撰文/李友專（責任編輯：陳芳毓/程遠茜）發表於 作者 新聞中心 — 暫無迴響 ↓
(圖片來源：Shutterstock)
隨著人口老化與醫學科技進步，治療方法變得多元，也更重視醫療品質，健保支出的成長速度只會每年加速。面對一個付不起的醫療未來，人工智慧可能是關鍵解方。
____________________________________________________________
健保預算已經突破1年7,000億，佔全國總預算（約2兆）35％，每年還以3到5％的速度成長。漲幅不只如此，全世界醫療產業的成長速度約為8到10％，台灣健保支出若以每年10％速度成長，不到4年就突破1兆。這還只是健保給付的項目，並非整體醫療支出，尚未涵蓋慢性病與長期照護。
健保預算若以現在的速度繼續成長，很快地，全民健保便得減少給付項目、降低額度、重新定義架構或是直接破產。如何減緩醫療費用不斷上升的壓力？最有效的方法，正如前人所言：「預防勝於治療」。但說了這麼多年，「預防」為什麼還是無法真正落實? AI又能如何解決這個問題？
預防醫學，說比做容易
根據我的歸納，「預防勝於治療」難以落實的原因有四：
1.目標與進度不明確
預防的目標，是盡可能不要生病。但是，光靠日復一日做著號稱可以預防疾病的活動，像是日行萬步、一日五蔬果等，無法具體感受到「進步」。沒有明顯目標，就會讓人失去動機難以持續。
2.缺少負面刺激
多數疾病會造成不舒服或疼痛等負面刺激，進而求醫遵囑；但在預防疾病時，往往沒有這些負面刺激推動我們自律。
3.對數字無感
「10年內得到癌症的機率為20％到30％」這類疾病風險數字，無法讓民眾有真實危機感，就不會積極改善生活習慣。
4.以偏概全的傳統模式
經典的例子是「12歲以下及65歲以上的國民統一施打流感疫苗」。這是在沒有大數據與AI的狀況下，僅以「年齡」當唯一變數的粗糙分類，便將數以百萬的疫苗鋪灑到群眾當中，忽略了有無慢性病、吸菸、肺部功能、過去得流感的頻率等個別化的風險評估。
AI用於預防醫學，首重數據廣度與深度
由此可知，將AI用於預防醫學，必須要能增加目標感與進度回饋，並提供有效且可靠的風險預測。要做到這一步，人工智慧專家、科學家、醫師、流行病學家、公衛學家、醫療經濟學家等專家們，則必須先知道要掌握哪些數據，並且蒐集到有效的數據。
目前，至少有一半的數據，已經存在於現有的醫療健康資訊基礎建設中；或是已經可以透過穿戴裝置、物聯網科技取得，像是1.表現型數據（如病史、藥歷等）、2.環境型數據（如溼度、溫度、紫外線、PM2.5等）及3.行為型數據（如運動、吸菸、飲食等）。
而另一半還未能完全取得，或科學尚未完全解密的數據，則有三種：
1. 基因資訊
這是指透過基因檢測才能得到的相關數據，而且基因與疾病的關係也尚未完全被解密。
2. 免疫資訊
人類的DNA一生不變，但免疫力卻會不斷改變。藉由免疫輪廓 ( Immune Profile) 定性定量分析，能夠知道一個人的免疫力全貌，更能有效避免感染症，甚至於癌症等重大疾病的發生。
3. 微生物體（Microbiome）資訊
人體中約有1千多種含細菌、真菌等菌群，在人類腸道中自成一個微小生態系。近期研究顯示，腸道菌微生物體與許多疾病都有關聯，此微生物體中的菌種愈多元，代表腸道越健康，同時人就越健康；反之如果菌種類愈少，人越容易生病。
如這六大類資訊蒐集得越完整，就能越精準地預測與預防，幫助我們將預防做好做滿。預防一旦有效，國人健康狀態變好，醫療資源耗用較少，就能健康地老化，不會動用過多長照資源。如此一來，不僅讓我們邁向健康的高齡社會，也有機會翻轉付不起未來醫療的窘境。
（責任編輯：陳芳毓/程遠茜）
【專欄反映作者意見，不代表本社立場】
