整併醫院數據 發揮資料最大價值
醫療資料屬於醫院的資產，成立數據處之後，與各科溝通此觀念，讓資料能由數據處統一保管，作為日後研究專案使用。
採訪／施鑫澤 文／林裕洋 刊期／2020.09
隨著資通訊技術快速成長，讓資料經濟成為世界主流，也帶動資料價值快速攀升。而隨著人類壽命逐年增加，各國際生醫研究機構也將數據科學列為核心發展項目，期盼發展預防醫學、精準醫學等項目，讓醫療費用獲得最有效的運用。為此，2019年12月16日臺北醫學大學率先成立數據處，期盼提升整體校院競爭力，同時也為促進人類健康盡一分心力。
臺北醫學大學數據長許明暉表示，北醫大向來非常重視醫療資訊與健康數據的教育與研究，早在1998年就成立亞洲第一所醫學資訊研究所，領域著重於臨床醫學資訊學、基礎醫學資訊學的研究。因應全球資料科學的快速發展，我們也在2016年成立大數據科技及管理研究所。現今在資料經濟時代下，臺北醫學大學進一步設立數據處，並設有臨床數據中心、健康資料加值中心、校務研究中心與統計中心，將為全校師生與附屬醫院同仁提供即時優質的數據服務。
數據處出面整合 滿足多元研究專案
根據臺北醫學大學公布資訊公布資料，成立資訊處的主要考量有三。首先將資訊處研究資訊組、公共衛生學院健康暨臨床研究資料加值中心、管理學院生物統計研究中心、秘書處校務研究辦公室等相關單位進行資源整合及組織重整，進而發揮資料最大功能。其次，統整臺北醫學大學臨床研究資料庫、校務研究資料庫、與校外的健保資料庫、生物資料庫與國內外的開放資料（open data），提供數據一站式服務（One-Stop Shopping），未來臺北醫學大學師生只要需要數據服務，便可向數據處提出申請。
最後，數據處也將參與國內臺灣人體生物資料庫（Taiwan Biobank）、台灣精準醫療計畫（Taiwan Precision Medicine Initiative, TPMI）等大聯盟，同時強化與其他醫院資料庫之研究合作、籌組小聯盟、啟動研究量能，進而參與如「OHDSI」（The Observational Health Data Sciences and Informatics）等國際健康數據聯盟運用資料之機制，讓數據產生更大的價值。
許明暉指出，醫院對資料保存工作向來非常重視，因此各種醫療資料都保存在各單位之中，如X光片、放射科檢驗資料等，都放在X光室、放射科等，有時會被視為各科室的資產。雖然此種做法行之有年，然這種想法並不正確。醫療資料應該是屬於醫院的資產，所以我們成立數據處之後，就必須跟各科溝通此觀念，由我們統一保管資料，作為日後研究專案使用。
加速熟悉工作流程 創造資料跨界效益
前面提到，臺北醫學大學數據處的第二個工作之一， 就是將統整該校臨床研究資料庫，即是透過整合與資料清洗工作，讓資料能滿足日後研究案所需。舉例而言，在台灣有回家過世的習俗，很多即將臨終病患會辦理出院手續，選擇留一口氣回家。如此一來，醫院中的很多病患資料並不正確，即便是癌症末期病患出院，最終也不一定真的因病過世，有可能是車禍或者是其他原因等。
病人是否死亡與死亡原因是存活分析的關鍵，而且病人過世，就醫資料就可不受個資法限制，所以取得死亡病人的病例資料，對研究單位是非常重要的工作，因此臺北醫學大學數據處接手之後，自然必須肩負申請與資料清洗的工作。衛福部有死亡人數的資訊可供申請，而相關申請流程就必須要由數據處負責辦理，才能讓病患就醫資料發揮最大價值，滿足後續研究需求。
許明暉說，不光衛福部死亡資料的確認流程，數據處必須熟悉各部會的申請流程，包含環保署、中央氣象局等等，甚至與國外單位的溝通與協調，才能讓研究單位專心在相關研究案上。以近來在全球造成超過2000萬感染的COVID-19，於台灣僅有500例不到的病歷資料，若有團隊要從事相關研究案時，則必須與國外單位合作，我們也自然要負責與美國、歐盟等單位協調，便取得團隊所需的資料等。
根據臺北醫學大學數據處初步分析，老師或研究單位申請數據之後的用途大致上可分成三部分，首先是用於論文發表用途，其次則是用於申請研究計畫經費，為後則是用發展AI模組。無論哪種模式，數據處都樂觀其成，若日後發生營利事件，屆時再透過法規修正即可，期盼透過鼓勵申請方式，讓資料能夠發揮最大加值。
非結構化資料多 各界摸索運用模式
長期以來，廣泛收集資料、加以分析，以便讓資料發揮最大價值，一直是企業積極投入的方向。早在結構化資料年代，無論是醫療、金融、製造等，均會透過資料探勘、資料倉儲等技術，從看似無關聯的資料中，找到可能相關聯的訊息。在各方業者持續投入下，市面上有各種類型工具可供選擇，能滿足不同產業應用需求。尤其在處理器效能大幅攀升下，以往要處理一個小時的資料，現在可能只需1分鐘即可完成，也讓相關應用領域不斷擴大。
至於近年來興起的非結構化資料，目前各界都在摸索最合宜的運用方式，不過近來在演算法成熟下，已經有相當不錯的應用成果出現。以人臉辨識、影像分析等為例，便已廣泛應用在人類的生活中，如許多國家都開始提供快速通關服務，民眾只要事先申請，便能運用人臉辨識技術快速完成出入境的資料審核。而臺灣引進車牌辨識技術的智慧停車場也愈來愈多，除可減少管理人員的工作負擔之外，消費者也不需要擔心票卡遺失的問題，繳費速度也比以往更快。
「由於醫療服務對象是病患，在考量病患安全的前提下，所以醫療院所對於引進新科技向來較為保守，通常是等到技術成熟之後才會引進。」許明暉解釋：「如在人臉辨識部分，主要是運用在環境監測領域，確保醫療環境的安全。然而隨著人工智慧技術成熟，許多醫療院所也希望運用在醫療場合之中，以減少醫療人員的工作負擔，以及減少人為的疏忽。」
舉例而言，在傳統病理切片的流程中， 是由病理科醫師判讀電腦影像，確認檢體屬於良性或惡性。但是當病理科醫生每天需要看大量電腦影像時，難保不會因為疲累造成判斷上的錯誤。所以若能引進輔助軟體協助，自然有助於提高準確率與效率。又如現今判斷病患是否罹患 COVID-19，最常見方式莫過於進行核酸檢測，但是花費時間相對較久、成本也較高。因此，現今有不少研究團隊開始運用技術日益成熟的影像辨識技術，期盼透過判讀X光、電腦斷層等，判別病患是否遭到COVID-19感染，降低資料判讀時間與提升準確性。
AI應用多元化 自然語言令人期待
在人工智慧、資通訊技術進步下，世界各國都積極投入智慧醫療的發展。只不過現今全球對智慧醫療的定義不同，以衛生福利部擬訂「智慧醫療區域聯防試辦計畫」，即結合資通訊網路技術，整合不同醫療機構層級的急重症資源，開創智慧遠距醫療模式，提升醫療照護效率及效能，讓醫療照護沒有距離的隔閡。此舉，可藉由結合台灣資通訊科技的強項與創新醫療服務模式，提升國內偏鄉醫療照護的可近性、即時性、效率及照護品質，並藉由跨層級機構的合作新模式，讓醫療資源有效運用，縮短城鄉差距，達到世界衛生組織揭示之健康平權之目標。
許明暉認為，人工智慧絕對是發展智慧醫療、智慧醫院的重要核心技術，不光前述的影像分析運用，自然自然語言處理也是令人期待的方向。最簡單的應用模式，莫過於為病患提供相關協助，如對話、導引等。至於進一步深入的運用，則能在醫生問診過程中，協助記錄病患相關的病歷資料，並且即時進行分析，給予醫師相關輔助，對於改善醫療品質也能帶來極大幫助。
聯邦學習興起 開啟AI模組新境界
雖然在處理器運算能力效能攀升下，現今AI演算法已經相當成熟，市面上也有免費的AI演算法可取得，也帶動各種智慧服務問世。然而AI技術能否發揮預期效益，仍然需要仰賴大量資料訓練，只是傳統AI模組訓練方式，得把大量資料上傳到伺服器、雲端平台上。然當資料來源擴大到多個單位之後，除有資料量過大的問題之外，也會有資料隱私權的問題，導致許多公司猶豫、裹足不前。因此，近來興起的聯邦學習（Federated Learning），則是讓多個單位運用同一份演算法，讓資料則能在本地端進行運算與分析，只需將最後訓練成果上傳到雲平台，達到縮短訓練AI模組兼顧資料隱私性的需求。
許明暉認為，由於醫療資料有很多隱私，所以聯邦學習可以解決資料不用離開機構的問題，所以很多醫療院所都對此技術感到興奮。畢竟醫療資料離開醫院是種挑戰，但若涉及跨國資料傳輸，則又是另一種層次的挑戰。許多醫院都面臨資料保存超過10年，卻缺乏一套合理的分析環境與方法，此時若能加入特定組織發起的聯邦學習機制，將望解封資料原有價值與可用性。
雖然聯邦學習開創AI訓練的新境界，不過在醫療領域則已經具備行之有年的應用模式。如臺北醫學大學附設醫院便參加國際健康數據聯盟，運用標準ETL工具參與多種國際研究專案，除有助於掌握全球醫療趨勢之外，也讓醫院在國際上知名度持續攀升。
儘管在AI領域，聯邦學習效益逐漸浮現，然而合適應用環境尚且沒有定論。考量到在生醫領域是講究證據，而為確認聯邦學習、傳統中央式訓練模式的優劣，在許明暉規劃中，除臺北醫學大學附設醫院之外，也將進一步整合旗下萬芳醫院、雙和醫院、新國民醫院等醫療資料，同步確認兩種AI訓練模式的實際效益，做為事後發展AI醫療的參考。
