參賽團隊名稱：MIBT
疾病預測的重要性
台灣預計將於 2025 年邁入超高齡社會，屆時 65 歲以上老年人口將會超過 20%。據統計，近九成老年人患有慢性病，過五成至少有三種慢性病。疾病會影響日常身心狀況，是臨終主要死因，而超高齡社會的龐大醫療支出，將會是台灣社會人民的沉重負擔。
疾病預測模型的開發與應用，有助於提早發現疾病，提早治療，延緩惡化，降低疾病對身心負面影響，改善台灣沉重的健保負擔。
酒癮預測模型
我們以酒癮為例，發展疾病預測模型，依據病史來預測尚未診斷出的疾病。
酒精成癮 (addition) 涵蓋酒精濫用及酒精依賴，會造成個人身心失衡，罹患肝臟、神經系統、代謝、心臟相關等併發症， 對身體造成的傷害性和依賴性，比大麻 (Cannabis) 和搖頭丸 (Methylphenidate) 嚴重，即便是少量飲酒，罹癌的機會為不喝酒的 1.3 倍，過量飲酒會高達 5.1 倍。
過量飲酒本身就會引發社會問題(如酒駕)，而罹患酒癮的人數不降反升，會增加併發症與癌症的病患，加重健保負擔，而偏鄉地區原本就存在的醫療資源不足、安全防護不夠等諸多社會問題更會因此加劇。
酒癮預測模型的開發與應用，有助於提早發現酒癮，提早治療，尤其是邊緣裝置上推論模型的使用，能直接有益於偏鄉地區酒癮問題的遠距醫療診斷與照護。
模型訓練與佈署
我們從超過 180 萬個住院病患的電子病歷資料 (EHRs) 中，挑選全部 12,107 個酒癮患者，與隨機 41,275 個非酒癮患者，使用他們 2006-2013 的病史資料 (包含 1,082 個疾病種類)，進行類神經網路學習。
採用 DNN 的網路架構設計，透過許多參數的組合，利用台灣杉 2 號的運算資源訓練模型，尋找較好預測效果的類神經網路架構模型。
在訓練的結果中，我們發現有幾組參數的模型還不錯。但考量模型大小，記憶體空間等計算資源，因此最後選擇 32,28,24,20,24,28 的 DNN 模型架構，並進一步來進行轉換為 OpenVINO IR 的架構。Tensorflow keras 訓練完的.h5 檔案大小為751K，轉換為 Tensorflow .pb 檔案格式為 235K，轉換為 FP32 格式 IR 檔案為 228K，轉換為 FP16 格式 IR 檔案為 114K。
輸入每一筆資料觀察模型的執行時間：Tensorflow Keras H5 模型推論 53,300 筆所需的時間，共1462 秒，平均 272 秒/萬筆。
OpenVINO IR 模型推論 53,300筆所需的時間，共 32 秒,平均 6 秒/萬筆。推論模型的效能相差約 45 倍。
預測酒癮結合衛教 APP
除了模型的訓練與應用之外，我們還開發的衛教 APP：
使用者可以透過簡單遊戲來獲得關於酒癮的衛教知識：
專案價值與可⾏性
1.提早評估罹病風險
使用此裝置來預測罹患酒癮的可能，可迅速評估罹病風險，進一步提早發現，提早治療，延緩病情惡化，降低疾病對身心的負面影響，改善個人、家庭或社會的醫療負擔。
2.照顧偏鄉或特定疾病高風險族群的健康
針對偏鄉不方便就醫的民眾，以及可能罹患酒癮而不知或不願就醫者，此裝置可提供其照顧者、家屬親友等使用，得到迅速初步的罹病風險評估，作為後續行動的參考。