Big Data點燃智慧醫療火苗

台灣醫療機構通過美國JCI國際醫院評鑑者不在少數，顯見具備國級醫療水準，輔以不吝針對PET、MRI或CT等先進儀器進行投資，由此觀之，台灣醫療業競爭實力不容小覷；在此堅實基礎上，若能進一步結合巨量資料分析，可望產生極大效益。

放眼全球，台灣醫療機構在於醫療記錄的詳實細膩程度，堪稱有目共睹，甚至凌駕於歐美先進國家之上，因此推展巨量資料分析應用的空間，也就格外遼闊。

某服務於醫療機構的資訊人員指出，以中大型醫院而論，每天問診達數百、甚至上千件，進出數十個、甚至上百個床位，絕對不成問題，依此規模，單單一天即能產生大量資料，就算後續再加以正規化，至少也是破百個交易檔案，然這些檔案一旦進入資料庫，通常被分散儲存於不同空間，彼此的Table也大相逕庭，因而難以讓管理者綜觀全局，所以過去即便運用商業智慧(BI)工具，分析效果也不大。因此巨量資料分析技術的出現，被視為活化醫療資訊、實現智慧醫療的一大觸媒。

串聯分析不同科目的醫療資料，究竟能產生何等價值？簡單來說，即是針對藥材、耗材、醫療品質等不同型態的資訊，分析彼此因果關聯，藉此促進醫療品質的提升，甚至能進一步透過研究發現更多病根，凡此種種，都蘊含莫大想像空間。

另值得一提的，台灣自1995年迄今，實施堪稱獨特的全民健保制度，藉此累積了健保開辦以來全民的就醫資訊，因此早已具備一套醫療Big Data；而在某一年，健保局將前1年度的健保資料匯出，將身分欄位遮罩後交予國衛院製作「全民健康保險研究資料庫」，國衛院透過此一基礎，從全台10萬個肝癌病患，篩選出518位B型肝炎加肝癌患、並於術後接受口服核苷抗病毒藥物(ATZ)治療的患者，將之歸類為「治療組」，另挑選4,051位B型肝炎加肝癌、術後未服用此藥物的患者，列為「對照組」，歷經多年驗證，治療組復發機率足足減少3分之1。

運用Big Data分析　肝癌研究不需耗時9年
此一重大發現，實令醫學界備感興奮，但話說回來，此項研究計畫從2003年開始執行，爾後共計耗時7年進行資料蒐集，直到2010年才啟動相關的分析、統計、編撰、審核與出版作業，額外再花兩年時間，因此縱然台灣善用得天獨厚的健保資料，成功找出降低肝癌復發機率的方法，但前後歷經9年時間，未免太過漫長。

然而台灣的醫療資料，除了來自全民健保資料庫外，尚有更為複雜多樣的來源，只因多數台灣醫療院所都已投入數位化，所以不管是病患個人資料、問診資料、血液檢驗資料、全身影像資料、心電圖、腦波、即時生理監測資料…等等，都已逐步轉為數位檔案，顯見醫療業界的Big Data，絕對比一般人想像要多得多。

醫界人士透露，一家醫學中心每年所產生的X光數位資料容量，即高達9~10 TB，至於核磁共振(MRI)與電腦斷層(CT)產生的資料量更大，可能突破100 TB大關。在此情況下，毋需懷疑巨量資料分析對於醫療應用的重要性，因為它不僅能有效支撐醫學研究、新藥研發的推展，也極可能讓原本歷時9年的肝癌研究成果，得以加速出爐，讓更多人命獲得拯救，著實意義重大。

遠端醫療照護　使醫院獲益良多
醫療業可以將巨量資料分析技術，運用在哪些地方？首先是臨床診斷，例如作為臨床決策支援系統的輔助措施，當醫師開立醫囑時，可藉由系統分析比對，判斷該醫囑是否違反醫學指引，倘若有，即在第一時間對該醫師加以提醒，藉以降低後續可能發生醫療事故、索賠糾紛的機率；除了上述的預防性運用外，透過巨量資料分析，也可讓臨床決策支援系統功力大增，可藉由對於X光、CT或MRI等影像資料的分析，或是挖掘醫療文獻資料建立專家資料庫，進而給予醫師更加精確的醫療建議。

同樣有關臨床診斷部分，借助巨量資料分析，也有助於醫療院所推動「比較效果研究(CER)」，意即針對病患特徵資料、費用資料、療效資料進行全盤剖析，再多方比對各種干預措施的成效高低，讓醫師能向特定病患提出最具成本效益的治療建議，促使醫療服務品質大幅提升。

其次則是加速落實遠端醫療照護。舉例而言，醫療院所可透過感測裝置、晶片藥片等措施，針對糖尿病、充血性心臟衰竭或高血壓等慢性病患者，遠端監測其生理狀態，再藉由巨量資料技術來處理並分析這些資訊，一方面可將分析成果回饋給感測機制，好讓病患獲知自己是否遵從醫囑無誤，另一方面這些資訊也即時傳送至電子病歷資料庫，並且幫助醫師判斷是否需要啟動緊急治療措施。

伴隨遠端醫療照護服務成形，不僅可令慢性病患者受惠，對於醫療院所本身也是一大利多，因為它足以降低門診預約需求與急診數量，並大幅減少病患住院時間，從而撙節龐大醫療成本，稱得上是一舉數得。

剖析基因組資料　實現個人化治療
當然，巨量資料分析，亦將對於加速醫療研發多所助益。對於藥廠而言，新藥研發往往是一條漫漫長路，而且過去很難做到資源配置的最佳化，因而必須不斷試煉與琢磨，方能找出正確途徑，導致研發成本居高不下、研發效率持續不彰，如今運用巨量資料分析技術，即可預先建立預測模型，從而根據藥品的安全性、潛在副作用、療效及試驗結果進行綜合分析，研判當下的資源配置決策是否得當，終至加快研發步調，及早將成果推向市場，順勢獲取可觀利潤。

另一項備受關注的醫療研發議題，即是所謂的個人化治療(Personalized Medicine)，也是頗能發揮巨量資料分析價值的應用場域所在。簡言之，個人化治療即是顛覆過去的對症下藥觀念，而是針對病患個人的體質來下藥，比方說，用以抗癲癇與治療三叉神經痛的Carbamazepine藥物，某些病患服用後，會出現史帝文生氏強生症候羣(SJS)，尤其是帶有HLA-B*1502變異的病患，罹患SJS的機率更是正常基因者的1,500倍，嚴重的話甚至有危及性命之虞，值此時刻，自然不宜僅憑病患的癲癇或三叉神經痛症狀，就冒然開立Carbamazepine醫囑；相同的道理，據統計有超過4成的哮喘患者，即便服用乙型致效劑(Beta-2 Agonist)，也未見成效，而10~30%的高血壓病患，服用ACE抑制劑，也難以產生作用。

何以罹患相同症候的病患，服用同一種藥物，療效竟然大異其趣？主因在於，每個人的基因序列不盡相同，因而造成體質上的差異，而單憑臨床實驗，只能看出多數人對此藥物的反應，但此一反應，卻未必放諸四海皆準，所以要想強化臨床決策，除了參酌臨床實驗結果，還需一併參考基因型資料，更有甚者，光是基因型資料尚且不夠，還得進一步援引表現型(Phenotype)資料，譬如在細胞中互為抗拮的MDM2 mRNA與p53，前者是後者的負調控子，不宜過大，倘若因動情激素接受體的存在而影響SNP309，便會使MDM2 mRNA表現強過p53，有此體質的人，形成腫瘤的機率即會大增。

由於個人化治療橫跨遺傳變異、對特定疾病的易感性、以及對特殊藥物的反應關係等多重因子，其間自然蘊含極為龐大的資料量，絕非傳統分析技術所能因應，唯有借助巨量資料分析技術，方可透析箇中奧妙。