美國病歷健康資訊科技化政策可望於10年內節省220億美元用藥支出
美國「2009年經濟復甦暨再投資法」（America Recovery and Reinvestment Act, ARRA），將醫療產業中的醫療資訊科技列為重點發展項目之ㄧ。以國內全面採行「電子病歷健康記錄」（electronic health records, EHRs）系統為目標，共挹注190億美元的經費，透過聯邦醫療保險或醫療補助計畫的機制支付獎勵金，鼓勵醫師或醫療院所採購並建置院內的電子醫療資訊系統。自2011年至2015年，醫師或醫療院所符合實質EHR使用者（meaningful EHR user）的標準，至多可獲得44000美元的獎勵金；倘於2015年後，其尚未成為實質EHR使用者，則將以每年多1%的比例，逐年減少其醫療保險補助額，直至2019年將減少5%。為了施行此政策，ARRA規定主管機關須於2009年12月31日前確立EHR的標準，包含了相互運用性（interoperability）、臨床功能性（clinical functionality）及安全性等標準。
EHR系統的基礎，也就是電子醫囑（e-prescribing）所涵蓋的功能，能提供臨床及藥費的即時資訊，供醫師判斷何種藥物（包含學名藥）最為安全，且可符合病患經濟負擔；亦可顯示該病患用藥紀錄，及其他醫生曾開立的處方，供醫師比對並觀察病患潛在的藥物過敏現象，若系統偵測出藥物間相斥的情形，亦將自動發出安全警示。此外，以電腦輸入處方並自動傳送至領藥處的模式，不僅可省卻病患冗長的等候領藥時間，亦能減少藥劑師因難以判讀字跡所導致的配藥錯誤。 一項由美國藥物照顧管理協會（Pharmaceutical Care Management Association, PCMA）所贊助的調查研究指出，ARRA中的病歷健康資訊科技化措施，將使e-prescribing的運用率，在未來五年內增加75%；而在往後10年，此將減少約3500萬筆的用藥指示錯誤，消弭因服藥錯誤導致的死亡事件，並能節省220億的用藥支出；其所帶來的效益實遠超過政府所挹注的經費。
本文為「經濟部產業技術司科技專案成果」
張乃文
主任 編譯整理
Health Technology News，2009年03月19日，http://news.avancehealth.com/2009/03/arras-impact-on-e-prescribing.html，最後瀏覽日：2009年05月04日
Senate Finance Committee，2009年04月29日，http://finance.senate.gov/sitepages/leg/LEG 2009/042809 Health Care Description of Policy Option.pdf，最後瀏覽日：2009年05月04日
2025年12月，日本人工智慧安全研究所（AI Safety Institute，下稱AISI）與日本獨立行政法人情報處理推進機構（Information-technology Promotion Agency Japan，下稱IPA）共同發布《資料品質管理指引》（Data Quality Management Guidebook）。此指引旨於協助組織落實資料品質管理，以最大化資料與AI的價值。指引指出AI加劇了「垃圾進，垃圾出（Garbage in, Garbage out）」的難題，資料品質將直接影響AI的產出。因此，為確保AI服務的準確性、可靠性與安全性，《資料品質管理指引》將AI所涉及的資料，以資料生命週期分為8個階段，並特別強調透過資料溯源，方能建立透明且可檢核的資料軌跡。 1.資料規劃階段：組織高層應界定資料蒐集與利用之目的，並具體說明組織之AI資料生命週期之各階段管理機制。 2.資料獲取階段：此步驟涉及生成、蒐集及從外部系統或實體取得資料，應優先從可靠的來源獲取AI模型的訓練資料，並明確記錄後設資料（Metadata）。後設資料指紀錄原始資料及資料歷程之相關資訊，包含資料的創建、轉檔（transformation）、傳輸及使用情況。因此，需要記錄資料的創建者、修改者或使用者，以及前述操作情況發生的時間點與操作方式。透過強化來源透明度，確保訓練資料進入AI系統時，即具備可驗證的信任基礎。 3.資料準備階段：重點在於AI標註（Labeling）品質管理，標註若不一致，將影響AI模型的準確性。此階段需執行資料清理，即刪除重複的資料、修正錯誤的資料內容，並持續補充後設資料。此外，可添加浮水印（Watermarking）以確保資料真實性與保護智慧財產權。 4.資料處理階段（Data Processing）：建立即時監控及異常通報機制，以解決先前階段未發現的資料不一致、錯漏等資料品質問題。 5.AI系統建置與運作階段：導入RAG（檢索增強生成）技術，檢索更多具參考性的資料來源，以提升AI系統之可靠性，並應從AI的訓練資料中排除可能涉及個人資料或機密資訊外洩的內容。 6. AI產出之評估階段（Evaluation of Output）：為確保產出內容準確，建議使用政府公開資料等具權威性資料來源（Authoritative Source of Truth, ASOT）作為評估資料集，搭配時間戳記用以查核參考資料的時效性（Currentness），避免AI採用過時的資料。 7.AI產出結果之交付階段（Deliver the Result）：向使用者提供機器可讀的格式與後設資料，以便使用者透過後設資料檢查AI產出結果之來源依據，增進透明度與使用者信任。 8.停止使用階段（Decommissioning）：當資料過時，應明確標示停止使用，若採取刪除，應留存刪除紀錄，確保留存完整的資料生命週期紀錄。 日本《資料品質管理指引》強調，完整的資料生命週期管理、強化溯源為AI安全與創新的基礎，有助組織確認內容準確性、決策歷程透明，方能最大化AI所帶來的價值。而我國企業可參考資策會科法所創意智財中心發布之《重要數位資料治理暨管理制度規範（EDGS）》，同樣強調從源頭開始保護資料，歷程存證與溯源為關鍵，有助於組織把控資料品質、放大AI價值。 本文為資策會科法所創智中心完成之著作，非經同意或授權，不得為轉載、公開播送、公開傳輸、改作或重製等利用行為。 本文同步刊登於TIPS網站（https://www.tips.org.tw）
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。
美國聯邦交易委員會提出巨量資料報告，關注商業應用之潛在歧視性效果美國聯邦交易委員會(Federal Trade Commission, FTC)於2016年1月6日公布「巨量資料之商業應用」報告(Big Data: A Tool for Inclusion or Exclusion? Understanding the Issues)，報告中歸納提出可供企業進一步思考之數項議題，期能藉此有助於企業確保巨量資料分析應用之正當合法性，並避免產生排除性或歧視性之對待，但同時亦能透過巨量資料之分析應用為消費者帶來最大的利益。FTC主委Edith Ramirez表示，巨量資料之重要性於商業之各領域均愈發凸顯，其對於消費者之潛在利益自是不言可喻，然企業仍應確保巨量資料之利用不會產生傷害消費者之結果。 「巨量資料之商業應用」報告經徵集公共意見與彙整相關研究後，聚焦於巨量資料生命週期的後端，亦即巨量資料被蒐集與分析之後的利用。報告中強調數種能幫助弱勢群體的巨量資料創新利用方式，例如依病患之生理特性量身訂作並提供醫療照護，或是新的消費者信用評等方式。報告同時也指出可能因為偏見或資料錯誤帶來的風險，像是信用卡發卡銀行降低某人信用額度的原因並非基於該持卡人之消費與還款記錄，而是與該持卡人被歸為「同一類型」之消費者所共同擁有之記錄與特徵。其次，報告對巨量資料於商業領域之利用可能涉及之法規進行了初步盤點，包括公平信用報告法(Fair Credit Reporting Act, FCRA)、與機會平等相關之聯邦立法—像是基因資訊平等法(Genetic Information Nondiscrimination Act, GINA)、以及聯邦交易委員會法，報告也列出7項預擬提問，協助企業因應巨量資料商業利用之法令遵循問題。
德國「促進智慧財產權保障落實法Gesetz zur Verbesserung der Durchsetzung von Rechten des geistigen Eigentums，Durchsetzungsgesetz」將於今年8月1日開始生效施行歐盟「Enforcement-Ricgtlinie 2004/48/EG指令」於德國國內法，而採取所謂「條款立法Artikelgesetz」之綜合立法方式＊，包括「專利法」、「商標法」、「實用新型專利法」、「半導體保護法」、「外觀設計專利法」、「品種保護法」、「非訟事件費用法」以及「著作權法」等相關條文之修正。 其中涉及「著作權法」相關重要修正條文包括「他人資訊提供請求權」，主要是賦予著作權人在主張權利侵害時，得向ISP業者要求提供可以辨明侵權者之身分資料（§101 UrhG），惟須符合特定條件，例如，侵權者須有營業行為（in geweblichem Ausmaß）。然而，就何謂「營業行為」在立法過程中爭議迭起，最後達成協議，決定認定「營業行為」之判斷標準包括：上傳、下載或公開傳輸檔案的數量、電影影片是否為全片供下載、錄音專輯是否整張專輯均提供下載等。簡言之，判斷標準將交由司法單位自被下載檔案的「量」與「質」加以衡量。 不同於歐盟Enforcement-Ricgtlinie指令，新修正之著作權法規定在侵害利益輕微案件中，權利人得向侵權人主張存證信函相關費用之上限為100歐元（§97a UrhG），此規定目的在預防權利人相關費用的主張權利遭致濫用。惟於立法過程中遭權利人及律師代表極力反對，認為如權利人堅持捍衛其權利，則超過100歐元之費用部分需由權利人自行吸收，顯不公平。 在著作權保障意識高漲的現代，有關著作權侵害判斷標準以及賠償方式爭議不斷，德國著作權法亦在相關壓力下持續修正著作權法相關條文，擴大對著作權人之保護。這一波修正條文於8月1日正式施行後成效如何，值得後續觀察。 ＊ 主要是將原本散落在不同法律規範中之條文，以組成「條款」的方式將修正的條文。立法過程完成後，該法的 「架構」是由各個「條款」所組成，而每個條款是代表一個（遭到修正之）法律條文。