作者簡介
李友專（Yu-Chuan Jack Li）
臺北醫學大學醫學科技學院特聘教授暨院長、萬芳醫院皮膚科暨雷射美容中心主任。臺灣病歷電子化重要推手之一，也是臺灣醫學資訊及人工智慧於臨床應用之先驅。自1993年起投入人工智慧於醫療應用研發至今。曾獲2017國際健康資訊學院（IAHSI）創始院士、2015中華民國資訊產業最高桂冠-傑出資訊人才獎、2010美國醫學資訊學院（ACMI）院士、2010澳洲醫學資訊學院（ACHI）院士、2001中華民國十大傑出青年等殊榮。
學歷：1994年-美國猶他大學醫學資訊博士、1991年-臺北醫學大學醫學士
採訪整理／謝其濬
政治大學新聞系畢業，英國史特靈大學出版碩士、英國曼徹斯特都會大學視覺傳播碩士，現從事文字工作。
採訪整理／林怡秀
中正大學企業管理碩士，13年以上行銷業務與專案管理實務經驗，現為臺北醫學大學醫學科技學院專案經理兼院長特助。
台灣醫療資料蒐集的密度、精緻度跟標準度超越歐美等大國，是為我國醫療發展在世界上建立影響力的基石。
如果將AI視為一個引擎，那麼它的油料就是大數據，前提是這些數據資料必須要先經過標準化。第二章提到的四大類醫療大數據，其中很重要的編碼資料 ( coded data ) ，正是來自電子病歷。
許多民眾早已對電子病歷習以為常，沒有經歷過手寫的紙本病歷年代。20 年前北醫團隊有幸參與推動病歷電子標準，儘管過程並不容易，如今隨著醫療AI浪潮看到價值展現，心裡非常感念當時那群曾經一起努力與堅持的戰友。
電子病歷為醫療AI扎根
1995 年台灣的全民健康保險啟動，約有 2 萬間診所、600 家醫院參與，其中一項規定是要求所有醫療院所申報作業都必須採用電子化申報 ( e-claim )，才能完成健保給付。也就是所有原本寫在紙上的作業，包括行政、掛號、病歷、開藥到申報等程序都必須改成電腦化才有利於電子申報。
推動過程最大的困難在於，各家醫療院所的大小規模不同，作業流程與系統需求也就不同，尤其是醫師各有自己習慣的診斷寫法，根本沒有一套萬能的軟體可以滿足這麼多的需求，幾乎都需要客製化。
加上不是每個醫療院所都願意分配一定的預算比例建置資訊系統，並不容易落實導入。
直到 2005 年之前，整個系統都還是成本系統 ( Cost Capture System )，運作重點在費用控管，後來各大醫院慢慢地把電子申報轉換為電子病歷系統，前後花了十幾年時間進行調整，扭轉過去以批價為主的系統紀錄，改以病歷資料為核心，也讓醫院資訊系統專注在與病人相關的資訊身上，而不只是費用與成本管理。
病歷電子化還有一個重要任務就是「交換」，讓電子病歷能夠跨院流通。絕大多數人都曾因為求學、就業、搬家、轉院等因素到不同醫院看病，這些醫院都是各自保管你在該院的就診紀錄，醫院彼此之間不會同步彙整更新關於你的所有病歷，所以如果你從Ａ醫院轉到Ｂ醫院，Ｂ醫院完全不會知道你之前在Ａ醫院做過哪些檢查以及結果，導致先前所有已經做過的醫療流程得再重來一遍。而透過病歷交換中心的機制，病歷就能在不同醫院之間流通，也才能真正實現醫療的延續性，避免病人因為接受重複性的醫療檢查所產生的傷害、減少重複用藥的浪費。
之後健保署發展出「健康存摺」，揭開個人醫療資訊的面紗，民眾可以更清楚自己所有的就醫紀錄，實現「醫療資訊知情權」，也達成之前努力目標的一部分。
2017 年北醫團隊開始試用區塊鏈技術 ( Block Chain )，將病歷交換機制去中心化，民眾未來只要開立醫療區塊鏈帳戶後，便能將散落各處的電子病歷同步轉到帳戶中，更多健康促進業者陸續加入後，包括健康檢查、穿戴裝置所收集的心跳、運動、睡眠等數據，都能儲存在該帳戶上，而用戶可以自行決定是否把這些數據分享給其他人，像是其他醫院、健康管理機構，甚至是保險公司的相關商品與服務應用分析，客製專屬自己的治療或健康管理計畫，讓資料價值回到自己身上。
全民健保研究資料庫
台灣全民健保實施至今已超過 20 年，累積龐大的族群就醫資料，也造就了「全民健保研究資料庫」。這個資料庫擁有 2,300 萬居民過去 23 年就醫資料，包括用藥、診斷、處置及檢驗檢查項目等，近年更囊括檢驗檢查結果報告及影像紀錄。這樣的醫療資料庫世上絕無僅有，與我們相似的只有北歐幾個國家，例如丹麥，其雖擁有 30 年的全民就醫資料，但人口不到台灣三分之一。在人工智慧發展迅速的今天，龐大的就醫資料被視為極度重要的資料寶庫，也是驅動醫療AI革命的關鍵因子。
全民健保研究資料庫由衛生福利部資料統計應用中心管理，提供國內研究人員有限度的利用。其申請程序繁瑣且資料不易釋出，即使通過複雜且長期的審查，也只能在有限的使用時間內做相對簡易的分析，使得許多據此發表的研究論文被批評為深度不足且重複性過高。上述種種限制，多半肇因於對隱私權的保護。事實上，全民健保研究資料庫仍未包含可識別病人身分的任何資訊，隱私不是關鍵問題。更何況現今資訊科技已能適度增加資訊模糊度，如年齡可合 併成年齡層、一天可合併成一週，大大降低病人身分被重新識別的風險。
有人說台灣人口少，資料數量不足以發展AI，但在醫療領域，我們恰好擁有極度豐富的環境，提供蒐集高品質醫療資料的機會。台灣醫療資料蒐集的密度、精緻度與標準度超越歐美等大國，是台灣醫療AI發展在世界上建立影響力的基石。如果能將全民健保研究 資料庫更完整方便地開放研究，台灣人工智慧在醫療應用必能跨出大步。且這麼好的醫療資料寶庫更應該與全人類共享，如能開放成 國際研究公共財，讓全世界優秀的人工智慧科學家都能應用，可為全人類帶來更豐碩的醫療研究成果。
綜觀國際各種醫療大數據分享的例子，麻省理工學院與哈佛主要教學醫院之一的 Beth Israel Deaconess Medical Center 共同釋出超過 20 年的加護病房電子病歷及生理訊號資料庫「MIMIC III」，十多年來已造就數千篇研究論文，並成為醫學生理訊號研究人員不可或缺的重要資源。
另，全球數億使用者的公開醫學文獻資料庫 PubMed，則是美國國家衛生研究院 ( NIH ) 耗費 40 年以上，由超過四百人的團隊每天分析所有被刊登的醫學文獻，逐一連結關鍵字所打造的龐大資料庫。全球醫藥衛生人員對 PubMed 的需求程度，絕不亞於一般人對 Google 搜尋引擎的程度。「Sharing is power」( 分享就是力量 )， 分享越多，得到越多，更能樹立台灣在國際人工智慧研究的能見度 與地位，是不是一舉兩得呢？
台灣人看病次數多，也因此累積大量的醫療資料。若結合原本資通訊產業優勢，利用各式穿戴裝置與物聯網科技所收集的多元資訊、 經由AI演算分析與促動行為改變，想要做到針對同一主體 ( subject ) 進行多緯度、多次或長期觀察，實現疾病偵測、預測、預防的醫療 資料加值應用，把價值回饋到病人身上的那一天，絕對指日可待。
