光是「芒果過敏」就有各種寫法 資料難互通

AI模型仰賴大量數據訓練，但各醫院資料難以互通，一直是AI醫療創新一大痛點。現在有望藉由資料整合平台，讓各院病歷透過編碼達到標準化，破除跨院資料交換障礙。

撰文‧陳燕珩

打開電腦，點進你我可以輕易傳送給他人瀏覽與加Word撰打一份報告，工，快速交換資訊。但是在醫療世界裡，一份民眾的「電子病歷」，來自各醫院四、五十套作業系統，格式不盡相同，想要達到跨院互通，可沒那麼簡單。

智慧醫療時代來臨，各國紛紛展開沒有硝煙的軍備競賽，誰能最快在這場戰爭打穩基樁，將龐大、分散的醫療資訊標準化，就能搶先站上AI醫療創新的浪頭。

但這項基礎建設談何容易，衛福部資訊處長李建璋說明，台灣每家醫學中心的系統，幾乎都由醫院資訊室歷經十幾年打造而成，早已和院內各項流程綁得很深，形成各自的生態系；即使是區域和地區醫院，也分別採用四、五家廠商開發的電子病歷系統，「要叫大家一夕之間換掉，是不可能的事，這是全世界共通的問題。」

既然無法砍掉重練，那麼能否在電子病歷以外，再加一層伺服器，讓不同格式的跨院資料，在這層對齊互通？

這就是衛福部今年初宣布打造的「台灣醫療資訊標準大平台」，將採用國際醫療資料交換標準FHIR（Fast Healthcare Interoperability Resources），讓不同醫療系統能夠統一格式，預計先針對最常使用的一○九個項目，像是患者年齡、診斷疾病和檢查項目等，做出一套通用「字典」，達到書同文目標。

資訊轉換的過程，分為兩個層次。李建璋說明，FHIR是規定資訊的框架，「告訴大家這一格放的是藥物資料，這一格放的是出院病摘。」但是格子裡的內容，還沒有統一。

就像在過敏這格資料中，可能有醫師用中文記錄「芒果過敏」、有人用英文「Allergic to Mango」、有人用「Mango allergy」表達。「這些寫法，人眼看得懂，但AI遇到各種不同的表達方式，可能無法辨識是同一件事。」李建璋說。

這意味著，統一框架後，還要做第二層互通，將五花八門的文字重新編碼，轉換成國際標準代碼，這是一項更浩大的工程。

「還好，我們活在有GPT的時代。」李建璋說，衛福部正在開發一套大型語言模型（LLM），可以將病歷內容做第一步的編碼，再由人工核對確認，大幅縮短編碼時間。

計畫的第一年，衛福部找來林口長庚、馬偕醫院和中山附醫試行，若三家醫院能順利在這套軟體架構中，統一格式、交換資料，明年將進一步推展到全台二十三家醫學中心，讓一○九個欄位資料互通。

接下任務的長庚體系醫院，十一個院區加總，可涵蓋全台約二○％的病歷數，是國內最早、最全面投入資訊化打底工程的醫院體系。

病歷結構化

長庚帶頭統一格式 方便AI判讀

早在二○一五年，長庚體系就開始推動「病歷結構化」。簡單說，以前病歷都是由醫療人員自由書寫，沒有特定格式，每一份都長得不同，難以進行資料判讀。因此，長庚用六、七年時間，逐步針對各個科別需求，事先定義病歷內容，建立結構化的範本和選單，讓醫療人員透過點選方式，將病歷的語意標準化，變成AI可辨識的資料。

正因為「基礎建設」完善，今年初專案開始，長庚只花一個月就將院內資料整合完成，等待衛福部與工研院的轉換模型來介接。

但是在過程中，這家被封為「資訊化優等生」的醫院，也觀察到執行面的挑戰。

林口長庚醫院副資安長、核子醫學部主治醫師林昆儒點出，各醫院在資訊標準化上，針對「粗顆粒」的大項目，像是理學檢查、病徵等基礎欄位，統一格式沒有問題；然而，要進一步推展到AI應用、臨床決策，需要更進階的「細顆粒」資料，這對其他醫院難度很高。

舉例來說，在病歷報告中，有一大項叫作「出院病摘」，裡面包含疾病診斷、醫師評估、用藥檢查和治療過程等，整個文本可能高達上萬字，「這是最粗顆粒的資料，有的醫院只能提供這種資訊。」林昆儒說。

如果再精細一點，醫院會要求醫師在出院病摘中，按照理學檢查、診斷、用藥等五、六個欄位填寫，每欄仍有上千字；但是長庚不同，由於已經做好結構化病歷，有能力提供「細顆粒」資料，將用藥、診斷、併發症等，都用統一編碼呈現，不需要再轉碼就能進入數位中台，成為體系資料庫。

長庚醫療財團法人行政中心總執行長潘延健認為，衛福部搭建這個平台，讓各院資料整合成更有效的工具，絕對是一件好事。然而，其他醫院普遍欠缺對院內資訊化整合狀態的盤點，究竟病歷缺少哪些細部資料，如何才能被擷取、判讀，內部要先做好橫向整併，交換後的資料使用才能更便利。

由三家醫院執行的這項專案計畫，將在今年十一月結束。林昆儒細數，首先三家醫院要各自用院內資料，與衛福部的AI進行訓練媒合；第二階段，就是將跨院資料透過轉碼，進入其他醫院分析解讀，「一直到資料交換成功，才算完成計畫。」

解臨床痛點

不需人工填打AI會自動填數據

不過，林昆儒也提出一個觀念，其實資料交換，並不是最大目的，重點是交換資訊後，可以實際替醫療人員解決哪些臨床痛點？

長庚目前落地的AI計畫，不下三、四十項，而每項落地應用，都是從結構化病歷資料而來。

林昆儒舉例，就像小兒科開發的兒童髖關節發育不良偵測系統，需要超音波圖像及髖關節角度等數據，以往是自由填打，無法直接進行AI訓練。為了解決問題，院內發展結構化系統，鼓勵醫師第一年先手動輸入數據，經由AI資料學習，後來就能做到完全自動化。現在放入影像，醫師已經不需要人工填打，AI會自動填入數據。

「大家都很在意AI訓練出來，是不是有可解釋性。」潘延健不諱言，這取決於前段輸入的資料，是否足夠細緻且明確。各院資料型態、品質差異性愈大，愈難提升「泛化能力」，無法讓AI適用不同的臨床場域，前段做好結構式資料，可以避免很多問題。

就像李建璋所言，AI醫療的發展，關鍵是基礎工程，「如果沒有基礎工程投資，AI的應用是沒有根的。」現在各大醫院馬路寬窄、輪軌都不同，哪個國家能最快整合成功，醫療資訊的發展就愈有前景。 閱讀完整內容