應用AI大幅降低慢性病醫療支出

根據美國疾病管理局(CDC)的報告，美國每年2.7兆美元醫療保健支出中有86％歸因於慢性疾病，包含心臟病、中風、癌症、第2類型糖尿病、肥胖症和關節炎等疾病。這些疾病是所有健康問題中最常見、最昂貴，但同時也是可預防的。 

美國大約有一半的成年人（約1.77億人） 患有一種以上的慢性疾病，四分之一的成年人患有兩種以上的慢性疾病。CDC指出，2014年十大死因中有七個與慢性病有關。而其中心臟病和癌症佔當年美國所有死亡人數的近46％。此外，目前美國醫療保健的現況其實是相當暗淡的：每年超過1200萬次嚴重的診斷錯誤、3.6兆美元的花費有三分之一可歸因於浪費，以及醫生倦怠、憂鬱和自殺的高峰[1]。 

傳統的健康計劃怎麼做？

在美國，除了慢性病發病率上升之外，65歲以上健康計劃(Health Plan)成員的數量正在增加，從統計學上來說，他們罹患慢性病的風險更高。皮尤研究中心(Pew Research Center)報告指出，從2011年1月到2030年1月，嬰兒潮一代正以每天10,000人的速度變成65歲。此外，HHS 2016年的一份報告指出，「在1975年至2015年期間，美國總人口的平均壽命從72.6歲增加到78.8歲。」由於這些老年人口往往患有慢性病或需要更頻繁的護理，這只會增加健康計劃所承擔的經濟負擔。因此，健康計劃比起以往任何時候都更需要制定戰略來保持其成員的健康，並在降低成本的同時也要改善患者的治療效果。

健康計劃從一開始就有兩種方法可以更多地關注個體成員的需求，以防止需要更昂貴的後續護理，一是指南導引式醫學治療（guideline-directed medical therapy:GDMT）的應用。二是加入患者即時的生理數據。

要了解它們將如何徹底改變慢性病照護管理，就有必要先研究傳統健康計劃上如何管理成員的健康：

• 善用管理努力在護理使用量上取得平衡。例如，醫療費用付款人(個人、企業主、保險公司…)可能會權衡MRI報銷與第二次X光的報銷成本/收益。
• 健康和護理管理。醫療費用付款人經常鼓勵慢性病患者參與預防性健康工作，從糖尿病患者的年度眼科檢查到代謝綜合症患者的營養諮詢，具體執行作法取決於組織的規模。
• 複雜案例的管理。這些措施側重於患有一種以上慢性疾病的成員，這些成員的疾病狀況不再受到良好控制，並且正在經歷多次急性事件和可能被預防的昂貴干預措施。此時，健康計劃側重在盡量減少每個成員的成本，同時提供最高質量的護理。

個人化才能有效降低照護成本

這些傳統的護理管理方法面臨的挑戰並不是它們無效，而是它們不是個人化，無法滿足個別患者特有的複雜臨床需求。另一方面，此類護理管理措施側重於人口健康，強調對整體成員有益的努力，例如前面提到的糖尿病患者年度眼科檢查。這些人口健康的工作當然是必要和謹慎的，但它們不是個人的。只有當其中某些成員的預防措施失敗了 （例如醫療費用已經大幅上升）健康計劃才將他們的努力從一般成員轉移到特定成員，重點也變成如何長期控制病人成本。但是，如果有一種方法可以讓健康計劃從一開始就將注意力集中在個別患者身上，那麼是否會有較少的成員走向最終需要昂貴的醫療和照護管理服務？答案當然是肯定的。

前面提到，個人化照護管理的第一步是GDMT，它是一系列醫療協議，遵循業界最新研究且普遍被接受的護理標準。然而，令人驚訝的是，許多患者並沒有接受這些基於證據的療法。事實上，新英格蘭醫學雜誌（NEJM）的一項研究發現[2]，幾乎有46.3％的慢性病患者“沒有得到推薦的護理”。2017年3月發表的美國醫學會雜誌（JAMA）上發表的另一項研究發現[3]，約已知有心房顫動（AF）病史且急性缺血性中風的95,000名的患者中，有83％的患者並未接受治療性抗凝治療。這不是患者遵從性滴下，而是醫生從未開處方用藥，或者沒有根據實驗室結果調整接受抗凝血劑患者的劑量。

要讓個人化照護管理落實，必須藉助於利用可取得的大量患者的生理數據。目前醫護產業已能夠從眾多來源，包含電子健康記錄(EHR)和遠端監控技術（可穿戴、可植入，或可用於家庭的設備）獲取大量即時患者數據，例如心力衰竭患者的血壓讀數和糖尿病患者的血糖測試。

這種個人化的最新資訊與醫生可以在急性醫療照護事件發生之前，進行干預的GDMT最新進展相結合，長期而言，這將為那些承擔醫療費用的付款人帶來大量的費用節省。慢性病的患病率和不斷上升的成本使慢性病管理成為醫療保健領域最具挑戰性和最緊迫的努力之一，然而，許多醫療保健專業從業人員很難找到時間，工具和資源來滿足患者的整體需求。

人工智慧與機器學習對個人化的助益

 糖尿病和心臟病是影響美國患者兩種最昂貴也是最普遍的慢性疾病，導致醫療保健行業每年花費數十億來治療這些疾病。隨著醫護服務從反應性疾病治療逐漸發展到主動式、預防性護理，越來越多的組織正在尋求人工智慧(AI)和機器學習等先進技術，以幫助從其龐大數據資料庫中獲取可行動的方案。 過去五年醫療保健在很多方面都在不斷發展，其中數位健康領域發生了三次明顯變化。首先，個人對數位健康的採用迅速增長。隨著智慧手機的廣泛使用以及Google和Apple Health所推出的行動活動追踪功能，人們越來越關注於量化他們每日的活動和健康狀況。其次，臨床醫生開始採用數位健康工具和數據洞察力來更好地照顧個別患者。第三，醫療保健系統開始認識到遠端醫療可能產生的影響。遠端患者監測和慢性病照護管理的新機制側重於利用數位健康為個人提供日常生活中的遠端支持，而不是僅在每年1-2次的15分鐘的看診。 

當我們考慮醫療保健系統的需求時，慢性病護理的管理系統是明顯需要被改善的，而AI等輔助技術將發揮關鍵作用。當個人有能力透過具洞察力的AI來更完善地管理他們的健康條件時，健康狀況將會得到改善。AI可以提供幫助，因為它了解宏觀健康趨勢，如支持新產品開發和研究，在微觀層面，它通過個人化影響個體。AI可以進行分析，並為患者提供真實的見解、方向，甚至建議，包括他們的行為如何影響他們的健康，以及哪些活動對他們的健康最有幫助。

慢性病症照護管理已經漸趨成熟，可以利用大數據和AI來實現更好的結果，尤其是心臟病和糖尿病等慢性疾病的照護管理。例如要求糖尿病患者追踪他們的血糖指數，並結合藥物攝入、飲食、運動和壓力判讀，這些數據可以為個人和臨床護理團隊提供真實且可操作的見解。

運用AI減少不必要的醫療浪費

波士頓大學的研究人員正在利用AI和大數據來減少慢性疾病（包括糖尿病和心臟病）的醫療支出。波士頓大學信息與系統工程中心工程學教授兼主任 Ioannis Paschalidis 說:『EHR、智慧手機、智慧手錶和其他追蹤設備已收集到很多關於我們每個人的生理數據。我們現在可以即時分析患者的情況，並描述每個人的健康狀況。機器學習和AI對於預測住院治療和再入院等事件非常有價值，而這兩項事件都佔據了大量的醫療支出。』

一項AHRQ (Agency for healthcare Research & Quality)研究估計，美國每年花費約300億美元用於原本可以預防的住院治療，這些費用中有約50％都屬於慢性病，其中約30％是由於心臟病，另外20％是糖尿病，這些都是可以透過更好的照護來預防住院治療。

為了幫助克服這些挑戰並減少不必要的開支，Paschalidis與波士頓醫療中心（BMC）合作。BMC是一家大型安全網醫院，其目標是照顧波士頓地區的低收入、少數民族和代表性不足的社區。這兩個組織將使用美國國家科學基金會提供的90萬美元來開發機器學習算法，以識別心臟病或糖尿病風險較高的患者，研究人員將使用這些演算法為高風險患者提供早期干預和個性化治療。

此計畫將以Paschalidis及其團隊的早期工作為基礎，他們利用患者的EHR和機器學習來預測由糖尿病和心臟病所引起的住院治療。使用這種方法，該小組發現他們可以提前一年來預測病患的住院治療，準確率高達82％。Paschalidis說:『透過機器學習方法，我們可以處理大量數據並檢查預測未來結果所涉及的許多因素，我們的目標是為個人提供個人化預測和建議，達到結果改善並降低成本。當我們使用可以查看200個變量而不是5、6個變量的機器學習方法時，在準確性方面會有一個非常顯著的進步。』

通過機器學習演算法，醫療照護服務提供者可以為每位患者設計個人化干預措施，從增加監測到改進的治療計劃。這些量身定制的努力可以幫助他們在患者病情達到關鍵階段之前進行干預，從而降低護理成本並改善健康狀況。利用機器學習提出個人化的預測和建議將大大加強預防工作。更好的預防不僅可以改善個人的治療效果，還可以大幅減少醫療支出。然而，為了實現這一目標，機器學習工具必須值得信賴和準確，並且植根於可靠的數據。使用機器學習的一個潛在風險是數據極有可能不準確，如果我們正在訓練的是對不準確數據進行預測的演算法，當然我們就有可能得出錯誤的結論。而開發強大且可靠的機器學習演算法，可以容納數據中的異常值和錯誤並進行糾正，是其中的重要關鍵。

小結 

根據the Partnership for Solutions的一份報告說明:『患有慢性疾病的人、特別是那些患有多種慢性疾病的人，是醫療保健中的最重度使用者。例如，患有多種慢性病的人佔所有處方用藥的三分之二，而那些患有五種或更多慢性病的人平均接近15次就診，並在一年內填寫超過50份處方。』而AI的協助可以大幅減輕這種負擔。

我們可以使用上面討論的即時數據創建每個患者個人化“人體儀表板”。通過AI和機器學習的應用，可以將數據與最新基於實証的醫學照護指南進行比較，並且可以即時向醫生、患者或護理人員提供個人化的即時建議，提醒他們注意的事項，在急性事件中提供可行的干預措施以幫助預防。

這個時代已經來臨，相關產業也已經掌握了所需的一切：足夠的資訊和計算能力，為醫療指南和患有慢性病的高危患者之間提供一個即時且個人化的分析橋樑。其結果是醫生能將其納入治療計劃的常規性診斷和治療解決方案，範圍可包括中風、心臟病發作、失明、腎臟疾病和截肢的預警與個人化干預措施。藉由將此類技術應用於醫療照護服務提供者，相信這樣的一個產業生態圈可以經由異業成員共同努力，真正可以達到變革醫療保健傳統的模式。

參考資料:

[1] http://fortune.com/2018/10/22/artificial-intelligence-ai-healthcare/

[2] https://www.nejm.org/doi/full/10.1056/NEJMsa022615#t=article

[3] https://www.ncbi.nlm.nih.gov/pubmed/28291892