作者：吳其炘
吳其炘醫師
國家衛生研究院高齡醫學暨健康福研究中心
台大醫院雲林分院精神醫學部
前言
隨著人工智慧的進展，機器學習模型能夠處理更複雜的資料，做出更準確的預測。資訊科技正可運用在精準醫療 (precision medicine)。傳統上，疾病的治療建立在臨床試驗上，找出有效的療法，並制定讓疾病的標準化的治療，這種醫學模式稱為one-size-fit-all medicine。然而不同的人，對於藥物是不一樣的；雖然有些人會有好的療效，但另一些人確會產生明顯的副作用。因此精準醫學就是希望能夠依據每個人獨有的特徵，找出最佳的療法。雖然精準醫療的理想宏大，實踐上確是相當的困難。過去往往受限於參與臨床試驗人數的太少，無法進一步的分析什麼樣的特質會影響療效。然而隨著醫療大數據累積愈來愈多的資料，諸如健保資料庫、人體生物資料庫等，精準醫療不再是遙不可及的理想。要達到精準醫療，有兩個目標：
在抗憂鬱藥於憂鬱症療效的預測上，可以從最近的一篇統合分析看出目前的進展 (Sajjadian et al., 2021)。該分析收錄59個研究，發現參與人數較少的研究(<100人)，其預測效果較佳，準確度(accuracy)達0.75；然而參與人數大於100人的研究，其預測準確度反而較差，僅 0.63。過去認為樣本愈大，機械學習模型的訓練效果愈好；但這個統合分析呈現結果恰好相反；可能的解釋是小樣本研究，其個案的同質性較高，所以預測結果較好；而在大樣本異質性高的樣本，預測效果仍然不佳。這個結果顯示目前在療效預測模型，容易受到樣本特質的影響，準確度也未達理想。另外，對於藥物療效修正因子的研究仍然很少，僅有少數的研究針對不同藥物，建立不同的預測模型，並進行比較。
人工智慧應用於憂鬱症之難題
另一方面，雖然人工智慧應用於憂鬱症精準醫療的研究愈來愈多，臨床上仍然有許多疑慮。如果預測失準，會造成什麼樣的危害呢？最近一篇研究(Jacobs et al., 2021)利用網路問卷，看人工智慧選藥建議，對於醫師處方藥物行為的影響。該研究邀請220位精神科醫師針對不同患者的臨床特質，選出最適合的抗憂鬱藥物。每個受試者需要回答17題；開始的5題由醫師自行選藥，後面12題則是加上人工智慧的建議，但其中有8題是正確的建議，4題是錯誤的建議；如果這後面12題，完全遵照人工智慧的建議來選藥，其正確率為0.67。研究結果發現，精神科醫師前5題自行選藥的正確率為0.36; 在人工智慧正確的建議下，正確率為0.38，與自行選藥並無統計上的差異。但在人工智慧錯誤的建議下，正確率僅0.30，達統計顯著差異。這個研究一方面質疑了人工智慧選藥建議在臨床上用處，並無法提高醫師選擇正確藥物的機率；如果給了錯誤的建議，反而會增加醫師選錯藥物的機會。另外，這研究詢問受試者是否熟悉機器學習與人工智慧，結果發現回答很熟悉者，僅有5%的題目是選擇人工智慧所建議的藥物；相反的，回答很不熟悉者，有35%的題目遵照人工智慧建議。可見，當前臨床醫師還不信任人工智慧選藥的建議，自認愈熟悉機械學習與人工智慧理論者，愈不信任。
從上述幾個研究的例子來看，人工智慧在抗憂鬱藥的精準治療上，仍有許多難題需要克服，也尚未得到臨床醫師的信任。然而，人工智慧與大數據的發展日新月異，或許在不久的將來，能實踐精準醫療的理想。
參考文獻
