識別睡眠模式來協助醫生。該創辦者認為這將有助於預防性治療。

人工智慧在醫療保健中的未來發展

人工智慧在醫療保健方面的有效性將直接取決於其對大數據的使用 - 包括歷史數據庫、電子病歷，以及來自遠端監控技術的即時、連續和患者的特定數據。培訓AI以發揮其最大潛力是一個互動過程，其中醫生和患者是關鍵參與者。

AI應用程序必須完全集成到現有的醫療保健系統中，並且必須就像“住院醫師”一樣運行，它們對患者的即時數據執行分析並由主治醫生來監督。透過這種方式，演算法將同時從數據和主治醫生的監督中學習，以培養他們的能力。

AI能夠從經驗中學習，並為患者和醫生提供個人化和預測性的回饋，這是預防性醫療保健系統的最大價值主張，其可提高診斷水平，同時通過參與來提升患者的遵從性。廣泛和特定AI學習應用程序的整合，尤其後者在患者遠程監測設備中的應用，代表了即將來臨的預防性醫療保健的誘人前景。

衍伸閱讀：AI開啟精準預防醫學的時代

參考資料

[1] https://healthitanalytics.com/news/artificial-intelligence-in-healthcare-market-to-see-40-cagr-surge

[2] https://arxiv.org/abs/1602.03686

[3] https://pubs.rsna.org/doi/abs/10.1148/radiol.2017162326

[4] https://cointelegraph.com/news/blockchain-powered-ai-doctors-to-revolutionize-medicine

[5] https://www.bmj.com/content/344/bmj.e3874

[6] https://www.medtronicdiabetes.com/blog/first-live-experience-of-sugar-iq-with-watson-for-people-with-diabetes/

[7] https://www.nature.com/articles/nature21056.epdf

[8] https://www.theguardian.com/technology/2016/jul/05/google-deepmind-nhs-machine-learning-blindness

[9] http://morpheo.co/