後疫時代新省思:醫療數據庫結合IoMT，主動預測健康風險

陳新銓舉例，目前台灣北區某公立醫院即與SAS合作以物聯網技術偵測洗腎機數據，並搭配病人過往的診療史，預測未來可能的併發症。透過機器的數據，協助醫療達到IoMT的預診願景。

多元數據分析也能用來預防青少年自殺，例如蒐集人口統計、所在區域、Twitter社交媒體貼文等資料，以自然語言處理技術，判斷青少年發言的內容偏向正面或負面，得出青少年的情緒分數，有助於提前預警知道哪些青少年是否為自殺高危險群。

陳新銓也補充美國內華達州一個更進階的案例:一位高中數學老師希瑟・艾倫，常感身體疲倦，還因為不明原因導致反覆感染，找不到病因的情況下，健康狀況持續惡化。而後「內華達州人口健康計畫（Healthy Nevada Project ）」，研究人員以基因檢測與進階方法分析艾倫的DNA，發現她是肺、肝臟相關遺傳疾病Alpha-1的高危險群，幫助她對症下藥，啟動治療計畫。

「當大家都聚焦在基因與遺傳時，我們打造了龐大的資料倉儲，包含基因、診所、環境與社交數據，」協助打造內華達州人口健康計畫的Renown Health執行長安東尼・斯洛尼姆表示，「醫院醫療照護只佔個人總體健康狀況的20％，剩下的則是由其他因素構成。」

內華達州人口健康計畫所打造的數據庫，包括基因遺傳數據、環境保護局數據、去識別化的臨床醫療數據及社會數據。利用機器學習與AI，把人們的基因資訊與各類環境如空氣與水品質等因子連結起來，因此可預察端倪，例如分析師可藉此預診出哪些人們有呼吸問題，在空氣品質變差之前，事前通知特定族群應待在室內等。

醫療產業數位化關鍵：數據基礎建設

如前述案例所見，建構數位化醫療體系的關鍵在數據基礎建設。陳新銓建議，第一步從醫院內部的資料治理開始，資料蒐集完之後，得要清理數據，做好數值化，並且歸戶、治理，才能加快數據分析的腳步。                

第二步逐步整合外部環境數據，例如使用爬蟲技術蒐集病患個人的公開社群媒體貼文，納入第三方合作單位經個資授權的個人數據紀錄，例如藥局的藥物購買紀錄、穿戴裝置紀錄、個人的醫療險種類、政府社福諮詢紀錄，甚至是勞工紀錄，才能讓數據分析擁有更多分析面向及內涵。

至於，如何評估醫療機構目前是否具備完善的資料基礎建設？

陳新銓指出，可參考全球醫療機構資訊化建設和應用水準HIMSS評價八個等級，從最簡單的做起。以SAS系統與美國國防部資料庫的整合為例，其因把醫院診療記錄、政府跨部門的個人資料、人口資料等多元數據，清理成乾淨的數據，歸戶後重新回存至數據庫，完成資料治理而取得HIMSS第二級。美國已高度重視資料治理的重要性，台灣也需要加快腳步。

陳新銓最後提點，疫情的警鐘，其實同步為政府與醫療體系敲開數位化轉型的大門。相關部門此時正是時候加緊對內溝通，正視發展物聯網與分析的技術，而另一方面公部門也可思考如何協助產業累積真實世界證據，或建立機制協助民眾在掌握個資的前提下，授權多元數據。如此國內不僅可有效串連醫療資源，更能預警個人與群體的健康風險，領先國際建構IoMT網絡。

醫療新潮-從開源分析到人工智慧，如何運用數據來預防疾病與改善病人照護？