Big Data点燃智能医疗火苗

台湾医疗机构通过美国JCI国际医院评监者不在少数，显见具备国级医疗水准，辅以不吝针对PET、MRI或CT等先进仪器进行投资，由此观之，台湾医疗业竞争实力不容小觑；在此坚实基础上，若能进一步结合巨量数据分析，可望产生极大效益。

放眼全球，台湾医疗机构在于医疗记录的详实细腻程度，堪称有目共睹，甚至凌驾于欧美先进国家之上，因此推展巨量数据分析应用的空间，也就格外辽阔。

某服务于医疗机构的信息人员指出，以中大型医院而论，每天问诊达数百、甚至上千件，进出数十个、甚至上百个床位，绝对不成问题，依此规模，单单一天即能产生大量数据，就算后续再加以正规化，至少也是破百个交易档案，然这些档案一旦进入数据库，通常被分散储存于不同空间，彼此的Table也大相迳庭，因而难以让管理者综观全局，所以过去即便运用商业智能(BI)工具，分析效果也不大。因此巨量数据分析技术的出现，被视为活化医疗信息、实现智能医疗的一大触媒。

串联分析不同科目的医疗数据，究竟能产生何等价值？简单来说，即是针对药材、耗材、医疗品质等不同型态的信息，分析彼此因果关联，借此促进医疗品质的提升，甚至能进一步透过研究发现更多病根，凡此种种，都蕴含莫大想像空间。

另值得一提的，台湾自1995年迄今，实施堪称独特的全民健保制度，借此累积了健保开办以来全民的就医信息，因此早已具备一套医疗Big Data；而在某一年，健保局将前1年度的健保数据汇出，将身份栏位遮罩后交予国卫院制作「全民健康保险研究数据库」，国卫院透过此一基础，从全台10万个肝癌病患，筛选出518位B型肝炎加肝癌患、并于术后接受口服核苷抗病毒药物(ATZ)治疗的患者，将之归类为「治疗组」，另挑选4,051位B型肝炎加肝癌、术后未服用此药物的患者，列为「对照组」，历经多年验证，治疗组复发机率足足减少3分之1。

运用Big Data分析　肝癌研究不需耗时9年
此一重大发现，实令医学界备感兴奋，但话说回来，此项研究计划从2003年开始执行，尔后共计耗时7年进行数据蒐集，直到2010年才启动相关的分析、统计、编撰、审核与出版作业，额外再花两年时间，因此纵然台湾善用得天独厚的健保数据，成功找出降低肝癌复发机率的方法，但前后历经9年时间，未免太过漫长。

然而台湾的医疗数据，除了来自全民健保数据库外，尚有更为复杂多样的来源，只因多数台湾医疗院所都已投入数码化，所以不管是病患个人数据、问诊数据、血液检验数据、全身影像数据、心电图、脑波、实时生理监测数据…等等，都已逐步转为数码档案，显见医疗业界的Big Data，绝对比一般人想像要多得多。

医界人士透露，一家医学中心每年所产生的X光数码数据容量，即高达9~10 TB，至于核磁共振(MRI)与电脑断层(CT)产生的数据量更大，可能突破100 TB大关。在此情况下，毋需怀疑巨量数据分析对于医疗应用的重要性，因为它不仅能有效支撑医学研究、新药研发的推展，也极可能让原本历时9年的肝癌研究成果，得以加速出炉，让更多人命获得拯救，着实意义重大。

线上医疗照护　使医院获益良多
医疗业可以将巨量数据分析技术，运用在哪些地方？首先是临床诊断，例如作为临床决策支持系统的辅助措施，当医师开立医嘱时，可藉由系统分析比对，判断该医嘱是否违反医学指引，倘若有，即在第一时间对该医师加以提醒，藉以降低后续可能发生医疗事故、索赔纠纷的机率；除了上述的预防性运用外，透过巨量数据分析，也可让临床决策支持系统功力大增，可藉由对于X光、CT或MRI等影像数据的分析，或是挖掘医疗文献数据建立专家数据库，进而给予医师更加精确的医疗建议。

同样有关临床诊断部分，借助巨量数据分析，也有助于医疗院所推动「比较效果研究(CER)」，意即针对病患特徵数据、费用数据、疗效数据进行全盘剖析，再多方比对各种干预措施的成效高低，让医师能向特定病患提出最具成本效益的治疗建议，促使医疗服务品质大幅提升。

其次则是加速落实线上医疗照护。举例而言，医疗院所可透过传感装置、芯片药片等措施，针对糖尿病、充血性心脏衰竭或高血压等慢性病患者，线上监测其生理状态，再藉由巨量数据技术来处理并分析这些信息，一方面可将分析成果回馈给传感机制，好让病患获知自己是否遵从医嘱无误，另一方面这些信息也实时传送至电子病历数据库，并且帮助医师判断是否需要启动紧急治疗措施。

伴随线上医疗照护服务成形，不仅可令慢性病患者受惠，对于医疗院所本身也是一大利多，因为它足以降低门诊预约需求与急诊数量，并大幅减少病患住院时间，从而撙节庞大医疗成本，称得上是一举数得。

剖析基因组数据　实现个人化治疗
当然，巨量数据分析，亦将对于加速医疗研发多所助益。对于药厂而言，新药研发往往是一条漫漫长路，而且过去很难做到资源配置的最佳化，因而必须不断试炼与琢磨，方能找出正确途径，导致研发成本居高不下、研发效率持续不彰，如今运用巨量数据分析技术，即可预先建立预测模型，从而根据药品的安全性、潜在副作用、疗效及试验结果进行综合分析，研判当下的资源配置决策是否得当，终至加快研发步调，及早将成果推向市场，顺势获取可观利润。

另一项备受关注的医疗研发议题，即是所谓的个人化治疗(Personalized Medicine)，也是颇能发挥巨量数据分析价值的应用场域所在。简言之，个人化治疗即是颠覆过去的对症下药观念，而是针对病患个人的体质来下药，比方说，用以抗癫痫与治疗三叉神经痛的Carbamazepine药物，某些病患服用后，会出现史帝文生氏强生症候羣(SJS)，尤其是带有HLA-B*1502变异的病患，罹患SJS的机率更是正常基因者的1,500倍，严重的话甚至有危及性命之虞，值此时刻，自然不宜仅凭病患的癫痫或三叉神经痛症状，就冒然开立Carbamazepine医嘱；相同的道理，据统计有超过4成的哮喘患者，即便服用乙型致效剂(Beta-2 Agonist)，也未见成效，而10~30%的高血压病患，服用ACE抑制剂，也难以产生作用。

何以罹患相同症候的病患，服用同一种药物，疗效竟然大异其趣？主因在于，每个人的基因序列不尽相同，因而造成体质上的差异，而单凭临床实验，只能看出多数人对此药物的反应，但此一反应，却未必放诸四海皆准，所以要想强化临床决策，除了参酌临床实验结果，还需一并参考基因型数据，更有甚者，光是基因型数据尚且不够，还得进一步援引表现型(Phenotype)数据，譬如在细胞中互为抗拮的MDM2 mRNA与p53，前者是后者的负调控子，不宜过大，倘若因动情激素接受体的存在而影响SNP309，便会使MDM2 mRNA表现强过p53，有此体质的人，形成肿瘤的机率即会大增。

由于个人化治疗横跨遗传变异、对特定疾病的易感性、以及对特殊药物的反应关系等多重因子，其间自然蕴含极为庞大的数据量，绝非传统分析技术所能因应，唯有借助巨量数据分析技术，方可透析个中奥妙。