口述／孫培然‧彙整／CIO編輯室
人工智慧要應用到醫療的主要瓶頸，就是能否真正落地應用。許多醫院在導入 AI 應用時，卻發現臨床醫師實際使用 AI 應用的比例並不高，大約只有 10-15%，主要的原因就是因為在應用時，還是需要醫師去操作點擊，只要醫師覺得沒必要或忘了點擊，辛辛苦苦投入研發能量的 AI 應用，依然無法發揮作用。
這也就是醫療資訊系統（HIS）為什麼會很重要的原因，唯有從流程改善，將 AI 應用與 HIS 深度結合，讓醫師不需要做任何動作，AI 就能自動提供醫師需要的資訊，醫師才會願意使用智慧醫療。
UI/UX 是智慧醫療的應用瓶頸
所以 HIS 在翻新的過程中，必須要給 AIoT 或其他相關應用預留位置，先想好到時候要怎麼去呈現，因為 HIS 要顯示的資訊相當多，畫面已經夠擠了，如果說還要再放更多資訊進來，IT 人員一定要想好，到底要怎麼設計 UI（User Interface），才能提供最好的 UX（User Experience）。
所以為什麼在前幾期「HIS 的美學與人性化設計」的文章中，就已經強調 UI/UX 的重要性，因為好不容易做了一個很好的 AI 應用，結果在 HIS 中卻看不到，醫師還得先退出 HIS 系統，再另外進入 AI 系統，誰會有這麼多精力跟時間呢？
[ 推薦閱讀： 淺談 AIoT 驅動智慧醫療4.0 ]
在 HIS 還沒有優化再造前，還有另一種作法，就是多給醫師一個螢幕，然後從 HIS 用一個 API，將 AI 呈現的結果拉到另一個螢幕，因為AI要顯示的圖形有時相當大。如此一來 HIS 只要顯示什麼資訊，另一個對應的螢幕就跟著會有 AI 的資訊，醫師就可以專心處理他眼前的資訊，不用去切換畫面，眼睛往旁邊一看，就可以看到 AI 提供的資訊。
但這種做法，是在 HIS 沒有再造時，沒有辦法的辦法。而且如果要讓 HIS 能夠跟 AI 相互串聯，相關的需求及流程還是需要改造及整合。所以最好的做法，還是要設法改造 HIS 的 UI，將 AI 放進來，做到最佳化的 UX。
將資料變成資訊、知識以及智慧
在邁入智慧醫療 4.0 時代，許多醫療機構才發覺現有的 HIS 系統功能非常簡陋不夠人性化與資料面不夠多元化，已經不足以應付未來的大數據及 AI 的前瞻性應用，所以必須要先做好 HIS 優化再造，以 AI 及 AIoT 為基礎，把不足或欠缺的功能加強，這個部份也就是基礎架構或是基礎建設，也就是資訊管理常講的，要怎麼將日常的線上交易處理（OLTP）的資料收集起來以後，來做資料的整合分析，進一步做到線上分析處理（OLAP）洞燭先機。
將前述的資訊變成知識，日後還可以技轉到衍生企業或者是把它變成商業模式，也就是透過整個的基礎架構、整合分析、前瞻性的應用以及商業模式，將資料變成資訊、知識以及智慧。
中國醫藥大學附設醫院在董事長蔡長海及院長周德陽的領導下，不斷追求卓越，更全力發展智慧醫療，各部門專業分工如下，基礎建設就由資訊中心來建置，重新 HIS 優化再造，將所有系統操作介面重新優化設計，結合 IoT 達到儀器全面連線自動化，做到全院無紙化及無片化，提升整體效能。另外，在整個醫療過程中，適時地提供 AI 來支援醫師做臨床決策支援。在 HIS 優化再造及精實流程過程中要善用行動裝置、事件驅動、條碼化、IoT、AI 及AIoT 等特性，創造出全面性的智慧流程整合最佳化。另外，一項任務就是將線上交易處理 (OLTP) 的資料，透過 ETL（Extract-Transform-Load） 的方式，彙整到各個不同類別的資料倉儲 （Data Warehouse） 及資料市集 （Data Mart）。
[ 加入 CIO Taiwan 官方 LINE 與 FB ，與全球CIO同步獲取精華見解 ]
接著由大數據中心去做資料的清洗，清洗出有用的資料，做整合分析將資料昇華為有用的資訊，我們已經蒐集了大約 17 年有 300 多萬筆，以病人為中心的資料，且不斷持續更新資料，來豐富資料類型及客製化臨床研究分析。規劃未來整合到醫療臨床資料倉儲、醫療影像資料倉儲、病理影像解析平台、影像標記整合平台、基因應用分析平台、健康資料分析平台、經營管理分析平台及後勤監控資料倉儲等各種資料平台，這些平台上的資料整合分析以後，才能變成有用的資訊，希望能透過這些資訊，可以做一些前瞻性的應用，提供給人工智慧、大數據決策、精準醫療、個人健康推薦、經營管理決策支援以及職場的安全場域應用。
關於前瞻應用則交由各個人工智慧及大數據中心去做醫療 AI 的研究發展，結合各科資深臨床醫師、AI 解決架構師、巨量資料科學的專業人員，針對醫療上的需求以人工智慧為工具，提升診斷準確度協助醫療決策，實現精準醫療。目前也研發出多項醫療 AI，如：兒童骨齡身高預測、急性腎損傷預測、心電圖分析軟體、糖尿病視網膜判讀、抗藥性菌株預測、胸部 X 光多項輔助診斷、肝纖維化、藥品代謝基因交互作用、X 光預測骨質疏鬆、腦部斷層判讀出血型態、腦部斷層預測缺血範圍、以及智抗菌決策輔助系統等等，也有多項醫療 AI 陸陸續續研發中。值得肯定的是其中有兩項的醫療 AI 兒童骨齡身高預測及心電圖分析軟體也通過衛福部食藥署（TFDA） 核准，取得智慧醫材許可證。
相關醫療 AI 研發完成之後，會與本院 HIS 做密切的資訊整合，讓它能夠順利落地於本院醫療臨床應用，真正的切入到智慧醫療領域。再經過本院醫療臨床實行一段時間之後，驗證確實有助於醫療臨床輔助決策支援，才會將醫療 AI 技轉給我們的衍生企業或者是把它變成商業模式，並致力於大數據與人工智慧在預防醫學、數位醫療以及精準醫療之創新應用，以提升人類醫療品質，形成一種智慧醫療永續經營商業模式。
持續優化 AI 精確度的 ABCD 法則
為了持續優化 AI 精確度，必須要將醫療 AI 融入到平常使用的 HIS 系統內部，一一突破所遇到的瓶頸，讓醫療 AI 順利落地，並給予實質的回饋反應，形成一種生生不息的循環系統。我建議可以依照「ABCD」形成一個智慧醫療生態系統（Smart Medical Ecosystem），由 D 到 A 的順序，更用能夠持續改善資料的品質、結構化及豐富資料類型。首先是 DI（Data Integration），也就是資料的彙整，我們要先將很多的 HIS 資料，包括各科的臨床資料、衛生福利部中央健康保險署及國民健康署，甚至其他雲端的健康資料做整合。
而 Cl (Continuous Integration)，就是要持續蒐集做整合。所以資料必須要不斷的去清洗，不斷改善 ETL 轉檔，不斷的去整合。甚至，往前要求來源端的 HIS 必須改寫程式防止使用者輸入錯誤、將非結構化資料變成結構化、增加新欄位及功能來豐富資料類型。俗話說得好：「沒有最好，只有更好。」因此，我認為要優化 AI 精確度，CI 是非常重要的階段，唯有不斷的迭代持續整合，才能有更好的資料品質，提供給使用者利用線上分析處理工具，將很多的資訊變成商業智慧，也就是 BI（Business Intelligence）。最後，我們可以透過機器學習或認知方面的學習模型，透過學習模型可以推論或是預測未發生的事件，也就是近年來很夯的熱門話題人工智慧 AI（Artificial Intelligence），這就是我所定義的「ABCD」－資料彙整（DI）、持續整合（CI），再從商業智慧（BI）到人工智慧（AI）。
想要在醫療場域將 AIoT 賦能，邁向智慧醫療 4.0，其實跟工業 4.0 的推動，有很多作法是不謀而合，應用大數據、人工智慧、雲端運算及物聯網，還要加上智慧裝置以及 5G 通訊技術，這樣的六大元素，才能夠創造出更好的智慧醫療 4.0，讓病人醫療照護更安全，提升效率、減少錯誤率，在醫療過程中，適時地提供醫師做臨床決策支援，來降低病人的風險，提升醫療機構的服務效率。
