回歸資料基礎工程的必要

這幾年，不少醫院紛紛展開了IT現代化工程，尤其3年IT抗疫的成功經驗，更讓醫院意識到加速轉型的必要性，在2022年，電子病歷開放上雲之後，更帶動醫院開始擁抱雲原生架構，也有醫院開始採用微服務架構，要重新改造HIS系統的資訊架構。但是，在去年，不少醫院資訊主管卻重新聚焦IT的下水道工程，資料結構化，尤其是病歷資料的結構化。

為了發展智慧醫療的願景，醫療曾是臺灣最積極擁抱AI的產業，早在2019年，我們就報導過5大類醫療影像辨識的AI應用場景，例如北醫附醫打造了乳癌超音波AI輔助分類系統，AI能在人眼難以判斷的初期階段，就偵測出腫瘤。或像是臺北榮總與臺灣人工智慧實驗室也打造出能在30秒內，就揪出腦轉移瘤的AI系統DeepMets。

林口長庚醫院則是與醫療AI新創雲象科技，共同打造一套鼻咽癌AI偵測系統，由醫院提供數位病理切片資料，雲象負責進行模型訓練，經過2年優化，在2019年就達到了97％的超高準確率。從我們當年CIO大調查可以看到，醫療業也掀起了一波醫療AI系統和設備的建置潮，不少醫院都大幅加碼投資AI。但是，這股醫療AI熱潮，不到3年就冷了下來，醫療AI預算不增反減，倒是醫院對大數據的投資持續穩定增加。

醫院仍舊是對AI抱持高度的期待，但是放緩了採用的腳步。一方面，不少醫院發現提高AI模型品質的難度比想像中更高，需要搜集更多也更多樣化（尤其是罕見疾病的訓練資料取得不易）的訓練資料，但是醫療資料屬於特種個資，跨醫院難以直接共享，並且得找來不少忙碌的資深醫生，投入大把時間來參與標記，另一方面，訓練好的醫療AI模型也遇到了推廣上的挑戰，法規對於醫療器材有一套嚴格的把關機制，醫療AI應用模型和系統不見得能快速變成可以對外銷售的商品，一家醫院的AI模型，也無法直接套用到另一家醫院，得經過微調才行。這兩大挑戰讓醫院的AI採用態度轉為審慎以對。

雖然生成式AI的問世，讓各界再度燃起新一波的AI熱潮，但生成式AI的幻覺效應，讓醫院對於這股AI熱潮，仍舊持保留的態度，尤其與救命相關的醫療應用，無法承受任何一次的資訊錯誤。目前醫院只敢嘗試將生成式AI運用於不涉及治療的作業流程面輔助上，一方面想辦法提高正確性，另一方面也尋找更多可用的醫院場景。

醫療AI難以發揮，不代表智慧醫療的發展就因此停下腳步，不少醫院在這一波醫療資料的梳理過程中，更加察覺到龐大文字病歷的價值，許多極有意義的醫療情報，不一定得靠AI才能用，光是從這些病歷資料中，擷取出特定欄位的資訊，就可以用來整合到各種醫療系統，解決不少臨床上的痛點，這就是為何不少醫院紛紛選擇回頭展開病歷結構化工程的緣故。

病歷結構化不是新觀念，早在2009年，臺灣推動電子病歷，數十年前的紙本病歷時代也有結構化的概念。但是，過去的病歷結構化，不見得能夠遇見到未來的醫療訊息應用需求，也就無法提前考慮到未來的各種醫療欄位需求。每當有新的醫療應用需求，醫院就需要再重新梳理一次手上的龐大醫療資料，展開新一波的病歷資料結構化，這是醫院IT得持續不斷面對的課題。

像臺大醫院近幾年就開發不少結構化病歷應用，光是建立醫囑結構化表單，在特定欄位記錄病人用藥情況，再串接到開藥系統，就能提醒醫師在開藥時留意病人的過敏藥品，來提升用藥安全。病安是臺大醫院積極推動病歷結構化的主要原因，其他還有像輸血過敏內容的檢核、抗凝血藥劑藥物檢核提醒、孕婦禁忌用藥提醒、重複用藥與藥物交互作用等檢核提醒，這些都是因為病歷結構化後才能實現的應用，甚至，臺大醫院還要將紙本繪製的眼睛測光數據結構化，方便後續的醫學研究。

不只臺大醫院，林口長庚紀念醫院更是打造了一個自助式的表單自製編輯工具，讓醫院各科室可以自行設計結構化表單，來滿足各科室各自臨床上形形色色的需求，來加速病歷結構化的規模化和多樣化發展。

資料結構化是資料應用的基礎工程，也可以說是IT的下水道工程，幾年前最積極擁抱AI的醫院，大膽嘗試新興AI技術後，陸續回頭聚焦IT的基礎功。

醫療業這個經驗，值得其他產業CIO們好好思考，創新不見得非得用AI才行，重新聚焦資料基礎工程，說不定也能找出另一種創新應用的可能，就像這些回頭聚焦病歷結構化應用的醫院一樣。

 相關報導