一位49歲的患者發現肩膀上出現一塊無痛的皮疹,但沒有看醫生。幾個月後,他太太要求他去就醫,醫生診斷為脂漏性角化症(Seborrheic keratosis)。後來,當他接受大腸鏡篩檢時,一名護理師發現他的肩膀上有一個黑色斑點,建議他接受檢查。一個月後,他去看了一位皮膚科醫生,切片結果為非癌性色素病變。但他的皮膚科醫生仍有點擔心,要求對切片進行第二次檢查,結果診斷為侵犯性黑色素瘤。腫瘤科醫生開始進行全身化療;這名患者的一位醫生朋友詢問他為什麼沒有接受免疫療法?
無論是由醫學中心裡的重症科還是基層社區服務的家醫科醫師,如果每一個醫療決策,都能立即由相關專家團隊審核,在決策出現問題時提供指導,會是什麼樣的光景?
☞ 新診斷的、無併發症的高血壓病人將會取得被證明最有效的藥物,而不是開立處方的醫師最熟悉的藥物。
☞ 偶發性的藥物過量和藥物處方錯誤將可能不復發生。
☞ 患有罕見和難以診斷疾病的患者,可以被轉診給與疑似診斷相關領域的知名專科醫師。
這樣的健康照護系統看起來難以實現,因為沒有足夠的醫學專家有辦法參與其中;專家們閱讀病史需要花費很長時間,隱私法相關的疑慮可能讓這類系統的發展停滯不前。然而,這正是機器學習在醫學領域的承諾:所有臨床醫師的決策智慧和數十億患者的就醫結果,應該可以被運用在協助每位患者的照護。也就是說,每一項診斷和治療決策應該根據特定病人的所有資訊,從集體智慧中汲取教訓,進行客製化的即時照護。
這樣的框架下,我們瞭解機器學習不僅是一種新工具,例如新藥或醫材;它是一種醫療技術的基礎建設,用於有效處理超過人腦所能理解的資料;越來越多的數據不僅包括龐大的臨床數據庫,還包括個別病人的數據。大約50年前,《NEJM》的一篇專文指出,運算將「輔助、增幅,在某些情況下取代醫師的智慧」。然而,直到2019年初,醫療領域仍鮮有依賴機器學習的情況。
我們想從 Prognosis(預後)、Diagnosis(診斷)、Treatment(治療)、Clinical Workflow(臨床流程)來探討機器學習運用在醫療場域的情況,並反思台灣目前的醫療現場發展 AI 的現狀與未來,最終由 SY 的秘魯小旅行來帶給我們苦悶生活裡清新的氤蘊。
◐ Here we are.
medium.com/mdbros
--
Hosting provided by SoundOn