AI 驅動的糖尿病風險革命
Diabetes AI

AI 驅動的糖尿病風險革命

2025-12-21

Image

1: AI 驅動的糖尿病風險革命

詳細說明： 這張投影片作為開場，揭示了糖尿病照護正經歷一場從「靜態數據」轉向「動態決策」的典範轉移 。傳統風險評估依賴單一時點的臨床指標，而 AI 技術現在能整合多維度數據，實現深度的風險解析 。

2: 挑戰與承諾：重塑糖尿病照護的未來

Image

詳細說明：

當前的挑戰： 台灣面臨沈重的醫療負擔，糖尿病負擔佔比高達 6.17%，且平均每 2 位國人就有 1 人罹患 2 種以上慢性病 。傳統評估依賴 HbA1c 等靜態指標，難以捕捉疾病早期的動態進程 。

AI 的承諾： AI 帶來了從「被動治療」到「主動預測」的轉變 。透過機器學習演算法，醫療體系能從單純應對症狀，轉變為提前預見風險，實現超前部署的精準干預 。

3: AI 的燃料：現代預測的四大數據支柱

Image

詳細說明： AI 預測引擎的效能建立在多模態數據的整合之上。成功的個性化風險分層要求模型能夠整合來自不同生理系統的高維度數據 ：

  1. 影像數據 (Imaging)： 如視網膜影像，作為微血管健康的窗口 。

  2. 生理/行為數據 (Physiological/Behavioral)： 如智慧鞋墊收集的動態壓力數據

  3. 代謝/生化數據 (Metabolic/Biochemical)： 捕捉即時的生化反應 。

  4. 遺傳數據 (Genomics)： 提供疾病易感性的基礎藍圖 。

4: 深度解析①：影像數據 — 微血管的健康窗口

Image

詳細說明：

概念： 視網膜是全身微血管的「氣象衛星雲圖」，能預測遠方即將發生的風暴（如腎臟病變）。

技術效能： 利用深度學習模型分析視網膜影像（如血管彎曲度、分支模式），能有效識別慢性腎臟病 (CKD) 和第二型糖尿病 (T2D) 的早期風險，其 AUC 範圍介於 0.85 至 0.93 。

臨床意義： 實現「一圖多檢」，透過非侵入性檢查，即可預見跨器官的潛在風險 。

5: 深度解析②：生理數據 — 步態中的神經密碼

Image

詳細說明：

概念： 智慧鞋墊如同解讀神經健康的「摩斯密碼機」，將行走時的壓力起伏翻譯成神經系統是否健康的信號

技術效能： 使用 SVM (支持向量機)、KNN、Bagged Trees 等演算法分析動態足底壓力數據，識別糖尿病周邊神經病變 (DPN) 的精確率 (Precision) 高達 90% 以上 。

臨床意義： 將複雜的生物力學分析從實驗室帶入居家環境，大幅提升早期篩查的可及性 。

6: 深度解析③：代謝組學 — 手術風暴的即時預警

Image

詳細說明：

概念： 代謝組學是監控身體的「即時生化儀表板」，AI 能讀懂手術壓力下，身體內部化學反應的細微波動 。

技術效能： 應用隨機森林 (Random Forest) 模型分析高解析度代謝組學數據，預測心臟手術後併發症的準確率分別為：壓力性高血糖 (77%)、急性腎損傷 (72%)、心房顫動 (82%) 。

關鍵機制： 關鍵在於捕捉「代謝變化率」，而非僅限於靜態數值，展現了監測即時生物反應的強大能力 。

7: 深度解析④：遺傳數據 — 風險藍圖的最終拼圖

Image

詳細說明：

技術效能： 關鍵生物標記如 HLA-DQB1 對早期檢測的準確率範圍為 0.64 - 0.88 。

整合威力： 雖然單獨使用基因預測的 AUC 有限，但當 AI 模型整合影像、生理數據、多基因風險評分 (PRS) 與遺傳數據後，預測力顯著躍升，AUC 範圍可達 0.61 - 0.94 。

比喻： 若預測疾病是蓋房子，遺傳數據是「地基藍圖」。但唯有結合「當前結構照片（影像）」和「維修記錄（EHR）」，AI 才能給出最精準的結構安全報告 。

8: AI 引擎室：演算法的實戰工具箱

Image

詳細說明： 針對不同臨床問題，需選擇最適配的演算法 ：

MapReduce-CapsNet： 專門處理國家級海量數據的分類任務 。

XGBoost： 用於預測疾病進程與篩選高風險族群 。

Deep Learning： 擅長解讀影像中的隱藏模式（如視網膜分析） 。

Random Forest： 適合處理高維度的生化代謝數據 。

9: 案例①：規模化運算 — MapReduce-CapsNet 的高效能架構

Image

詳細說明：

架構： 利用 Map (分工) 將大規模任務分解平行處理，再透過 Reduce (整合) 匯總結果，結合膠囊網路 (CapsNet) 進行分類 。

應用： 處理國家級電子健康紀錄 (EHR) 數據庫 。

效能： 在糖尿病分類任務中，準確率區間達到 80% - 95% 。

核心發現： 準確率會隨著輸入變數數量的增加而提高，證明其處理大數據的優勢 。

10: 案例②：進展預測 — XGBoost 的策略性應用

Image

詳細說明：

目標任務： 預測糖尿病前期 (Prediabetes) 至糖尿病的兩年進展風險 。

模型表現： 在比較多種模型後，XGBoost 表現相對最佳，AUC 為 0.67 。

策略意義： AUC 0.67 的價值不在於「個體確診」，而在於「優化公共衛生資源分配」。透過篩選出最高風險族群（如前 10-20%），將有限資源集中於最需要高強度干預的人群 。

11: AI 引擎效能總覽儀表板

Image 詳細說明： 匯總各類 AI 模型在不同臨床任務中的表現指標：

CKD/T2D 早期識別 (Deep Learning)： AUC 0.85 - 0.93，具備無創、高精度優勢 。

DPN 識別 (SVM, KNN)： 精度 > 90%，適合居家篩查 。

手術後併發症預測 (Random Forest)： 準確率 72% - 82%，用於急重症監護 。

糖尿病進展預測 (XGBoost)： AUC 0.67，用於公衛資源分層 。

糖尿病分類 (MapReduce-CapsNet)： 準確率 80% - 95%，用於國家級數據處理 。

12: 黃金標準：BRAVO 模型的典範之路

Image

詳細說明：

定義： BRAVO (Building, Relating, Assessing, and Validating Outcomes) 模型是糖尿病風險模擬的「典範 (exemplary approach)」 。

基礎： 源自黃金標準臨床試驗 — ACCORD Trial 。

比喻： BRAVO 不僅預測天氣（血糖），更同時計算風速（血壓）、油量（腎功能）與航道上的所有變數，模擬患者健康的完整飛行路徑 。

13: 精準的架構：17 條方程式的動態網絡

Image

詳細說明：

動態網絡： BRAVO 整合了 17 條 互相關聯的方程式，涵蓋心肌梗塞 (MI)、鬱血性心衰竭 (CHF)、中風、末期腎病 (ESRD)、嚴重低血糖及死亡率等複雜變數 。

解釋力： 其決定係數 R² = 0.91，代表模型能極為準確地解釋 91% 的數據變異，精確描述疾病進展與併發症的發展 。

14: 嚴謹的驗證與獨特優勢

Image

詳細說明：

廣泛驗證： 針對 18 項國際臨床試驗進行外部驗證，預測終點與觀察終點的斜率為 1.071，R² 達 0.86，顯示極高的預測準確度 。

差異化優勢：

  1. 動態治療建模： 能計算治療方案變化對長期策略的影響 。

  2. 雙向風險評估： 納入強化血糖控制 (如 HbA1c < 6.5%) 相關的死亡率升級風險 。

  3. 全球化適應性： 內建全球化模組解決地域差異 。

  4. EHR 無縫整合： 已成功實施於電子健康紀錄系統 。

15: 落地實踐：台灣的國家級戰略 — 健康台灣 888 計畫

Image

詳細說明：

計畫目標： 第一個 8 (80% 個案管理)、第二個 8 (80% 生活習慣介入)、第三個 8 (80% 控制達標) 。

現況缺口 (The Gap)： 2024 年盤點顯示，個案管理達成率 60%，控制達標 52%，而生活習慣介入僅有 26%

關鍵問題： 這巨大的衛教缺口正是 AI 技術切入的關鍵點，以填補傳統衛教模式的瓶頸 。

16: 關鍵合作：健保署 x Google 聯手打造預測引擎

Image

詳細說明：

里程碑： Google 全球首例醫療照護研究合作計畫 。

內容： 以糖尿病管理優先，結合健保署數據與國衛院研究量能，研發在地化的疾病風險分級與預測模型 。

預測能力： 預測未來 1-3 年 的風險等級 。

時程： 預計 2025 年 7-8 月 相關 AI 模型正式上架 。

17: AI 如何填補 26% 的衛教缺口

Image

詳細說明：

流程： 數據匯入 (健保去識別化數據) -> AI 風險計算 (1-3 年風險分數) -> 臨床決策支持 -> 精準介入 。

策略： 高風險者： 導入目標式照護與治療。

低/中風險者： 提供個人化衛教、飲食建議（填補那 26% 的缺口），或轉介至合作平台（如智抗糖）。

效益： 透過 AI 精準分流，提升衛教介入的覆蓋率與有效性 。

18: 未來藍圖：AI 驅動的論值給付 (Value-Based Care)

Image

詳細說明：

典範轉移： 從「按量計費 (Fee-for-Service)」轉向「論值給付 (Value-Based Care)」 。

AI 角色： AI 驅動的風險分層是實現論值給付的基石。它讓支付系統能精準獎勵「預防」與「早期干預」的成效，而非僅獎勵治療行為 。

政策時程： 健保署預計 2025 下半年 展開新的論值給付模式研究 。

19: 總結：一場預見未來的革命

Image

詳細說明： 總結報告的四大核心支柱：

  1. 多模態數據： 提供 AUC > 0.9 的高精度預測 。

  2. AI 引擎： 因事制宜的演算法，從大數據處理到資源分層 。

  3. BRAVO 黃金標準： R²=0.91 的卓越解釋力與 EHR 整合 。

  4. 台灣國家戰略： 填補 888 計畫缺口，驅動論值給付，建立公私協力生態系 。

20: 四大策略性建議

Image

詳細說明： 基於分析提出的專家建議 ：

  1. 優先部署非侵入式工具： 集中資源於精度達 90% 以上的工具（如 DPN 智慧鞋墊、視網膜 AI） 。

  2. 建立 AI 效能與支付連結： 將 AI 預測準確性 (AUC) 與支付改革掛鉤，確保價值創造一致 。

  3. 優化數據治理： 投資多模態整合架構，整合基因與自費健檢數據，追求 AUC 0.94 的精準預測 。

  4. 界定中等預測力模型場景： 對於 AUC 約 0.67 的模型（如 XGBoost），應明確其為「公衛資源分層工具」而非個體診斷工具，聚焦於識別最高風險群體 。

參考文獻

Slide 1-3: 導論與數據支柱 (Introduction & Data Pillars)

  • 台灣糖尿病負擔與健保署合作計畫 (Taiwan Stats & NHIA-Google Project):

健保署攜手GOOGLE 全球首例AI醫療合作. 台中廣播 (Taichung Broadcast). 2024. *

預計2025年7、8月上線！健保署聯手Google打造糖尿病風險預測AI. Heho健康. 2024.

Slide 4: 影像數據 (Imaging Data - Retinal Analysis)

  • 視網膜影像預測 CKD/T2D (Retinal AI for CKD/T2D):

Kang W, et al. Diagnosis of Chronic Kidney Disease Using Retinal Imaging and Urine Dipstick Data: Multimodal Deep Learning Approach. JMIR Med Inform. 2020;8(12):e18068. *

AI analysis of eye images offers a window to kidney health in type 2 diabetes. University of Dundee News. 2023.

Slide 5: 生理數據 (Physiological Data - Smart Insoles)

  • 智慧鞋墊與神經病變識別 (Smart Insoles for DPN):

Chae S, et al. Smart Insole-Based Plantar Pressure Analysis for Healthy and Diabetic Feet Classification: Statistical vs. Machine Learning Approaches. Sensors (Basel). 2020;20(21):6097. *

Najafi B, et al. Smarter Sole Survival: Will Neuropathic Patients at High Risk for Ulceration Use a Smart Insole-Based Foot Protection System? J Diabetes Sci Technol. 2017.

Slide 6: 代謝組學 (Metabolomics - Acute Complications)

  • 高解析度代謝組學預測手術併發症 (Metabolomics for Post-op Risks):

444-P: Machine Learning Driven Prediction of Hyperglycemia, Acute Kidney Injury, and Atrial Fibrillation after Cardiac Surgery Using High-Resolution Metabolomics. Diabetes. 2020;69(Suppl 1). *

Ebbels TM, et al. Plasma Metabolites–Based Prediction in Cardiac Surgery–Associated Acute Kidney Injury. Anesthesiology. 2020.

Slide 7: 遺傳數據 (Genomics - Risk Prediction)

  • 基因組學與多模態整合 (Genomics & Multimodal Integration):

Comprehensive machine learning models for predicting therapeutic targets in type 2 diabetes. Biomed Res Int. 2021. *

Diabetes prediction model based on GA-XGBoost and stacking ensemble algorithm. PLoS One. 2023;18(8):e0289873. *

Predicting Type 2 Diabetes Based on Polymorphisms From Genome-Wide Association Studies. Diabetes. 2008.

Slide 9: MapReduce-CapsNet (國家級數據處理)

  • 大規模數據分類模型 (Large-scale Data Classification):

Dilibyer A, et al. Diabetes classification using MapReduce-based capsule network. Cogent Eng. 2020;7(1).

Slide 10: XGBoost (疾病進展預測)

  • 糖尿病前期進展預測 (Prediabetes Progression):

Gong Y, et al. Predicting the 2-Year Risk of Progression from Prediabetes to Diabetes Using Machine Learning among Chinese Elderly Adults. Int J Environ Res Public Health. 2021;18(16):8570. (Note: RTF cites MDPI/ResearchGate versions).

Slide 12-14: BRAVO 模型 (The BRAVO Model)

  • BRAVO 風險引擎架構與驗證 (Model Architecture & Validation):

Shao H, et al. Novel Risk Engine for Diabetes Progression and Mortality in USA: Building, Relating, Assessing, and Validating Outcomes (BRAVO). Pharmacoeconomics. 2018;36(9):1125-1134. *

Shao H, et al. Using the BRAVO Risk Engine to Predict Cardiovascular Outcomes in Clinical Trials. Diabetes Care. 2018.

Slide 15-18: 台灣國家戰略 (Taiwan National Strategy)

  • 健康台灣 888 與論值給付 (Healthy Taiwan 888 & Value-Based Care):

健保署攜手GOOGLE 全球首例AI醫療合作. 台中廣播. 2024. *

預計2025年7、8月上線！健保署聯手Google打造糖尿病風險預測AI. Heho健康. 2024.

AI 驅動的糖尿病風險革命