摘要
就亞健康族群而言，如能於症候前期偵測疾病甚或可感受期提前針對疾病的危險因子進行介入，不但可以減少殘障，甚至可以避免疾病的發生。根據 WHO GBD2016 分析，如代謝性疾病(糖尿病、肥胖、骨質疏鬆)、心血管疾病 (冠狀動脈鈣化、心房顫動、高血壓)、肺部疾病(肺結節/肺癌、慢性阻塞性肺病)等非傳染性慢性疾病，已造成七成以上的全球死亡率。相對於傳統統計模型，人工智能(AI)風險預測模型可結合多面向資料，達成較佳的個人化風險預測。
藉由人工智能與機器學習技術，建立慢性疾病風險模型。並經由亞健康族群長年追蹤資料，改善目前傳統慢性疾病預測模型對於個人化風險評估之誤差，希冀未來可以運用至臨床醫療決策，以達成個人化精準醫療之需求。
申請 2006 至 2017 年臺大醫療體系醫療整合資料庫與死因檔之亞健康族群長年追蹤病歷資料，進行架構糖尿病(與糖尿病前期) 發病風險預測模型。將以 logistic regression 及 Cox regression 方式建構傳統統計風險預測模型，且利用 AI 機器學習演算法和遞迴神經網路進行慢性疾病風險預測模型建構與臨床效益分析模擬。
計畫特色
經由AI 機器學習演算法和遞迴神經網路方法套用於個人長年健康履歷資料，建構慢性疾病預測模型，藉此改善目前傳統慢性疾病預測模型對於個人化風險評估之誤差。
應用項目
所建構與驗證的慢性疾病風險預測模型，可預期運用在兩大方向。一是運用在金融保險業者。因本子計畫所建構之慢性疾病風險預測模型，更進一步其嵌入臨床決策流程中來確認相關篩檢之臨床效益。因此，若可在相關法令規範之下，將此風險預測模型運用於金融保險業，將可以更精準評估亞健康族群的慢性疾病風險，並可利用經濟誘因達到健康促進與初級疾病預防效果。另一則是運用於長期健康管理與健康健身產業，如：開立運動處方，可針對不同疾病風險程度，建議不同運動處方內容，來改善長期慢性疾病風險。
關鍵字
慢性疾病、風險預測模型、機器學習、亞健康族群
◎ 計畫主持人
