學會會訊 2024 - 02
2023-11-12~2023-11-15
【活動心得分享– 2023 ISPOR歐洲年會】
蔣思亭 國立陽明交通大學衛生福利研究所 碩士班四年級
蔣思亭 國立陽明交通大學衛生福利研究所 碩士班四年級
回想起當初在做藥物經濟評估的研究時完全沒有想過會有機會出國發表，當五月左右在與學長姊聊天時提到今年在丹麥哥本哈根的ISPOR Europe可以開始投稿了，研究室的大家都鼓勵我可以試試看，在老師和學長姊的經驗分享與協助下，我投出了我的論文摘要，懷著既期待又忐忑的心情，直到收到論文摘要被接受壁報展示（poster presentation）時，那是一種說不出的肯定與感動，接著開始著手一連串的準備，除了會議的報名、海報製作、海報展演時的討論應答等等，還有最重要出國旅程的準備，終於到了出發的這一天，我獨自踏上這趟別具意義的旅行，歷經18個小時的飛行來到了地球的另一端，踏上丹麥這個國家看到的第一片風景足以讓我忘記這疲累的飛行。
ISPOR Europe 2023是我第一次參加實體的國際會議，從11月12日至11月15日為期四天舉辦在丹麥哥本哈根的Bella Center Copenhagen，當我抵達會場時滿滿的人潮，但從報到到整個會議的會場、流程等安排都非常流暢，可以感受到大會用心的規畫安排，整個會議過程中讓我覺得非常值得學習的規劃就是ISPOR會議的app，由於會場非常大，且在每個時間點大多都有許多不同的演講、課程、論壇、海報或展演等等同時進行著，大家可以事先透過app預先了解所有演講活動甚至海報的主題、講者、內容大綱和地點等資訊，並將自己所感興趣的內容做標記，形成個人化的會議行程表，順利明確地在每個時間點前往參與自己所感興趣的活動，讓所有的來訪者不會毫無頭緒的走馬看花。
2023年ISPOR Europe會議的主題為「HEOR at the Nexus of Policy and Science」，HERO是指健康經濟與結果研究，有不少對於真實世界證據（real-world evidence）的議題進行討論，其中如何制定合適的真實世界資料取得及使用規範（regulation）是目前全球共同在研議的重要議題，然而在會議當中也可以了解到對於這個議題各國其實都仍還在討論中，尚未有一個明確的答案。此外，在此次的會議當中也有幾場是討論關於人工智慧（artificial intelligence）應用於學術研究的部分，其中近兩年帶起人工智慧應用熱潮的ChatGPT更是備受關注，從剖析真人與人工智慧間的差異及優缺點，探討如何將兩者間相輔相成的運用在學術研究，到實際運用的經驗分享等等，可以了解到目前國際間研究的趨勢與潮流。
前往參加會議的另一個重要任務就是自己的論文壁報展示，從展示前的各項準備到實際經歷展示的過程，其中與來自不同國家的人交流討論是我覺得最珍貴的經驗，當有人停留在我的海報前時，除了自我介紹外，我也會確認他們是否對於我的研究感興趣，有些時候是讓我簡單快速的說明研究內容，有些時候則是對方會直接提出他們內心的疑問，在每個一來一往交流的過程中，我們除了討論研究的細節外，也互相交流對於我的研究感興趣的原因等等，每一段對話都帶給深刻且寶貴的經驗，也更加拓展我的視野。
再次感謝臺灣藥物經濟暨效果研究學會提供這次的國際研討會發表論文獎勵，讓我有機會可以前往哥本哈根參與ISPOR Europe 2023這盛大的國際會議，期望這次寶貴的經驗能成為未來繼續發展學術研究重要的養分，並在未來有機會再參與更多的學術會議。
圖一、會議開幕式
圖二、壁報展示（與指導老師）
圖三及圖四、會議參與剪影
再次感謝臺灣藥物經濟暨效果研究學會提供這次的國際研討會發表論文獎勵，讓我有機會可以前往哥本哈根參與ISPOR Europe 2023這盛大的國際會議，期望這次寶貴的經驗能成為未來繼續發展學術研究重要的養分，並在未來有機會再參與更多的學術會議。
【活動心得分享– 2023 ISPOR歐洲年會】
簡秀庭 臺灣大學 臨床藥學研究所博士班
簡秀庭 臺灣大學 臨床藥學研究所博士班
這是我第一次參與國際藥物經濟暨效果研究學會（International Society for Pharmacoeconomics and Outcomes Research，ISPOR）舉辦的歐洲年會ISPOR Europe 2023，對我來說是個很棒的機會開拓眼界，積極參與大型討論，增廣見聞。2023年國際藥物經濟學暨效果研究學會歐洲年會於11月12日至15日在丹麥哥本哈根舉行。ISPOR會議是HEOR領域最具代表性且規模最大的會議，每年都有數千名政策制定者、監管機構、研究人員與專家學者參與，宗旨在於促進藥物經濟學、衛生經濟學，以及健康結果研究的發展，評估衛生醫療的介入在臨床與經濟領域的成本效果，以為政策制定者提供具科學價值的資訊。
圖一、會議開幕式
今年的研討會以多樣的形式在同一時段內涵蓋豐富的內容，包括短期課程Short courses、主題演講The plenary sessions、分組討論Breakout sessions、教育研討會Educational symposia、講壇演講Podium sessions和焦點場次Spotlight session。此外，海報展示Poster session則分為不同的日期和時段，由不同的參與者進行。由於會議內容的多元性和豐富性，參與者在整個會議過程中不會感到乏味，只是因為有多個同時進行的課程和議題，可能會讓人感到遺憾無法同時參與所有場次。
我海報展示的時間定在會議的第一天上午。由於是第一次參加，且事先並無其他參與者可作為參考，因此心情稍微有些緊張。這次展示的主題是「Comparative Analysis of Coding Schemas for Assessing Major Bleeding Risk Between Non-Vitamin K Anticoagulants and Warfarin」，旨在研究使用不同的編碼方式來辨識主要出血風險之間的差異。一開始擔心在展示期間可能會缺乏討論，但實際上在展示過程中，遇到了一些對研究感興趣的參與者。這樣的交流機會對我來說很特別，也讓我放下了一開始的緊張感。整體而言，這是一個很棒的機會，能夠分享研究並獲得有價值的回饋。在其他時間，我也充分利用在海報展示會場瀏覽其他研究者的研究。當看到自己感興趣的研究時，我會嘗試與研究作者進行交流。這不僅是練習自己的表達能力，還能讓我對內容有更深入的理解。
我海報展示的時間定在會議的第一天上午。由於是第一次參加，且事先並無其他參與者可作為參考，因此心情稍微有些緊張。這次展示的主題是「Comparative Analysis of Coding Schemas for Assessing Major Bleeding Risk Between Non-Vitamin K Anticoagulants and Warfarin」，旨在研究使用不同的編碼方式來辨識主要出血風險之間的差異。一開始擔心在展示期間可能會缺乏討論，但實際上在展示過程中，遇到了一些對研究感興趣的參與者。這樣的交流機會對我來說很特別，也讓我放下了一開始的緊張感。整體而言，這是一個很棒的機會，能夠分享研究並獲得有價值的回饋。在其他時間，我也充分利用在海報展示會場瀏覽其他研究者的研究。當看到自己感興趣的研究時，我會嘗試與研究作者進行交流。這不僅是練習自己的表達能力，還能讓我對內容有更深入的理解。
圖二、壁報展示（與指導老師）
這次會議的主題涵蓋了許多有關健康經濟與效果研究領域中人工智慧應用的議題，同時也探討了實際世界數據的相關議題。一些令人印象深刻的主題包括「A Strategic Symphony: Converging RWE, HTA, and Policy in Healthcare Decisions」以及「Practical Issues in the Development of External Comparator Arms Using Real-World Evidence: Pragmatic Solutions or Unacceptable Uncertainties」。在第一個主題中，四位專家以開放式討論的形式進行，距離與會者僅1公尺，討論了真實世界數據在研究中的角色、重要性以及在形成「證據」時可能遇到的困難。他們各自發表看法，與與會者進行交流，然後專家們回答與會者的提問。這種模式使得分享的內容更貼近實際執行研究時可能遇到的問題，為與會者提供更多收穫。在第二個主題中，雖然以分組討論的方式進行，但會場實際上是爆滿的。四位專家在台上分享有關議題的內容，其中兩位講者分享了比較概念性的內容，例如為什麼需要外部比較、可能遇到的阻礙以及如何進行。另外兩位講者則分享了他們實際執行的過程。整個演講內容引人入勝，毫無冷場，非常值得參與。
總的來說，ISPOR Europe 2023對我來說留下深刻印象。雖然未能參與所有課程，但這次會議不僅帶給我許多研究上的啟發，也擴展了我的視野。整個會議收穫滿滿，更期待未來還能參與這樣的學術會議。
總的來說，ISPOR Europe 2023對我來說留下深刻印象。雖然未能參與所有課程，但這次會議不僅帶給我許多研究上的啟發，也擴展了我的視野。整個會議收穫滿滿，更期待未來還能參與這樣的學術會議。
圖三及圖四、會議參與剪影
2024-05-26
【學生職涯參與心得分享】
李祐丞中國醫藥大學藥學系四年級
李祐丞中國醫藥大學藥學系四年級
首先要感謝TaSPOR、Creare CMU和林香汶老師共同舉辦這場精彩又豐富的職涯講座！對於身為大學生的我而言，職涯選擇是現階段正在探索的重要人生課題，這場講座如同及時雨，給了我職涯上更明確的方向和建議，讓我知道在職涯上的選擇是在學習中、工作中，漸漸地找到自己適合何種職位，同時也對於醫藥品查驗中心和業界部門負責內容與工作項目有更詳細的了解。
在此次的講座中，有來自醫藥品查驗中心HTA小組、Market Access部門以及Real World Evidence Analyst等不同單位的學姊分享在職涯上的經驗。最先是Market Access皓文學姊的分享，介紹了MA部門所要負責的包括上市前市場分析、定價策略與產品定位、參與PBRS會議談判以及上市後定價政策，讓我了解到原來MA的負責項目緊扣著健保與藥品定價，可謂是藥品進入台灣健保市場的重要溝通人員，也因此讓我了解原來MA是需要具備良好的溝通適應的能力。再來是HTA小組美祁學姊的分享，學姊綜述了醫療科技評估的定義和精神：是提供決策者客觀的政策評估規劃，專業研究人員利用實證做出效益評估，進而協助政府將藥物納入健保給付，這一個過程需要具備藥物流病學、藥物經濟學、資料庫分析等專業能力，因此我也持續思考著如何精進自己學科能力，讓自己未來能更快適應。最後是RWE分析師語蓁學姊的分享，學姊分享了自己在求學過程中經驗的累積，從專題的學習經驗再到參加國際的研討會，最後到RWE分析部門，一路上學姊也是不斷的探索自己，最令我印象深刻的是”You are your long-term investment”這句話，所以我也鼓勵我自己不要侷限在框架，勇於追尋自己喜歡的職涯！
課程的尾聲，我也詢問了學姊許多職涯方面的問題，藉由釐清自己的疑問，一方面可以讓我更清楚我適合怎樣的職涯，另一方面也讓我練習「發問」的表達能力和勇氣。最後，再次感謝TaSPOR、Creare CMU和林香汶老師協助舉辦這場職涯講座，未來我會持續的探索自己，期許自己將來能回饋社會，貢獻一己之力。
在此次的講座中，有來自醫藥品查驗中心HTA小組、Market Access部門以及Real World Evidence Analyst等不同單位的學姊分享在職涯上的經驗。最先是Market Access皓文學姊的分享，介紹了MA部門所要負責的包括上市前市場分析、定價策略與產品定位、參與PBRS會議談判以及上市後定價政策，讓我了解到原來MA的負責項目緊扣著健保與藥品定價，可謂是藥品進入台灣健保市場的重要溝通人員，也因此讓我了解原來MA是需要具備良好的溝通適應的能力。再來是HTA小組美祁學姊的分享，學姊綜述了醫療科技評估的定義和精神：是提供決策者客觀的政策評估規劃，專業研究人員利用實證做出效益評估，進而協助政府將藥物納入健保給付，這一個過程需要具備藥物流病學、藥物經濟學、資料庫分析等專業能力，因此我也持續思考著如何精進自己學科能力，讓自己未來能更快適應。最後是RWE分析師語蓁學姊的分享，學姊分享了自己在求學過程中經驗的累積，從專題的學習經驗再到參加國際的研討會，最後到RWE分析部門，一路上學姊也是不斷的探索自己，最令我印象深刻的是”You are your long-term investment”這句話，所以我也鼓勵我自己不要侷限在框架，勇於追尋自己喜歡的職涯！
課程的尾聲，我也詢問了學姊許多職涯方面的問題，藉由釐清自己的疑問，一方面可以讓我更清楚我適合怎樣的職涯，另一方面也讓我練習「發問」的表達能力和勇氣。最後，再次感謝TaSPOR、Creare CMU和林香汶老師協助舉辦這場職涯講座，未來我會持續的探索自己，期許自己將來能回饋社會，貢獻一己之力。
【學生職涯參與心得分享】
許仲儀 中國醫藥大學藥學系四年級
許仲儀 中國醫藥大學藥學系四年級
此次很榮幸能參與到社團與藥物經濟暨效果研究學會TaSPOR合辦的講座。其實自己在先前不知道TaSPOR這個機構，在經過介紹及整場講座之後了解了他是為了促使醫療科技得以合理經濟有效的使用，也提供藥物經濟與病人健康效果相關的學術交流活動。隨著醫療成本的上升和新藥物的不斷推出，藥物經濟學的重要性愈發突出。要如何在病患、醫療人員及製藥產業間做出平衡，確保有限的資源能夠最大化地改善患者的健康狀況，是從事相關產業的人員都要謹慎思考的。
自己先前有大概了解MA，但此次皓文學姐的介紹真的非常詳細。講座中提及MA的工作內容及特性，雖然有點像例行公事、但幾乎每個細項工作都要耗費很長的心力跟時間，學姊也介紹了他一路走來的心路歷程及感想，也讓我重新思考自己未來的職涯規劃。緊接著由美祁學姊為我們介紹醫療科技評估(HTA)，包含定義、台灣現今關於HTA的發展、從事HTA相關人員的背景及特質等。自己在此前從未了解過HTA，內容對我來說非常新鮮且令我大開眼界，感受到了這個領域的廣闊和深刻。HTA是一個涉及多學科知識和技能的綜合過程，這樣的評估方法不僅能夠提高醫療資源的使用效率，還能確保醫療決策的公平和透明，在衛生決策與經濟效益評估之間取得平衡。最後由語蓁學姊為我們介紹真實世界數據分析，這個部分也是我先前未接觸過的，對我來說也非常新穎。學姊有提及在求學過程中對他未來求職有幫助的經歷，也提供我們在進入職場前可以做甚麼來充實自己，也介紹了他的工作內容、比較真實世界數據分析與臨床試驗數據的不同，讓我對這方面有更具體的概念。最後勉勵我們要沉住氣、多看多聽，鼓勵我們都具備一定硬實力、只差經驗的累積。
謝謝三位講師與合力促成這場講座的學會與社團幹部們，兩個小時的內容全都是精華、毫無冷場，我在這場講座裡也收穫良多，不僅認識到先前未曾接觸過的HTA與real-world data部分，也讓我對於MA有更進一步的了解，啟發我對未來職涯有更多的想像空間。
自己先前有大概了解MA，但此次皓文學姐的介紹真的非常詳細。講座中提及MA的工作內容及特性，雖然有點像例行公事、但幾乎每個細項工作都要耗費很長的心力跟時間，學姊也介紹了他一路走來的心路歷程及感想，也讓我重新思考自己未來的職涯規劃。緊接著由美祁學姊為我們介紹醫療科技評估(HTA)，包含定義、台灣現今關於HTA的發展、從事HTA相關人員的背景及特質等。自己在此前從未了解過HTA，內容對我來說非常新鮮且令我大開眼界，感受到了這個領域的廣闊和深刻。HTA是一個涉及多學科知識和技能的綜合過程，這樣的評估方法不僅能夠提高醫療資源的使用效率，還能確保醫療決策的公平和透明，在衛生決策與經濟效益評估之間取得平衡。最後由語蓁學姊為我們介紹真實世界數據分析，這個部分也是我先前未接觸過的，對我來說也非常新穎。學姊有提及在求學過程中對他未來求職有幫助的經歷，也提供我們在進入職場前可以做甚麼來充實自己，也介紹了他的工作內容、比較真實世界數據分析與臨床試驗數據的不同，讓我對這方面有更具體的概念。最後勉勵我們要沉住氣、多看多聽，鼓勵我們都具備一定硬實力、只差經驗的累積。
謝謝三位講師與合力促成這場講座的學會與社團幹部們，兩個小時的內容全都是精華、毫無冷場，我在這場講座裡也收穫良多，不僅認識到先前未曾接觸過的HTA與real-world data部分，也讓我對於MA有更進一步的了解，啟發我對未來職涯有更多的想像空間。
【HEOR Spotlight】
【HEOR Spotlight】
隨著人工智慧(Artificial Intelligence, AI)的進步與興起，近年來越來越多研究於運用機器學習(Machine Learning, ML)於醫學領域的研究中，在健康經濟與效果研究(Health Economics and Outcomes Research, HEOR)領域的導入與運用，也越來越多關注，2024年ISPOR歐洲年會許多討論主題也聚焦於此。因此本期會刊將透過摘要Padula等人在2022年於Value in Health發表的Machine Learning Methods in Health Economics and Outcomes Research-The PALISADE Checklist: A Good Practices Report of an ISPOR Task Force一文，以期讓大家能對運用ML於HEOR研究有初步的瞭解。
本文感謝
蔡旻澔同學(臺灣大學藥理學科暨研究所碩士班)、彭悅倫同學協助摘要與編修
Padula WV, Kreif N, Vanness DJ, Adamson B, Rueda JD, Felizzi F, Jonsson P, IJzerman MJ, Butte A, Crown W. Machine Learning Methods in Health Economics and Outcomes Research-The PALISADE Checklist: A Good Practices Report of an ISPOR Task Force. Value Health. 2022 Jul;25(7):1063-1080. doi: 10.1016/j.jval.2022.03.022.
全文連結：https://www.valueinhealthjournal.com/article/S1098-3015(22)00191-7/pdf
本文感謝
蔡旻澔同學(臺灣大學藥理學科暨研究所碩士班)、彭悅倫同學協助摘要與編修
Padula WV, Kreif N, Vanness DJ, Adamson B, Rueda JD, Felizzi F, Jonsson P, IJzerman MJ, Butte A, Crown W. Machine Learning Methods in Health Economics and Outcomes Research-The PALISADE Checklist: A Good Practices Report of an ISPOR Task Force. Value Health. 2022 Jul;25(7):1063-1080. doi: 10.1016/j.jval.2022.03.022.
全文連結：https://www.valueinhealthjournal.com/article/S1098-3015(22)00191-7/pdf
在健康經濟學及效果研究的機器學習方法-
PALISADE查核表：ISPOR工作團隊的良好實踐準則
PALISADE查核表：ISPOR工作團隊的良好實踐準則
「機器學習（Machine Learning, ML）」是一系列統計方法，主要用於分類、排序和預測。現今健康照護資料特徵在於維度高、數量大、更新快、結構複雜，傳統方法效果不彰，因此，越來越多人認識到ML在解決健康照護問題上的潛力。本文專注於探討ML在健康經濟學及效果研究(Health Economics and Outcomes Research, HEOR)領域的應用。
ML方法分為有監督和無監督兩大類。有監督方法需指定結果變量進行分類、排序或預測，而無監督方法則專注於降低維度和識別數據基本結構，不指定結果。傳統ML模型需要研究人員定義特徵或變量；而表示學習方法(Representation Learning Methods)，又稱深度學習模型，則可直接從數據中抓取特徵，提升對因果關係的理解。
ML是增加HEOR價值的工具之一，可用於高維度資料庫(如電子健康記錄, EHRs)生成複雜關係，改進疾病檢測和分類，預測個人化治療方案下的健康結果軌跡。無論監督或無監督ML，皆可在發生不良事件前採取預防/介入措施提高醫療保健服務價值。然而，ML也面臨數據分析的挑戰，如偏差處理，特別是在觀察性研究中。
ISPOR機器學習方法新興良好實踐工作小組(ISPOR ML Methods Emerging Good Practice Task Force)為HEOR和決策者提供ML方法使用的指南，包括ML-輔助的序列選擇、特徵選擇、預測性分析、因果推論、經濟評估等，並考慮透明度和倫理。通過介紹以上概念，旨在加強和推動HEOR領域的發展。
圖一: HEOR中機器學習應用的概念圖
表一: HEOR中機器學習的應用
Cohort selection 世代選擇
世代選擇是一個在研究中確定符合納入/排除標準的患者群體的過程。當需要從非結構化的電子病歷數據中提取資訊時，傳統的人工方法昂貴且耗時，限制了研究規模和效率。使用自然語言處理(NLP)等ML技術可以幫助定義選擇標準，減少人工抽取的患者數量，提高研究效率和精確度。通过對患者進行標記並訓練模型，再應用模型作為過濾器，符合條件的患者才需要進行進一步的人工抽取，這樣的方法能夠使大規模研究更加高效。
表二: HEOR的常用機器學習方法
特徵選擇（feature selection）
特徵選擇在處理高維度、大量觀測值的醫療數據中發揮關鍵作用。這些數據常面臨「大p小n」問題，即預測因子多於觀測值，容易導致過度擬合和複雜的分析。特徵選擇方法旨在降低過度擬合的風險，更好地估計因果參數，如平均治療效果(ATE)。傳統統計方法在高維數據中的表現有限，因此需要特徵選擇方法來平衡相關性和誤差減少，確定用於分析的預測因子子集。與特徵提取相比，特徵選擇保留更多原始數據，並具有簡潔模型、減少過度擬合風險、提高模型泛化能力等優勢。特徵選擇方法包括過濾法、包裝法、嵌入法和混合法，應根據具體情況選擇最適合的方法進行特徵選擇。
數據缺失的挑戰
在處理數據缺失或遺漏值時，特徵選擇面臨著挑戰。可以採用兩種方法：先進行特徵選擇，再對缺失值進行估算，或者先估算缺失值，再進行特徵選擇。選擇哪種方法取決於使用的數據和模型的目的。有些技術可以處理缺失數據，如決策樹法，但有些技術則無法容忍缺失數據，如支援向量機、神經網絡、廣義線性建模等。後一種方法容易產生歸因偏差，使得預測因子在歸因過程中變得重要。因此，根據預測因子的數量、計算能力、問題類型、缺失量和缺失類型等因素來選擇正確的方法進行特徵選擇。在大多數情況下，建議在歸因後進行特徵選擇，但具體方法仍需根據情況進行調整。
因果推論(causal inference)
因果推論是研究介入措施或政策影響的一種方法，其挑戰在於僅能觀察到實際接受治療的結果而無法觀察到未接受治療的對照結果，導致對因果參數的估計需要依賴關鍵且無法檢驗的假設，如已觀察到影響治療分配和預後治療結果的所有共變數。而機器學習可提供有效的方法來選擇潛在干擾因子，例如利用變項在結果模型中的重要性預先篩選共變項或使用專為因果推論設計的變量選擇方法。然而，這些方法不能替代正式的因果推論工具和主題相關知識，因此，越來越多的人建議使用敏感性分析來評估因果效應估計值對未觀察到的干擾因子的敏感程度。
在HERO領域中，因果推論常通過傾向分數(PS)模型來建立配對樣本，進而估計平均治療效果(ATE)。儘管羅吉斯回歸模型常用於PS模型，但機器學習方法如隨機森林、分類樹、回歸樹和最小絕對收縮選擇算子等更靈活，並能降低治療效果估計值的偏差。然而，這些方法著眼於最小化均方根誤差，並非針對因果參數的估計。
為了克服「使用PS調整干擾因子」的挑戰，一些延伸方法如制定機器學習算法的損失函數來平衡樣本配對，但實際上仍難以顯著減少偏差。因此，建議優先考慮對結果最有預測性的變量，但最終仍需主觀判斷。
Targeted maximum likelihood estimation （TMLE）是一種專為解決此挑戰而設計的方法，能給出無偏差的治療效果估計值，特別適用於估計更複雜的因果參數，如動態治療方案等介入措施的影響。超級學習器(super learner)則是一種器集合方法，與TMLE一起使用能克服模型未設下規範造成的偏差。
此外，因果關係的機器學習方法還可應用於估計異質性的治療效果，這對於HEOR領域尤其重要，因為它可以提供更深入了解個體間微小治療效果的潛在訊息，為個人化治療決策提供支援。
經濟評估(economic evaluation)
經濟評估在現實應用中存在著許多不確定性和假設，臨床試驗證據雖可提供臨床效益和比較效果的資訊，但無法代表真實世界，也無法生成符合經濟模型需求的參數。健康經濟模型需要更好處理醫療服務複雜性，並面臨著參數、結構和抽樣不確定性的挑戰。
透明度和可解釋性(transparency and explainability)
透明度和可解釋性在醫療決策中至關重要。主要決策者包括監管機構、醫療技術評估機構和付費者代表，逐漸將透明度納入決策考量。特別是在人工智慧領域，一些機器學習演算法的黑箱性質可能帶來未預期的偏差，這可能反映出健康照護中診斷、治療方面的差異、醫療浪費或潛在有害的臨床照護。機器學習的應用範圍涵蓋探索性研究到假設檢定等整個領域，對於假設檢驗和臨床決策，需要更高的透明度和審查，可解釋性對醫療決策者和患者非常重要，不同方法的可解釋性各不相同。
近期的報告指引和準則要求提高方法和模型參數的透明度，提供更多關於訓練、測試和驗證的具體資訊。儘管如此，醫療相關從業人員、政策決策者和患者對於機器學習在健康照護中的應用仍有疑慮。因此，工作團隊建立了"PALISADE Checklist"，幫助機器學習開發者將其方法的適當性傳達給利害關係人和醫療決策者。
ML方法分為有監督和無監督兩大類。有監督方法需指定結果變量進行分類、排序或預測，而無監督方法則專注於降低維度和識別數據基本結構，不指定結果。傳統ML模型需要研究人員定義特徵或變量；而表示學習方法(Representation Learning Methods)，又稱深度學習模型，則可直接從數據中抓取特徵，提升對因果關係的理解。
ML是增加HEOR價值的工具之一，可用於高維度資料庫(如電子健康記錄, EHRs)生成複雜關係，改進疾病檢測和分類，預測個人化治療方案下的健康結果軌跡。無論監督或無監督ML，皆可在發生不良事件前採取預防/介入措施提高醫療保健服務價值。然而，ML也面臨數據分析的挑戰，如偏差處理，特別是在觀察性研究中。
ISPOR機器學習方法新興良好實踐工作小組(ISPOR ML Methods Emerging Good Practice Task Force)為HEOR和決策者提供ML方法使用的指南，包括ML-輔助的序列選擇、特徵選擇、預測性分析、因果推論、經濟評估等，並考慮透明度和倫理。通過介紹以上概念，旨在加強和推動HEOR領域的發展。
圖一: HEOR中機器學習應用的概念圖
表一: HEOR中機器學習的應用
Cohort selection 世代選擇
世代選擇是一個在研究中確定符合納入/排除標準的患者群體的過程。當需要從非結構化的電子病歷數據中提取資訊時，傳統的人工方法昂貴且耗時，限制了研究規模和效率。使用自然語言處理(NLP)等ML技術可以幫助定義選擇標準，減少人工抽取的患者數量，提高研究效率和精確度。通过對患者進行標記並訓練模型，再應用模型作為過濾器，符合條件的患者才需要進行進一步的人工抽取，這樣的方法能夠使大規模研究更加高效。
表二: HEOR的常用機器學習方法
特徵選擇（feature selection）
特徵選擇在處理高維度、大量觀測值的醫療數據中發揮關鍵作用。這些數據常面臨「大p小n」問題，即預測因子多於觀測值，容易導致過度擬合和複雜的分析。特徵選擇方法旨在降低過度擬合的風險，更好地估計因果參數，如平均治療效果(ATE)。傳統統計方法在高維數據中的表現有限，因此需要特徵選擇方法來平衡相關性和誤差減少，確定用於分析的預測因子子集。與特徵提取相比，特徵選擇保留更多原始數據，並具有簡潔模型、減少過度擬合風險、提高模型泛化能力等優勢。特徵選擇方法包括過濾法、包裝法、嵌入法和混合法，應根據具體情況選擇最適合的方法進行特徵選擇。
數據缺失的挑戰
在處理數據缺失或遺漏值時，特徵選擇面臨著挑戰。可以採用兩種方法：先進行特徵選擇，再對缺失值進行估算，或者先估算缺失值，再進行特徵選擇。選擇哪種方法取決於使用的數據和模型的目的。有些技術可以處理缺失數據，如決策樹法，但有些技術則無法容忍缺失數據，如支援向量機、神經網絡、廣義線性建模等。後一種方法容易產生歸因偏差，使得預測因子在歸因過程中變得重要。因此，根據預測因子的數量、計算能力、問題類型、缺失量和缺失類型等因素來選擇正確的方法進行特徵選擇。在大多數情況下，建議在歸因後進行特徵選擇，但具體方法仍需根據情況進行調整。
因果推論(causal inference)
因果推論是研究介入措施或政策影響的一種方法，其挑戰在於僅能觀察到實際接受治療的結果而無法觀察到未接受治療的對照結果，導致對因果參數的估計需要依賴關鍵且無法檢驗的假設，如已觀察到影響治療分配和預後治療結果的所有共變數。而機器學習可提供有效的方法來選擇潛在干擾因子，例如利用變項在結果模型中的重要性預先篩選共變項或使用專為因果推論設計的變量選擇方法。然而，這些方法不能替代正式的因果推論工具和主題相關知識，因此，越來越多的人建議使用敏感性分析來評估因果效應估計值對未觀察到的干擾因子的敏感程度。
在HERO領域中，因果推論常通過傾向分數(PS)模型來建立配對樣本，進而估計平均治療效果(ATE)。儘管羅吉斯回歸模型常用於PS模型，但機器學習方法如隨機森林、分類樹、回歸樹和最小絕對收縮選擇算子等更靈活，並能降低治療效果估計值的偏差。然而，這些方法著眼於最小化均方根誤差，並非針對因果參數的估計。
為了克服「使用PS調整干擾因子」的挑戰，一些延伸方法如制定機器學習算法的損失函數來平衡樣本配對，但實際上仍難以顯著減少偏差。因此，建議優先考慮對結果最有預測性的變量，但最終仍需主觀判斷。
Targeted maximum likelihood estimation （TMLE）是一種專為解決此挑戰而設計的方法，能給出無偏差的治療效果估計值，特別適用於估計更複雜的因果參數，如動態治療方案等介入措施的影響。超級學習器(super learner)則是一種器集合方法，與TMLE一起使用能克服模型未設下規範造成的偏差。
此外，因果關係的機器學習方法還可應用於估計異質性的治療效果，這對於HEOR領域尤其重要，因為它可以提供更深入了解個體間微小治療效果的潛在訊息，為個人化治療決策提供支援。
經濟評估(economic evaluation)
經濟評估在現實應用中存在著許多不確定性和假設，臨床試驗證據雖可提供臨床效益和比較效果的資訊，但無法代表真實世界，也無法生成符合經濟模型需求的參數。健康經濟模型需要更好處理醫療服務複雜性，並面臨著參數、結構和抽樣不確定性的挑戰。
透明度和可解釋性(transparency and explainability)
透明度和可解釋性在醫療決策中至關重要。主要決策者包括監管機構、醫療技術評估機構和付費者代表，逐漸將透明度納入決策考量。特別是在人工智慧領域，一些機器學習演算法的黑箱性質可能帶來未預期的偏差，這可能反映出健康照護中診斷、治療方面的差異、醫療浪費或潛在有害的臨床照護。機器學習的應用範圍涵蓋探索性研究到假設檢定等整個領域，對於假設檢驗和臨床決策，需要更高的透明度和審查，可解釋性對醫療決策者和患者非常重要，不同方法的可解釋性各不相同。
近期的報告指引和準則要求提高方法和模型參數的透明度，提供更多關於訓練、測試和驗證的具體資訊。儘管如此，醫療相關從業人員、政策決策者和患者對於機器學習在健康照護中的應用仍有疑慮。因此，工作團隊建立了"PALISADE Checklist"，幫助機器學習開發者將其方法的適當性傳達給利害關係人和醫療決策者。
PALISADE Checklist－評估機器學習對利害關係人和決策者之透明度的主要考量因素
結論
機器學習在健康經濟和藥物研究領域的應用具有潛力，可有效地解決大數據探勘和複雜模型建構的問題。特徵選擇方法可以幫助研究人員在眾多數據中找出與研究問題相關的變量，增加模型的準確性和可靠性。然而，特徵選擇僅是研究的一部分，不能取代HEOR中相關領域專家所建立的假設。機器學習可以應用於動態模擬模型等新興HEOR方法，進一步提高研究的深度和廣度。
在使用機器學習時，需要注意到可能引入的偏差問題。健康照護資料庫中難以接觸到的服務群體可能導致資料的偏差，這需要決策者有所警覺並采取積極措施來解決。此外，機器學習方法的透明度和驗證技術的進步也將影響對其方法的信任程度，因此報告的透明度和驗證技術的進步至關重要。
PALISADE Checklist提供了評估機器學習模型透明度的普遍考慮因素，鼓勵HEOR科學家和機器學習專業人士之間的合作，以共同學習和進步。隨著機器學習應用的不斷擴大，對其方法的信任度將取決於透明度和驗證技術的不斷提高，其有助於確保方法的可靠性和再現性。
機器學習在健康經濟和藥物研究領域的應用具有潛力，可有效地解決大數據探勘和複雜模型建構的問題。特徵選擇方法可以幫助研究人員在眾多數據中找出與研究問題相關的變量，增加模型的準確性和可靠性。然而，特徵選擇僅是研究的一部分，不能取代HEOR中相關領域專家所建立的假設。機器學習可以應用於動態模擬模型等新興HEOR方法，進一步提高研究的深度和廣度。
在使用機器學習時，需要注意到可能引入的偏差問題。健康照護資料庫中難以接觸到的服務群體可能導致資料的偏差，這需要決策者有所警覺並采取積極措施來解決。此外，機器學習方法的透明度和驗證技術的進步也將影響對其方法的信任程度，因此報告的透明度和驗證技術的進步至關重要。
PALISADE Checklist提供了評估機器學習模型透明度的普遍考慮因素，鼓勵HEOR科學家和機器學習專業人士之間的合作，以共同學習和進步。隨著機器學習應用的不斷擴大，對其方法的信任度將取決於透明度和驗證技術的不斷提高，其有助於確保方法的可靠性和再現性。
