醫療新創技術落地的最佳選擇
數位健康新創轉譯產學聯盟整合學術、研究和產業資源,聯合北醫大各學研與事業單位,加速創新數位健康解決方案的商業化。
北醫數據處充沛在地與國際資源
臺北醫學大學臨床研究資料庫
整合北醫體系六家附屬醫院與中心的臨床資料,結合了三千張病床的各種電子病歷數據,數據自1998年開始收集,累積全台灣約430萬名病患的就醫資訊。
全民健保資料庫
北醫作為健保資料庫十大分中心之一,擁有完整且豐富的主題式資料庫,包含門診、急診、住院與藥局等治療明細,更廣納200萬人世代追蹤抽樣檔。
NIH 美國國家衛生研究院資料庫授權
擁有完整癌症基因組圖譜資料庫(TCGA)與美國人全基因體數據庫計畫All of Us資料庫使用權限。
國際標準架構
積極參與國際協會與標準 如OHDSI, FHIR, HL7 和TriNetX等,不僅讓資料庫符合國際數據最新趨勢,更貼近共同資料模型(Common Data Model)的應用。
一站式數據驗證服務
北醫數據處為新創團隊提供了全方位的支援,從初期的可行性評估到後續的資料分析與驗證,都有完整的服務流程
單一窗口溝通需求
一對一溝通專案目標與合作需求,針對不同階段新創團隊提供客製化服務,甚至為前期新創提供初期可行性評估,提高溝通效率。
專業技術與經驗
擁有豐富的數據驗證經驗,擅長藥物比對、醫療器材(如心電圖、CT影像)、生物標記等多項數據種類,結合北醫龐大專業醫師團隊,解決數據使用過程中的各類問題。
數據處理與分析專家團隊
擁有超過20名專業數據分析專家,針對電子病歷、生物資料、健保與一般性數據進行專業處理及驗證,確保數據準確且可供分析,為新創團隊提供可靠的研究基礎。
北醫醫模助新創打造最佳用戶體驗
四大服務 助醫療新創精準掌握市場需求
在全球醫療科技快速發展的浪潮中,北醫醫模為醫療新創團隊提供多項服務,加速商化旅程。北醫醫模擁有多項與新創合作之成功案例,包含協助AI病理診斷系統公司優化產品介面,進行實際操作測試,提供FDA認證申請的重要科學化證據。以及曾為一家創新喉頭鏡公司設計呼吸道處置模擬情境,並邀請麻醉科和急診科醫師進行比較測試,並提供客觀數據分析與專業評估報告,作為外部投資者重點資料。
人因工程驗證
專業評測報告
提供客觀、專業的第三方研究報告,可提供 FDA 與投資人了解產品預期功效、模擬情境試驗結果與評估報告。
風險分析與驗證
辨識產品潛在風險,設計模擬情境進行驗證。
國際資源對接
協助新創進入潛在銷售國家,安排海外驗證,提高國際市場認可度。
產品落地驗證實績
醫守科技開發全球第一套以AI深度學習技術、電子病歷資料,偵測不適當處方診斷與用藥,並獲得美國FDA認證
醫守科技(AESOP Technology Inc.)由現任國際醫學資訊學會主持李友專教授與龍安靖博士,以及北醫訪問學者Jeremiah Scholl博士共同成立,擁有的次級數據橫跨健保美國及台灣數據以及國際多家電子病歷數據,用以開發醫療人工智慧決策支援系統,即時偵測不當診斷與用藥、提供醫師最適建議,以改善臨床決策品質及診斷流程,提供醫療院所病人安全與處方優化解決方案。
殊榮肯定
- 2023 US BIO科技部遴選贊助展覽新創
- 2022 Mayo Clinic Platform_Accelerate 全球前8強新創
- 2021 Meet Neo Star年度精選30強潛力新創,
2021 陽明交大IAPS最佳新創獎 - 更多新聞報導:https://tw.aesoptek.com/news
學術發表
- Chun‑You Chen, Ya-Lin Chen, Jeremiah Scholl, Hsuan-Chia Yang, Yu-Chuan Jack Li, Ability of machine-learning based clinical decision support system to reduce alert fatigue, wrong-drug errors, and alert users about look alike, sound alike medication, Computer Methods and Programs in Biomedicine, 2023, 107869
- Jeremiah Gordon Scholl, An Jim Long, Yu-Chuan (Jack) Li, Reveal irAE by analysis of 197,921 claim-based prescriptions, Journal of Clinical Oncology , 41, 2023 (suppl 16; abstr e13639)
- Islam MM, Li G-H, Poly TN, Li Y-C. DeepDRG: Performance of Artificial Intelligence Model for Real-Time Prediction of Diagnosis-Related Groups. Healthcare. 2021; 9(12):1632.
- Wang CH, Nguyen PA, Jack Li YC, Islam MM, Poly TN, Tran QV, Huang CW, Yang HC. Improved diagnosis-medication association mining to reduce pseudo-associations. Computer Methods and Programs in Biomedicine. 2021 Aug;207:106181.
- Chin YPH,Song W,Lien CE,Yoon CH,Wang W,Liu J,Nguyen PA,Feng YT,Zhou L,Li YC,Bates DW. Assessing the International Transferability of a Machine Learning Model for Detecting Medication Error in the General Internal Medicine Clinic: Multicenter Preliminary Validation Study. JMIR Med Inform 2021;9(1):e23454. doi: 10.2196/23454. PMID: 33502331
- Huang, C. Y., Nguyen, P. A., Yang, H. C., Islam, M. M., Liang, C. W., Lee, F. P., & Li, Y. C. (2019). A probabilistic model for reducing medication errors: A sensitivity analysis using Electronic Health Records data. Computer Methods and Programs in Biomedicine, 170, 31-38. doi:10.1016/j.cmpb.2018.12.033
- Nguyen, P. A., Syed-Abdul, S., Iqbal, U., Hsu, M. H., Huang, C. L., Li, H. C., Li, Y. C. J. (2013). A Probabilistic Model for Reducing Medication Errors. PloS one, 8(12).doi: 10.1371/journal.pone.0082401
「痣能達人」搭載LINE ChatBot,全台第一款利用AI深度學習早期預測皮膚癌風險之消費者線上服務
學術發表
- Chin, Y.P.H., Hou, Z.Y., Lee, M.Y., Chu, H.M., Wang, H.H., Lin, Y.T., Gittin, A., Chien, S.C., Nguyen, P.A., Li, L.C., Chang, T.H. and Li, Y.C.J. (2020), A patient-oriented, general-practitioner-level, deep-learning-based cutaneous pigmented lesion risk classifier on a smartphone. Br J Dermatol, 182: 1498-1500. https://doi.org/10.1111/bjd.18859
- User satisfaction with a smartphone-compatible, artificial intelligence-based cutaneous pigmented lesion evaluator
先知:早期癌症風險數位快篩工具
學術發表
- Machine Learning Approaches for Predicting Psoriatic Arthritis Risk Using Electronic Medical Records: Population-Based Study
- Artificial Intelligence–Based Prediction of Lung Cancer Risk Using Nonimaging Electronic Medical Records: Deep Learning Approach
- Assessment of Deep Learning Using Nonimaging Information and Sequential Medical Records to Develop a Prediction Model for Nonmelanoma Skin Cancer