實驗日誌04

AI 能成為用藥的「先知」嗎？

最近在準備一篇運用AI預測藥物副作用（adverse drug events, ADEs）的論文報告，邊讀邊想，如果真的做得到，那會是什麼樣子呢？

在醫院擔任臨床藥師的十年裡，最常被問到的問題就是：「這個藥，會不會有副作用？」我的答案總是很誠實：「每一種藥都有副作用，發生機率通常不高，一般很難事先知道會發生在誰身上。最好的策略是遵照醫囑服用並提高警覺。」這大概是所有藥師和醫師都會遇到的困擾。明知道藥物都有風險，但在開立處方的當下，很難預測眼前這個病人會不會發生副作用。

消炎止痛藥（NSAIDs）可能造成胃潰瘍，抗凝血劑（anticoagulants）可能增加出血機率，化療藥（chemotherapy agents）可能讓免疫力瞬間崩潰。這些都是在醫院十年來很常見的案例。每次遇到，除了處理當下的狀況，心裡總會想：「如果能提早知道就好了，或許還有機會避免它發生。」

我要分享的這篇韓國研究，正是在嘗試回答這個「如果」。

韓國研究團隊做了什麼？

韓國的研究團隊收集了兩家大醫院近百萬病人、二十多年的電子病歷資料（electronic health records, EHRs），用這些資料訓練 AI 去預測三種常見的高風險副作用：NSAIDs 導致胃潰瘍、抗凝血劑引發腦出血（intracranial hemorrhage），以及化療藥造成免疫力低下導致的發燒（neutropenic fever）。

如何讓 AI 學會「讀懂」病歷故事？

他們的研究方法蠻有趣的，像是讓 AI「讀病歷故事」。它不把病歷當作冰冷的數據，而是看作一個個病人的「就醫故事」，其中包含診斷、用藥、檢驗、手術等所有醫療紀錄。然後訓練 AI 學會從這些故事中找出規律，進而能夠辨認出那些即將走向「藥物副作用」結局的劇本。

為了讓 AI 理解病歷，他們的方法很像是在教一個外國人讀懂艱澀的歷史文件：

1. 先統一語言：不同醫院的病歷格式五花八門，所以他們先把所有資料轉換成統一的國際格式（OMOP-CDM）。這一步就像把各國方言翻譯成世界語，AI 才能無礙地閱讀。
   
   
2. 再玩「挖字填空」：接著，他們用一種名為 BERT 的模型，隨機挖掉病歷故事中的一些詞彙，讓 AI 從上下文去猜回來。透過海量練習，AI 逐漸學會了診斷、用藥、檢驗之間的時序與邏輯，也就是病人接受治療的模式。

AI 預測的結果如何？

身為藥師的我，看見這數據時有點震撼。

AI 模型判讀的準確率（AUROC）非常高。在醫院內部測試（internal validation），準確率達到96-99%，就算拿到另一家完全不同醫院的資料測試（external validation），仍然維持在94-97%。

這某種程度上，證明 AI 不是在死記硬背，而是真的學會了通用的判斷邏輯，即使拿不同醫院的資料集考試，它仍表現優異取得高分。

而且，它不是一個透過亂猜取得高分的黑箱 AI（black-box AI）。在判讀時，AI 關注的重點和臨床醫師的經驗完全吻合，這可能證明它關注了應該注意的地方，符合人類判讀藥物不良反應的邏輯推演過程。預測胃潰瘍時，它會特別注意 aspirin、ibuprofen 這些藥物；預測腦出血時，會關注肝素（heparin）和病人的腦部檢查；預測化療副作用時，會注意特定的化療藥物和發炎指標。

如果在台灣會怎樣？

讀到這裡，我開始想像：如果台灣的醫院系統也有這樣的功能，會是什麼場景？

醫師在電腦上開藥時，系統跳出提醒：「注意！這位病人使用此藥物出現副作用的風險較高，建議考慮替代方案或加強監測。」

如果這麼準的模型，能落地在醫院，且落地後的預測準確率仍維持9成以上，這對病人安全將是很大的進步。畢竟，預防永遠比治療來得重要。

但現實是，若要在台灣有這樣的系統，必須先有通過台灣食藥署（TFDA）驗證的 AI 模型，而取證驗證的流程需要有研究數據的作爲基礎證實其效能與可靠性。然而，執行類似研究並不容易，可能會遇到兩大困難：（一）模型訓練需要大量資料，要讓醫院願意提供完整、大量、長時間的電子病歷資料，恐怕不是一件容易的事，（二）模型訓練好了，要到其他機構落地使用，還需要將機構電子病歷資料整理、翻譯成模型能懂的格式，模型才能開始發揮作用。

目前，台灣各家醫院的病歷格式並不一致，要像韓國研究那樣整合資料，還有很長的路要走，需要跨院協作與標準化的推動，才能真正促進 AI 的全面發展與應用。如果未來能逐步建立共通格式，就能讓這類 AI 模型真正落地，並在全國範圍內提供病人安全預警。健保資料庫已經是很好的例子，透過統一的格式，讓全台醫療資料得以被系統化地使用。若能再往前一步，讓臨床端的病歷也達到標準化，AI 的應用潛力將更完整地被釋放。

（啊，不知不覺講了好多XD）

有什麼限制要注意？

當然，研究總有限制。這篇研究僅使用韓國的資料，模型不見得適用於台灣的病歷資料，此外，AI 判斷是否為藥物不良反應的根據可能只是診斷代碼（ICD codes），很可能遺漏一些沒有被診斷代碼記錄的真實發生的副作用。無論如何，就算AI預測說發生的風險高，最終，AI 只是決策輔助，扛起治療責任的，永遠是第一線的醫療人員。

即便如此，作為一個起點，這已經很令人興奮了。我甚至還激動到直接聯繫藥學部學姊詢問院內的現況，搭訕專責處理藥物不良反應的藥師，向她學習到很多。

能預測之後呢？

準備報告的過程中，我一直在想一個問題：如果有一天，AI 真的能準確預測藥物副作用，我們是否還需要那麼多臨床藥師？

我認為，AI 再怎麼強大，終究只是工具，幫助人類突破極限，彌補力有未逮之處。醫療的核心是信任關係，而這是 AI 永遠無法建立的。病人需要的不只是準確的數據，更需要一個能理解他們、與他們對話、在關鍵時刻陪伴他們在不確定中做出決定的人。

醫療是一場洞窟探險，四周漆黑，充滿未知。AI 是一盞探照燈，照亮黑暗中的風險，但真正走在病人身旁的，還是醫療人員。AI 不是要取代我們，而是幫我們看得更遠、更清楚，走得更安全。

這樣想來，我反而更樂觀了。

參考文獻：

1. Pretrained patient trajectories for adverse drug event prediction using common data model-based electronic health records https://www.nature.com/articles/s43856-025-00914-7

註：

1. 第一次嘗試寫論文相關的內容，想在專業性和可讀性之間取得平衡。

2. 發現自己在描述研究方法時會不自覺變得正式，試圖解釋清楚每個細節，需要刻意拉回日常語調。

3. 準備論文報告，帶給我分享的動力，分享的過程也讓我重新思考AI在醫療中的角色與未來可能的工作場景。

4. 沒辦法計時呀！

5. 太認真、太用力的話，就需要適時平衡一下。