AI革新病歷系統 -科學人雜誌
特別企劃

AI革新病歷系統

2020-07-01 撰文╱威爾亞德(Cassandra Willyard)
電子病歷系統拖慢了醫療工作流程,人工智慧或許能改善此困境。


一位名叫羅傑的年輕人,因為腹痛和噁心來到急診室,經檢查後發現疼痛主要在右腹下方,醫生擔心可能是闌尾炎。但等到醫學掃描影像送來時,羅傑已經好多了,影像也顯示他的闌尾看來正常。


這是向美國55名醫生演示的虛構情境,目的是探討電子健康記錄(electronic health record, EHR)的實用性。為了開藥,醫生必須在EHR系統中找出處方,但在其中一家醫院,簡單的搜尋指令卻跳出了80條選項。羅傑是26歲男性,選項竟然包含了兒童和嬰兒用的止痛藥,甚至還有減緩經痛的泰諾。醫生嘗試輸入劑量(500毫克)來篩選,選項變為零,醫生只好重回主選單,終於在第68個選項找到最常開的劑量:泰諾強效止痛藥(500毫克)。原本是件簡單的工作,居然浪費了寶貴的時間和遠超過原本該花的腦力。這只是每天使用EHR時,醫生面對的無數挫折中的其中一例。


把醫師手寫的病患就診記錄、檢驗結果和其他重要醫療訊息,從紙本轉為數位化資料的EHR,原本預期會澈底革新醫療工作流程。2009年美國通過經濟及臨床病歷資訊科技(HITECH)法案,提供360億美元補助來鼓勵醫院和診所把紙本病歷轉為EHR。當時美國總統歐巴馬(Barack Obama)說,這項轉變能「減少垃圾、消除繁瑣手續、降低重複而昂貴的醫療檢驗,而且能減少遍佈美國醫療體系中致命但可防範的醫療錯誤,從而挽救生命。」


當HITECH法案施行時,只有48%的醫師使用EHR,到了2017年,使用率已升至85%,然而EHR改造醫療體系的目標卻未實現。醫生抱怨介面笨拙難用,資料輸入曠日費時,調查顯示醫生花在操作EHR的時間超過與病患實際交流的時間,導致醫生過勞的問題越發嚴重。連歐巴馬都觀察到實施EHR成效未如預期,2017年他告訴新聞網站Vox:「現實比我們預期的困難。」然而根據醫生和資訊科學家的說法,EHR確實有潛力發揮效率和洞察力。人工智慧(AI)領域中的機器學習(machine learning)或許能幫忙排除使用EHR遭遇的種種障礙,釋放它們預測並改善醫療照護的潛能。


2016年美國醫學會與在巴爾的摩和華盛頓特區附近經營10家醫院的醫療之星(MedStar Health)合作,檢查兩個最大EHR系統的實用性,它們分別由塞納(Cerner)和史詩(Epic)兩家資訊科技公司所研發,在急診用途的市佔率達54%。研究團隊召募了四家醫院的急診醫師,提供他們虛構的病患資料和六種情境,看似有闌尾炎的羅傑就是其中之一。這些情境要求醫師執行他們的日常工作,例如開處方和檢驗,研究人員評估醫師完成每項工作所花的時間,需要以滑鼠點選多少選項以及執行時的準確度,結果令人相當沮喪。不同醫院的所需時間和滑鼠點選次數差異極大,即使使用相同系統。不過某些工作明顯在每家醫院都很棘手,例如逐漸減少類固醇劑量,醫生可能需要花2~3分鐘自己計算劑量,再以滑鼠點選20~42條選項。這些設計上的缺陷絕對會造成傷害,醫師往往會開錯劑量。在某家醫院,錯誤率高達50%。


數位化災難

EHR介面難用只是問題之一,另一項阻礙關卡是,不同醫療服務之間的資訊很難銜接。如果病人換醫生、到急診室就診或是搬家,醫療記錄不一定能跟著走。2018年3月,史丹佛大學委託哈里斯民意調查公司進行一項網路調查,調查醫生對EHR的態度,結果令人震驚。醫生回報他們在每位病患上平均花半小時,其中超過60%時間用於操作病人的EHR。有半數在診所執業的基層醫生認為,EHR實際上降低他們的看診效率。不過,儘管現在EHR系統有相當多缺點,大多數醫生仍同意:比起紙本病歷,EHR是極大的進步。


從2015年起,史詩公司開始提供客戶機器學習模型,為了研發這些模型,資訊科學家用已知結果的真實範例來訓練演算法,例如預測目標是哪些病患因感染而併發威脅生命的敗血症的風險最高,演算法就會納入重症加護病房例行蒐集的資料,例如血壓、心率和體溫。數據越齊全,模型運作越好。史詩公司現在已在販售整套模型庫,該公司分析技術與機器學習部門主任海恩(Seth Hain)說:「我們的模型已在超過300家醫療機構裡運作或正準備施用。」敗血症預測模型是最受歡迎的工具之一,每15分鐘掃描一次病患資訊,監控超過80個變數。2017年路易斯安那州的北橡樹醫療體系採用敗血症預測模型,如果患者的分數達到特定數值,EHR系統會寄送警訊給醫生,提醒他們更密切注意病患、必要時提供抗生素。自從該機構使用這個模型後,敗血症造成的死亡率降低了18%


但建立並採用這類模型並不像表面看起來那麼容易,大部份模型依賴EHR的資料格式,也就是以同一種方式蒐集格式一致的數據,其中可能包含血壓、檢驗結果、診斷和藥物過敏資訊。但EHR還容納了各式各樣格式不統一的資料,像是臨床醫生手寫的就診記錄、電子郵件和X光影像。哈佛大學資訊科學家多希—維勒滋(Finale Doshi-Velez)說:「資料就在那裡,但電腦真的很難把它讀取出來。」而忽略那些文字代表失去珍貴資訊,例如病患情況是否改善。此外,附屬於醫療之星的醫療體系人為因素國家研究中心主任拉特瓦尼(Raj Ratwani)也指出,因為EHR的實用性不佳,資料時常記錄在錯誤的欄位,例如醫生可能把病人對草莓過敏註記在臨床記錄裡,而不是填入過敏欄內,在這情況下,預測模型搜尋EHR過敏欄以找尋過敏資訊就無法準確預測。拉特瓦尼補充道:「這可能是我們目前面臨的最大挑戰之一。」

EHR中的大多數資料並不能立即用來訓練演算法,還得先花大量時間整理。重症加護醫師、麻省理工學院運算生理實驗室臨床研究主任塞利(Leo Anthony Celi)舉例:如果你想設計一款演算法幫助重症加護病患避免常見的低血糖問題,這聽起來直截了當,但實際上你會發現血糖有多種測量方法,有刺指尖取血或靜脈抽血;而胰島素注射也有不同的方法。當塞利和同事檢查某家醫院裡所有病患的血糖和胰島素數據時,「醫生把這些資料記錄在EHR裡的方式有數千種。」這些資料必須有人分類整理後才能用來設計演算法,塞利說:「醫療數據就像原油,未精煉前是完全無用的。」

更聰明的解決之道

現有EHR的缺陷阻礙了我們使用AI來獲取重要洞見的機會,但或許AI也能提供解決之道。臨床醫生認為現在EHR系統的一個主要缺點是,他們需要花很多時間來記錄看診資訊。許多醫生相信,醫療門診最重要的價值是與病患溝通,但EHR讓「醫生從專心面對病患變成專注於面對電腦。」另一家EHR廠商雅典娜醫療軟體公司(Athenahealth)的產品經理布瑞恩特(Paul Brient)說,醫生得輸入問診內容,而在開立檢驗、處方和填寫診療代碼時,又需要輸入相同資訊,這種重複性是造成醫生氣餒和過勞的原因。

一些醫院的權宜之計是門診時有抄寫員坐在一旁記錄,讓醫生心無旁騖地與病患交流。此外也有幾家公司正開發電子抄寫工具,利用機器學習演算法錄下醫生與病人的對話,分析成文句,然後填入病人EHR相關資訊欄位。這樣的系統事實上已經問世了。2017年西雅圖一家新創公司賽卡拉(Saykara)推出了虛擬助手「卡拉」,這個iOS應用程式利用機器學習、語音辨識和語言處理程式,錄下醫生和病人的對話,然後轉化為EHR的問診記錄、診斷或檢驗以及治療處方。資訊科學家兼哈佛醫學院生物醫學資訊系主任柯漢(Isaac Kohane)說EHR讓醫生變成資料輸入員,但卡拉這種應用程式則可成為聰明又知識淵博的工作同伴。加州大學舊金山分校醫學系系主任沃赫特(Robert Wachter)說,目前他看過的系統「都還有改進空間」,但它們在幾年內應該會變得精良。

AI或許能幫助醫生做出更好、更高明的決定。位於紐約的醫療集團「優質健康聯盟」(Alliance for Better Health)的執行長瑞德(Jacob Reider)醫師說:「我認為電腦的決策支援系統應該設計成像警示通知。」例如用彈出式視窗警告藥物過敏,而更精密的系統或許還能詳列不同藥物選項的副作用和價格。至少,沃赫特看到一個令人鼓舞的跡象,顯示EHR系統即將有所變革。過去幾年來,Google、亞馬遜和微軟等科技巨擘對醫療產業產生濃厚興趣。例如Google與加州大學舊金山分校、史丹佛大學和芝加哥大學的研究人員合作研發模型,希望能預測住院病患可能的病程演變,例如死亡率和緊急臨時再度入院。為了解決資料混亂的問題,研究人員先把兩種EHR系統的資料轉換為快捷式電子病歷協作資源(Fast Healthcare Interoperability Resources, FHIR)的標準格式,接下來他們並非輸入血壓或心率等特定數據,而是讓電腦模型讀取病患完整病歷。不僅簡化數據輸入過程,也增進了模型的效能。

隱私權爭議再起

但大企業的參與也引發了嚴重的隱私顧慮。去年11月《華爾街日報》報導Google透過與全美第二大醫療體系揚升(Ascension)合作,在未告知或未經病人同意下取得數千萬人的病歷,Google計畫用這些資料來研發機器學習工具,讓醫生能更簡易讀取病患資料。這類資訊分享並未違法且有先例。Google雲端的工業產品和解決方案部門主席紹卡特(Tariq Shaukat)表示:「除了協議中訂定的服務,這些數據不能有其他用途,病患資料不能也不會併入Google任何客戶資料。」儘管有這些保證,美國衛生暨福利部仍決定展開調查,來判定Google與揚升的合作是否符合健康保險便利及責任法案(Health Insurance Portability and Accountability Act)的規範,調查仍在進行中。

但瑞德認為,我們不應為了隱私考量就停止尋求更好、更聰明和更靈敏的EHR系統,他說一定有方法能在維持隱私和安全性的狀況下研發這些系統。

若要澈底改造醫療公衛體系,最後我們可能需要一個全新的EHR系統,而不只是資料庫。瑞德觀察到,所有主要的EHR系統都是建立在有20~30年歷史的資料庫類型的架構上,「它是一列列資訊。」這樣的系統就像傳統書店用來記錄庫存的軟體,「它能告訴你書店進了哪些書,售出了哪些書。」現在借鏡亞馬遜所用的演算法,它能預測顧客明天可能會買什麼書並預期需求量,瑞德說:「亞馬遜的設計讓他們的系統能夠學習供需平衡,然後自動採取行動。」醫療公衛體系也需要這樣的轉型躍進。



本文章由大亞集團獨家贊助開放全文閱讀,更多精彩文章請前往【Global Next】


更多文章
活動推薦更多
追蹤科學人