慢性病挑戰下的科技突破：從AI到個人化健康管理的未來願景

        現代人的健康正面臨許多非傳染性疾病（Non-communible disease, NCD）的挑戰，如：糖尿病、慢性肺病、心血管疾病、巴金森氏症以及肝臟疾病。根據一項研究結果統計，這些非傳染性疾病是造成已開發國家約72%早死(Premature death)的原因。然而，CARES團隊正著手進行一項結合健康檢查數據與人工智慧技術的計畫，希望能為解決這些問題帶來新的突破。我們希望透過開發多種疾病風險預測模型，幫助亞健康族群早期發現健康問題並促進個人化健康管理。目前我們有以下一些重要成果：  

糖尿病風險預測模型：預防勝於治療

        對於糖尿病前期或尚未罹患糖尿病的人群，我們是否提早發現風險？答案是肯定的！CARES團隊基於機器學習演算法（如XGBoost）與台大醫院健康管理中心長達20年的資料庫，已建構出一5年糖尿病風險預測模型，其準確率超過80%。糖化血紅素（HbA1c）、空腹血糖及飯後血糖是其中的三大關鍵指標。這項突破能讓醫療團隊能及早介入，並為高風險個體量身定制健康建議。  

慢性肺病風險預測模型：非吸菸者也需警惕

        慢性阻塞性肺病（COPD）不只威脅吸菸者的健康，生活中的各種危險因子，對於非吸菸者的肺功能影響也同樣需要關注。透過分析肺功能數據以及機器學習演算法的輔助，我們的研究發現總膽固醇、低密度脂蛋白（LDL）和肺功能指標（如FEV1/FVC）是其中非常重要的風險因子。此機器學習模型的準確率經驗證高達85%，對於早期診斷與預防建議可以提供亞健康族群有力的幫助，也進一步幫助患者預防惡化、改善生活品質。  

冠狀動脈疾病風險預測模型：鈣化分數揭示心血管風險

        現代人的生活中，心血管疾病所造成的威脅絕對不容忽視，心肌梗塞更是重要的無形殺手！利用冠狀動脈鈣化分數（CAC）搭配機器學習輔助，CARES研究團隊建構了一個預測心血管住院風險的模型，經過驗證其準確率高達83%。我們發現其中年齡、高血壓和鈣化分數是模型中的核心關鍵，我們希望以此幫助醫療人員更精準地鎖定高風險患者，並提前制定介入方案。  

巴金森氏症風險預測模型：智能設備的突破應用

        隨著台灣進入高齡化社會，神經退化性疾病的增加已經逐漸成為一項重要的健康議題。我們的手機不僅能通話，還能成為篩檢出神經退化性疾病的利器！透過記錄語音和面部表情數據，結合生物特徵，CARES研究團隊與台大資工系張智星教授團隊合作，已成功開發出一款偵測巴金森氏症的早期變化的模型。這個模型透過紀錄手勢、語音與步態，其偵測早期巴金森症狀的準確率達80%。我們希望這個模型可以為神經退行性疾病的早期偵測帶來新契機。  

肝臟疾病風險預測模型：守護高風險人群

        脂肪肝與肝纖維化是肝癌的主要風險因素，但通過健康檢查數據與人工智慧演算法，這些風險將有望提早揭露。CARES研究團隊已透過台大醫院的資料建構了肝臟疾病風險模型，經過驗證其準確率超過85%。在這項模型中：BMI、三酸甘油脂（TG）及肝功能指標（如ALT）是關鍵因子。這款模型將有望幫助高風險人群提早採取預防措施，減少肝病惡化的可能。  

HBV與HCC風險模型：抗肝癌的先鋒部隊

        慢性B型肝炎（HBV）患者是肝癌的高風險群，而一但罹患肝癌，患者的生活品質與預期壽命將受到重大的影響。CARES團隊基於HBcrAg的風險評估系統開發了肝癌的風險預測模型。根據我們驗證其準確率（AUC）超過0.90，顯著優於傳統評分系統。這為高風險患者提供了抗病毒治療的依據，且有望大幅降低肝癌的發生率。  

未來展望：讓健康管理更智慧、更普及

        CARES團隊致力於以嚴謹與科學化的方式，針對各種非傳染性疾病建立風險與偵測的模型。這些風險預測模型不僅為醫療團隊提供強大支援，還能幫助民眾從健康檢查中了解自身風險、及早發現問題，並積極採取預防行動。下一步，我們將持續優化模型精準度，並期待將這些工具落實，以實現預防醫學的全面普及並促進群體的健康。