AI臨床決策輔助 不乏挑戰、也存在希望

萬芳醫院醫療資訊執行長陳俊佑。

不可否認，AI輔助醫學是時下正夯的話題，藉由「AI」和「醫學」彼此相加相乘，在對抗COVID-19(新冠肺炎)疫情上展現奇效，有醫院因而將疫效率大幅提升5至6倍。然而AI臨床決策輔助系統真的如此無懈可擊？且看萬芳醫院醫療資訊執行長陳俊佑說分明。

他表，過往醫院推動資訊化，目的並非服務病人或臨床工作者，而是服務會計與管理，若從臨床照護觀點來看，介面設計並不好，但隨著日後逐步改善，使病患與臨床工作者的使用體驗不斷進化。如今大家都在談臨床決策輔助系統，事實上「臨床決策輔助系統」(CDSS)早在1950即已現身，只是過去是規則式(Rule-based)，現在則演變為以人工智慧為基礎(AI-based)。

至於醫師為什麼需要機器協助治療病人？以被喻為「內科聖經」的Harrison而論，從1991年到2018年已歷經八次改版，厚度更是大幅增加，單靠人類的認知功能，已難以繼續追逐爆炸性成長的知識；換言之資料量愈來愈多，醫療決策的變數愈來愈大，當然需要倚靠機器來輔助。

只不過，CDSS始終並未達到普遍盛行，究其主因大致有五點。第一複雜的系統難以製作，判斷邏輯太過簡化，未提供個人化之建議；第二對於使用CDSS的過程及造成的預後影響評估不足；第三未與臨床流程良好整合，常以中斷性警示呈現，造成過多警示與警示疲乏；第四忽略人性，未注意操作人員與系統的互動關係，降低使用意願；第五難以分享CDSS至不同機構之電子病歷系統。

陳俊佑說，綜觀萬芳醫院導入CDSS的歷程，前後出現好幾個顯著案例。首先是「酸血症鑑別診斷」，考量酸血症足以影響病人存活、相當嚴峻，無奈找出根本原因的過程極為複雜；因此2012年時該院以Rule-based方式開發出適用於此症狀的CDSS，旨在偵測並警示酸血症、利用檢驗數值計算找出背後病因，以及提示缺少的檢驗項目。後來2015年時該院改採AI結合CDSS，使得進一步檢驗完成鑑別診斷的比率，從過去的55%大增至80%，且警示率僅2.99%，不再出現以往過多警示或警示疲乏的現象，所以不少醫生對它的接受度頗高。

第二例為「結核病影像診斷」，因影像需要專業且有經驗的醫師判讀，院方希望藉由AI建立協助醫師判別結核病的工具，降低對個人經驗值的依賴。後來嘗試運用ResNet50、ResNet50 V2、ResNeXt50 V2、MobileNet V2等模型，檢出率都有近八成水準；一開始模型被用於輔助放射科醫生，讓醫生更易於精確描述X光的樣態並做出診斷，但院方考量AI出現在放射科醫生看片子前，似乎有影響醫生判斷之虞，最終決定將此功能置於臨床醫生端，做為是否驗痰的依據。

再來的案例是「Watson癌症治療決策輔助」，於2017年導入。當初院方認為IBM Watson每三個月更新最新知識，加上操作簡單，故醫生只要輸入病況，即可望獲得良好的治療建議。

Watson主要功能其實是自然語言處理(NLP)，醫院只是讓它閱讀網路上大量文獻，並進行判讀，呈現各配方之存活率及副作用比率，再提供給醫生評估；問題來了，即使醫生一旦使用Watson，通常可在15分鐘內獲得治療建議，但高達80%醫生認為這些建議本來就與自己的想法相同，如今藉由Watson不過是增加信心而已，CP值似乎不高，因此萬芳醫院在引進2年後停止繼續使用。

陳俊佑最後總結，AI結合CDSS，儘管有助解決Rule-based之缺陷，但AI仍有侷限性，模型的敏感度與特異性不易拿捏得準，難免影響醫生的認同度與實用性，設計上需再斟酌，可說未來還有持續探索與精進的空間。