2024 11月專題-精準醫療新工具：讓數據為你找到最適合的治療方案
精準醫療，或個人化醫療（Precision medicine，personalized medicine）[1]作為一種以患者個體差異為基礎的醫療方法，強調根據每位患者的基因、環境及生活方式等因素來制定個性化的診斷和治療方案，透過提高治療效果、減少副作用，進而提升整體健康管理水平。然而，精準醫療的實現依賴於一個關鍵要素——病人相似性分析（Patient Similarity）。
病人相似性（Patient Similarity）成為未來醫療的重要關鍵。通過分析病患之間的相似特徵，醫療專業人員能夠更好地預測治療反應，制定適合的治療方案，並有效進行疾病風險評估。這種方法不僅提高了治療的個人化程度，也促進了醫療資源的合理配置，改進整體醫療體系的效率。就像在茫茫人海中為每個病人找到他們的「雙胞胎」，這就為「數位孿生」（Digital Twins）的概念。透過分析類似患者病例的數據並結合當前患者的數據，數位孿生可以產生預測模型，同時考慮不確定性和信賴區間，從而估計治療效果，有助於醫療專業人員針對個別患者做出最有效的治療決定，提高治療成功率並減少試誤。[2]
更多精彩內容：
什麼是病人相似性？
「Patient Similarity」（病人相似性） 是指通過分析和比較患者的各項特徵數據，例如基因、病史、生活方式、環境等，來量化患者之間相似程度的概念。簡單來說，它是通過找出具有相似特徵的患者，並將他們進行分組或聚類來實現的。這個概念基於一個前提，認為具有相似特徵的病人，他們在疾病進程、治療反應和預後方面也可能表現出相似性，因此比起使用所有患者的數據集來訓練預測模型，使用相似患者的數據所獲得的結果會更可靠。[3]
病人相似性分析不僅僅局限於表面的症狀比較，而是深入到了基因、病史、生活方式、環境等多個層面。每個病人都像是一幅由無數小點組成的圖畫，這些小點可能代表他們的DNA序列、過去的病歷、日常飲食習慣、居住環境等等。病人相似性分析就是要找出這些圖畫中相似的部分。
要進行病人相似性分析，需要將病人的各種特徵轉換成可量化的數據，並使用適當的算法來計算病人之間的距離或相似度。常用的特徵包括[4]：
- 基因：可以透過分析基因變異、基因表達譜等數據來評估病人在基因層面的相似性。
- 病史：包括既往病史、家族病史、藥物史、手術史等，這些信息可以反映病人的健康狀況和疾病風險。
- 生活方式：包括飲食習慣、運動習慣、吸煙、飲酒等，這些因素會影響病人的健康狀況和疾病風險。
- 環境： 包括居住環境、工作環境、空氣質量等，這些因素也會對病人的健康產生影響。
利用病人相似性改善醫療保健
改善個人化治療方案
相似性分析透過比對病患之間的相似性，從而改善個人化治療方案。主要原因如下：
1. 提供相似病患經驗，協助醫生制定更有效的治療策略
精準醫療主張根據個人基因、環境和生活方式的差異提供量身定制的醫療保健。相似性分析有助於識別具有相似特徵的患者，並從他們的治療經驗中學習，找出對特定患者群體最有效的療法。
例如，在2022年發表於《Journal of Personalized Medicine》的一篇文章中，研究人員使用年齡、性別和糖尿病史等靜態特徵來計算病人相似度。 醫生可以參考相似病患的治療結果，為當前病患制定更有效的治療方案。
一本發表於2023年談論醫療保健中的大數據分析提到，大數據分析在醫療保健領域的應用促進了醫療典範的轉變，強調以數據為基礎，為患者提供更合適的醫療服務。
2. 提高預測模型的準確度
病人相似性分析 的核心假設是： 在相似病人資料上訓練的預測模型，比使用所有可用數據更可靠。透過選擇更相似的病人，可以建立更精確的預測模型，並提高預測治療結果的準確度。 模型準確度的提高有助於更精準地預測治療結果，並制定更有效的個人化治療方案。[4]
例如，2022年發表於《Journal of Personalized Medicine》的文章中，研究人員發現，比起使用選擇完整數據 (100%) 所得的準確性為 75%，當使用 5% 最相似病人的數據訓練模型，準確度最高可達 83-84%。
涉及相似患者的不同訓練資料的準確性。
圖片來源：A Novel Patient Similarity Network (PSN) Framework Based on Multi-Model Deep Learning for Precision Medicine ,圖 7
3. 支持「以病人為中心」的醫療框架
相似性分析有助於實現「以病人為中心」的醫療框架，將患者視為積極參與自身健康的個體 。[3] 通過分析相似患者的經驗和數據，可以更好地了解患者的需求，並制定更符合患者期望的個人化治療方案。[5]
Big Data Analytics in Healthcare此書提到，大數據分析促進了醫療保健領域的新價值途徑，包括「正確生活」、「正確護理」、「正確提供者」、「正確價值」和「正確創新」。 這些途徑都強調以患者為中心，為患者提供更優質的醫療服務。
此外， 「合理用藥」原則也體現了以病人為中心的理念，強調根據患者的臨床需求和個體差異，制定最佳的用藥方案。 相似性分析可以通過分析相似患者的用藥經驗，為合理用藥提供數據支持。[5]
總結來說，相似性分析通過以下方式改善個人化治療方案：
- 提供相似患者的經驗，協助醫生制定更有效的治療策略。
- 提高預測模型的準確度，更精準地預測治療結果。
- 支持以病人為中心的醫療框架，制定更符合患者需求的治療方案。
影響疾病的風險評估與預防
相似性分析通過識別具有相似特徵的患者群體，可以顯著影響疾病的風險評估和預防。 透過比較新患者與具有相似醫療記錄、生活方式或遺傳資訊的現有患者，醫療保健專業人員可以更準確地預測疾病風險並制定個人化的預防策略。[4]
相似性分析允許醫生將新患者與具有相似特徵（包括病史、生活方式、基因組成等）且已知疾病結果的患者進行比較。例如，如果一位新患者與先前診斷出心血管疾病的大量患者具有相似的特徵，則該患者被認為具有較高的心血管疾病風險。這種方法比僅依賴人口統計數據或一般風險因素的傳統風險評估方法更精準。[4]
通過識別與新患者相似的患者群體，醫療保健專業人員可以了解哪些預防措施對這些群體最有效，從而制定個人化預防策略。[4] 例如，如果相似性分析顯示具有某些特徵的患者群體對特定生活方式干預（如飲食調整或運動計畫）反應良好，則可以將這些干預措施推薦給具有相同特徵的新患者。[4] 這種基於數據的個人化方法可以提高預防措施的有效性。
相似性分析可以整合到臨床決策支持系統中，促進臨床決策支持為醫生提供實時指導。[4] 在診斷和治療過程中，醫生可以利用這些系統查詢與當前患者相似的患者群體，並了解哪些治療方案對這些患者最有效。[4] 這些信息可以幫助醫生做出更明智的決策，從而改善患者的預後。
相似性分析是一種強大的工具，通過提高風險預測的準確性、實現個人化預防策略的制定、增強臨床決策支持系統的能力，改善疾病的風險評估和預防，同時推動精準醫療的發展，最終改善患者的健康狀況。
更多精彩內容：
病人相似度的實際應用
PatientsLikeMe
PatientsLikeMe (PLM) 是一家創新的健康數據分享平台，成立於2004年，旨在改變患者、醫療提供者和研究人員之間的互動方式。該平台為患者提供了一個安全、互動的環境，讓他們能夠分享個人健康數據、治療經驗和生活品質資訊，促進患者之間的互助和醫學研究的進步。
PatientsLikeMe 的核心功能是通過患者自主上傳的數據，建立詳細的個人健康檔案。這些檔案涵蓋了診斷結果、症狀、治療方案、藥物反應和日常生活品質等多個方面。平台利用這些數據創建了互動式的圖表和工具，使患者能夠追蹤自己的健康狀況變化，並與其他相似患者進行比較。
例如，一位多發性硬化症患者可以在平台上記錄自己的症狀嚴重程度、藥物使用情況和副作用，然後查看與其他同樣患有多發性硬化症且使用相同藥物的患者的數據比較。這種直觀的數據呈現方式不僅幫助患者更好地理解自己的健康狀況，還為他們提供了與醫生討論治療方案的有力工具。[6]
目前 PatientsLikeMe 已經匯集了超過850,000名會員的數據，涵蓋了2,800多種疾病。這個龐大的數據庫不僅服務於患者，也為研究人員和醫療機構提供了寶貴的實際世界數據（Real-World Data, RWD）資源。
全球的Patient Like Me使用者疾病分布圖
圖片來源：截圖自PatientLikeMe官網
Mayo Clinic 梅奧診所
罕見疾病的診斷一直是醫學界面臨的重大挑戰。2017年 Mayo 診所進行了一項創新性研究並發表於美國醫療信息協會雜誌，探索如何利用協同過濾法（Collaborative Filtering，一項透過分析用戶或項目之間的相似性推薦偏好團體的技術）來加速罕見疾病的診斷過程。在Leveraging Collaborative Filtering to Accelerate Rare Disease Diagnosis的研究中，提出了一個結合自然語言處理（NLP）和語義技術的協同過濾系統，旨在提高罕見疾病診斷的效率和準確性。
研究的核心假設是，電子病歷（EMR）中的患者表現型可以用來加速疾病診斷，特別是對於罕見疾病。研究團隊使用了2010-2015年Mayo診所的大型患者數據，應用多種技術方法進行分析。其中，自然語言處理技術被用來從臨床筆記中提取有用的概念，而語義技術則幫助研究者提煉與表現型和罕見疾病相關的信息。在此基礎上，研究團隊建構了一個基於患者的協同過濾框架，包括四種相似性測量方法和兩種鄰近算法，以識別具有相似臨床特徵的患者群體。
這項研究的一個關鍵概念是病人相似性（Patient Similarity）。研究將患者視為用戶，將表現型視為特徵，通過計算患者之間的表現型相似度，識別出具有相似臨床特徵的患者群體。這一概念為研究帶來了多方面的幫助：它使臨床醫生能夠進行類似案例的比較分析，增強臨床決策；對於罕見病患者，醫生可以從具有相似特徵的其他患者的診療經歷中獲得寶貴的見解；此外，病人相似性分析還允許系統識別可能對特定干預措施反應相似或表現出相似疾病軌跡的亞群，為個性化治療方案的制定提供了依據。
這項研究展示了協同過濾技術在罕見疾病診斷中的巨大潛力。通過利用大規模患者數據中的模式，結合先進的數據分析技術，Mayo診所的研究為提高罕見疾病診斷的準確性和效率開闢了新的途徑。這不僅有望改善罕見疾病患者的診療體驗，也為醫學研究提供了新的思路和方法。[7]
系統化流程。
圖片來源：Leveraging Collaborative Filtering to Accelerate Rare Disease Diagnosis,圖 1
更多精彩內容：
National eHealth Living Lab
在現代醫療科技的快速發展下，病人相似性分析已成為精準醫療的重要工具。荷蘭的National eHealth Living Lab（NeLL）透過建立開放式的電子健康平台，整合了醫療消費者、專業人員、商業團體和公共組織的力量，共同推動醫療科技的創新發展。
NeLL的核心優勢在於其完善的數據共享機制。透過匿名化處理，醫療機構間能安全地交換病人資料，建立起完整的電子健康紀錄系統。這種跨機構的合作模式，不僅提升了數據的完整性，更為精準醫療的發展奠定了堅實的基礎。
平台特別重視社群參與，定期舉辦工作坊和專家討論會，促進各方利害關係人的深度交流。這種互動模式確保了數據分享的品質，同時提高了參與者對數據共享重要性的認知。而所有共享的數據都經過嚴謹的科學研究驗證，進一步強化了醫療機構間的互信基礎。
在具體應用層面，NeLL運用先進的大數據分析技術，識別具有相似健康狀況的患者群體，協助醫療提供者制定更精準的個人化治療方案。同時，平台也開發了基於實證的決策支持系統，透過分析大量歷史數據，為醫師提供更可靠的治療決策建議。這種持續更新和優化的運作模式，不僅提升了荷蘭的醫療品質，更為全球電子健康的發展提供了寶貴的參考經驗。[8][9]
圖片使用AI繪製工具生成
突破與挑戰並存 全球攜手推進病人相似性分析發展
儘管病人相似性分析在精準醫療領域展現出巨大潛力，但其發展仍面臨諸多挑戰。目前，最迫切需要解決的是數據處理的可擴展性問題：隨著醫療數據量的持續增長，如何有效管理和分析這些龐大的資訊集成為一大考驗。同時，來自不同醫療機構的數據格式差異，也為數據整合帶來了技術障礙。
在倫理層面，病人隱私的保護尤為重要。雖然數據匿名化技術不斷進步，但如何在保護個人隱私的同時，確保數據分析的準確性和可用性，仍需要更完善的解決方案。此外，醫療決策的透明度和可解釋性也是一項重要議題：醫療人員和患者都需要理解分析結果背後的邏輯依據。
然而，未來發展前景依然光明，MyHealth@EU，是歐盟推動的一項重要計劃，旨在提升歐盟內部的醫療服務效率和質量，特別是在跨境醫療的背景下。這一計劃旨在通過建立一個安全且高效的電子健康數據交換系統，讓歐盟公民在旅行時能夠輕鬆獲取所需的醫療服務。
德國透過國家級電子健康戰略，由gematik組織主導整合遠距醫療與電子健康記錄系統，運用機器學習演算法識別相似病患群組，為個人化醫療奠定基礎。[10]法國則由國家共享健康資訊局（ASIP）建立互通框架，促進醫療機構間的資料共享，並將病患相似性指標應用於遠距醫療諮詢服務。
比利時推出mHealthBelgium入口網站，建立行動健康應用程式的品質認證機制，同時致力打造中央化資料庫，協助醫療人員針對相似病患制定更精準的治療方案。[11]
圖片使用AI繪製工具生成
荷蘭的國家電子健康生活實驗室（NeLL）整合電子病歷與遠距醫療服務，透過病患相似性分析優化治療成效。[11]瑞典則實施全國性的病患摘要系統，並積極運用人工智慧技術於慢性病與心理健康的相似性評估。
展望未來，MyHealth@EU計劃將進一步擴展其服務範圍，包括醫療影像、實驗室檢查結果及出院報告等重要健康數據的跨境交換。這些措施將有助於實現全面的電子健康記錄系統，使患者在任何成員國都能獲得連續而高質量的醫療護理。此外，隨著這些服務在25個歐盟國家的逐步推行，預計到2025年底將會有更多國家參與，從而促進整個歐洲地區的健康數據互通與合作。
病人相似性分析不僅是一項技術創新，更代表了醫療服務模式的重大轉變。從PatientsLikeMe的社群互助平台，到Mayo診所的罕見疾病診斷系統，再到歐盟MyHealth@EU的跨國合作計畫，這項技術在不同場景中展現出強大的應用潛力。它不僅為醫療機構提供了更精準的診斷工具，也為病患帶來更個人化的治療方案。
從商業角度來看，病人相似性分析創造了龐大的市場機會，從電子病歷系統到智慧醫療平台，都蘊含著可觀的發展潛力。而在醫療層面，它正逐步改變傳統的治療模式，透過大數據分析和人工智慧技術，為醫護人員提供更可靠的決策支援。
雖然在數據隱私、技術整合等方面仍面臨挑戰，但隨著國際間合作的深化和技術的持續進步，病人相似性分析必將在推動精準醫療發展、提升醫療品質、促進產業創新等方面發揮更重要的作用，為未來醫療體系的發展開創新局。
更多精彩內容：
更多資訊及參考資料：
[1]Health C for D and R. Precision Medicine. FDA. August 18, 2023. Accessed October 20, 2024. https://www.fda.gov/medical-devices/in-vitro-diagnostics/precision-medicine
[2]Vallée A. Envisioning the Future of Personalized Medicine: Role and Realities of Digital Twins. Journal of Medical Internet Research. 2024;26:e50204. doi:10.2196/50204
[3]A Novel Patient Similarity Network (PSN) Framework Based on Multi-Model Deep Learning for Precision Medicine. Accessed October 22, 2024. https://www.mdpi.com/2075-4426/12/5/768
[4]Brown SA. Patient Similarity: Emerging Concepts in Systems and Precision Medicine. Frontiers in Physiology. 2016;7:561. doi:10.3389/fphys.2016.00561
[5]Guo C, Chen J. Big Data Analytics in Healthcare. In: Nakamori Y, ed. Knowledge Technology and Systems: Toward Establishing Knowledge Systems Science. Springer Nature; 2023:27-70. doi:10.1007/978-981-99-1075-5_2
[6]PatientsLikeMe | About us. PatientsLikeMe. Accessed October 22, 2024. https://www.patientslikeme.com/about
[7]Shen F, Liu S, Wang Y, Wang L, Afzal N, Liu H. Leveraging Collaborative Filtering to Accelerate Rare Disease Diagnosis. AMIA Annu Symp Proc. 2017;2017:1554-1563.
[8]Use Cases Slides. Canva. Accessed October 22, 2024. https://www.canva.com/design/DAEgFbrRR7c/view
[9]Transforming the Future of Nursing Research | Emory University | Atlanta GA. Accessed October 22, 2024. https://emorynursingmagazine.emory.edu/issues/2020/fall-winter/features/transforming-research/index.html
[10]Stroetmann KA, Artmann J, Stroetmann VN, et al. European Countries on Their Journey Towards National eHealth Infrastructures. Luxembourg: Office for Official Publications of the European Communities; 2011.
[11]Essén A, Stern AD, Haase CB, et al. Health app policy: international comparison of nine countries’ approaches. NPJ Digital Medicine. 2022;5:31. doi:10.1038/s41746-022-00573-1