臺北醫學大學數據處數據長許明暉教授於年會中以「AI時代觀察性健康數據的研究方法」進行數據應用的重要性演講，特別是針對OMOP CDM（通用醫療觀察資料模型）的應用，演講中說明觀察性健康數據的發展趨勢、AI技術在數據分析中的應用，以及OMOP CDM在提升健康數據研究互通性(interoperability)和準確性(accuracy)的重要性。

隨著AI技術的快速發展，在健康數據的聽、說、讀、寫、翻譯、繪圖、影像辨識、數據分析、動畫製作等方面已經顯現出突破性進展，這些技術不僅能夠從自由文本（如：病理報告）中擷取結構化資訊，還能提高數據分析的效率和準確性。AI技術的進步很大程度上得益於硬體算力的突破，尤其是GPU的發展。GPU的高性能計算能力使得大量數據可以在短時間內進行處理和分析，進而加速AI算法在健康數據分析中的應用。

OMOP CDM是一種標準化的數據模型，專門用於統一不同數據源的結構和內容，以便於跨機構、跨國家甚至全球的數據互通性。許教授強調，OMOP CDM在觀察性健康數據研究中具有關鍵作用，因為它能夠將異構數據轉換為可比較的格式，進一步支援多中心研究和大規模數據分析。OMOP CDM是OHDSI項目的核心組成部分。OHDSI是一個國際性的研究聯盟，推動開放科學數據分析和觀察性健康數據研究，OHDSI社群利用OMOP CDM開展多中心、多國的研究，這種模式有助於提升數據的互操作性互通性和研究結果的可比性。目前臺灣的多家醫院已經採用了OMOP CDM來進行數據標準化，並參與了國際研究，如2023年在《JAMA Network Open》上發表的一項由7個國家、11家醫院共同完成的研究。

All of Us是美國國家衛生研究院（National Institutes of Health, NIH）發起的一項大型觀察性健康數據計畫，目的是收集和分析多樣化的健康數據，支援精準醫療的發展，利用OMOP CDM對收集到的健康數據進行標準化處理，這些數據來自電子健康記錄、基因體數據、實驗室結果等多種來源。另外，AI技術在All of Us計畫中被用來分析和預測不同健康指標的發展趨勢，例：預測某些疾病的發生率、治療效果等。AI算法的使用可以在大規模數據中快速識別出潛在的健康風險，並提供治療策略的建議，進而完善個人化醫療。

由於觀察性健康數據來自不同的機構，其數據品質可能存在差異。為了提升數據分析的準確性，需要對數據進行預處理，包括數據清洗、標準化和一致性檢查。

在使用觀察性健康數據時，必須遵守數據隱私保護規範，例如去識別化處理。演講中特別強調了去識別數據在AI研究中的重要性，因為這種數據處理方式不屬於人體研究範疇，因而可以在更大的範圍內進行分析和應用，AI算法的複雜性和黑箱性使得結果的解釋變得困難，未來的研究應該更加關注算法的透明性和可解釋性，以便提升AI應用在醫療數據分析中的可信度。

標準化資料欄位與AI技術的結合將成為未來健康數據研究的主要趨勢。隨著更多國際合作項目的推進和技術的進一步發展，標準化數據為AI發展提供基礎，提供更智慧的醫療解決方案。