防疫的數據驅動思維

如果大家有記得疫情指揮中心對於北農疫情分析，應該看到這一張圖後，就會有比較放心的感覺。這張圖透過地理座標及藍點確診數的聚集，顯示北農的確診數在批發市場的周圍攤商。

圖、北農確診地區散佈圖(資料來源:疫期指揮中心)

同一天，疫情指揮中心也公布了媒體持續質疑台灣死亡率為何比較高的這個問題?指揮中心的分析圖，比較了重點國家時間序的致死率，顯示各國家在疫情流行階段初期死亡率較高的時間曲線圖，發現台灣死亡率初期並不比歐美國家高。這樣的顯示，至少破除了台灣醫療能力不足的說法。

圖、重點國家致死率時間序比較(資料來源:疫期指揮中心)

以此，包含唐鳳政委協助的口罩地圖、簡訊實聯制等，都是善用數據驅動的防疫作為。事實上，公共衛生、流行性疫情的防止，就是源起於數據驅動。

數據驅動的現代流行性病學

早在18世紀末，霍亂影響英國、整個歐洲，就打開了數據驅動公共衛生的第一場戰役。那時，微生物學還沒有發展，並不清楚霍亂到底是怎麼引起的? 要如何避免? 當時，有一個說法是來說霍亂來自於城市內的惡臭空氣，透過除臭可以減少霍亂的傳播。1848年，英國發生了最慘烈的霍亂疫情，死亡人數高達5萬人。一名麻醉科醫師斯諾，開始著手調查。首先，斯諾接觸病患，了解有許多症狀都有腸胃的症狀，判斷可能是從口感染。進一步，挨家挨戶地訪查疫情、發現可能與水有關、調查了供水公司配管數據等；進一步透過死亡的案例，繪出了城區病例的散佈圖。斯諾發現到病例(圖示”圓點”)集中在broad街的那一個汲水管(圖示方框”X”)。後來，斯諾說服地方首長將此汲水管拆除，慢慢地平息了霍亂。30年後，終於透過顯微鏡研究證實霍亂細菌透過水的傳播，斯諾被稱為「現代流行性病學之父」。

圖、斯諾的霍亂病例散佈圖

是不是非常像疫情指揮中心的北農確診案例散佈圖呢? 事實上，1858年，現代護理學奠基者南丁格爾，也創造了極區圓餅圖視覺化圖形。這種圓餅圖依時間序，顯示了淺藍色、紅色因為傳染病或其他疾病死亡比深黑色因戰爭受傷而死亡人數還高，顯示戰爭中病人照護的問題。因此，南丁格爾積極說服英國政府改善照護環境，讓英軍從42.7%的死亡率，降到2.2%。戰爭結束後，南丁格爾也積極地說服政府利用一致的醫療表格，蒐集與彙整不同醫院的病人復原時間、死亡時間、不同疾病死亡率等以提高醫療照護水準，可說為現代「實證醫學之母」。再仔細看看這張圖，是不是跟疫情中心的重點國家致死率時間序比較，一樣都是利用時間序來觀察趨勢、比較案例呢?

圖、南丁格爾的極區圓餅圖

170年後的今天，這樣的事實數據的蒐集來進行疫情釐清與防止，仍非常重要。

數據驅動企業的啟示

從前述的數據驅動流行性病學、公共衛生的故事，對照現代追求數據驅動企業來說，有甚麼樣的啟示呢? 有以下幾點讓我們深思:

• 客觀事實: 數據驅動講求的是客觀事實，而非人們主觀的經驗去臆測。前述的歷史故事，有賴專家挨家挨戶的訪談破除霍亂由空氣傳染的主觀判斷；現在則利用諸如智慧手機訊號、疫調數據上網等技術協助蒐集與彙整；企業設備數據，就可以透過物聯網來知道設備數據的稼動率、溫度、轉速等客觀事實。
• 視覺呈現: 視覺化呈現可以讓人們可以掌握事實、釐清真相，並能夠說服人們產生行動。例如:疫情指揮中心北農確診地區散佈圖，產生具體隔離與不隔離的行動、南丁格爾極區圓餅圖說服英國政府投入資源改善軍人照護環境。在數據驅動企業中，我們更可以利用智慧手機、雲端服務來隨時監控設備狀況，甚至產生警告來驅動人們進行決策、行動。例如:鼎新電腦設備雲利用機聯網蒐集設備數據，可以透過智慧手機、生產現場大屏，以視覺化、警告通知等，提醒現場作業員、主管注意。
• 尋找規律: 蒐集完數據後，透過視覺化呈現，也可以進一步去尋找規律、關聯或分析因果關係來進行事實的釐清。例如:斯諾發現Broad街汲水管周遭的確診規律，進一步進行訪查釐清關聯，如:附近的啤酒工廠老闆沒有確診，因為只喝啤酒不喝水等。或者我們也可以看到各地衛生局利用疫調建立確診關聯圖來釐清傳染的因果關係。尋找關聯或分析因果關係最為困難，但有愈來愈多的大數據分析工具、AI技術等，可以輔佐我們。但即使利用簡單的視覺化圖表，我們也可以透過前述的散佈圖、時間序、案例比較等方法來協助初步的判斷。例如:透過以下的時間序柱狀圖，我們的客戶很快地分析交接班期間設備閒置率高，可能來自於交接班績效認定上的管理問題。

圖、時序圖顯示交接班管理問題(資料來源:鼎新電腦)