延續前一篇的血壓紀錄 App，前一篇的文章中我們將資料流畫出來，並藉由系統架構圖，來掌握安全邊界，知道如果發生模組發生問題時，我們應該如何處理。

但是另外一個需要注意的點是，雖然資料流是正確的，但是資料的完整性不夠，我們該怎麼辦？假設血壓紀錄 App 採用「台灣高血壓學會建議的居家血壓監測 722 原則」：

• 7：連續量測 7天
• 2：每天量 2次（早上起床後、晚上睡覺前各一次）
• 2：每次量 2遍（間隔1-2分鐘，取平均值）
  也就是說，一個人一天會需要量測四次，一週最多會有 28 次。

而我們的血壓紀錄 App 在紀錄一段時間後，有足夠數據之後，就可以依照輸入的數值畫上趨勢圖。
但是問題來了，假如在本週只量兩次血壓：週一 120/80 mmHg，週四 126/82 mmHg。只憑這兩個值可以說明趨勢嗎？

我認為，只有兩筆資料是無法說明趨勢的，我們頂多說週四的數值比週一高，但是少了中間日子的數值，充其量也只能知道數值往上，但是任意給出結論。更何況，若這兩筆數值的量測時間點又不一致，那麼比較的依據又降低了。

退一步想，若 App 要求用戶在一週內需要量測 28 次，但是實際上只有收到 2 次的數據，這代表什麼？有可能是用戶只有在不舒服時候量測，也或者是 App 並沒有加上提醒的功能，所以沒有讓使用者知道量測時間到了。

繪製流程圖時，如果我們只是將有數據的畫上去，並未明確標示「缺資料」，也就是說無論如何，畫面上都可以產生出一個趨勢圖，但是這個趨勢圖是我們期待的嗎？還是我們應該要預期每一天都要有資料，否則無法畫出趨勢圖。

以上這些問題，在設計開發時，我們都需要規劃進去，有些時候，我們需要完整的資料才能夠作分析，有些時候，漏掉幾筆是可接受的。

綜合以上，資料完整性在醫療軟體中，是相當重要的。

AI 資料品質

前面討論了資料完整性的重要性，接下來我們來談談 AI 的資料品質。在使用 AI 時，無論你怎麼詢問，它都可以給出一個回答，若我們給予很差的資料，自然也會得到很差的回覆。我們在 App 中加上一個 AI 摘要的功能，它可以根據我們輸入的數據來給予摘要，這時候若我們提供的數據很少、不足夠判斷時，這時候 AI 的回答離正確就很遠了。
同樣地，如果我們需要收集資料餵給 AI 訓練，若我們的資料量很少，那麼我們雖然也可以訓練出一個模型，但是這個模型因為沒有足夠的訓練資料，於是在實際應用上就無用武之地。

測試資料怎麼分也很重要。同一個人的相近紀錄，一部分拿來訓練，另一部分拿來測試，模型可能對這個人已經很熟悉，結果就顯得特別好。這在模型評估裡常被稱為資料洩漏。醫療器材機器學習良好實務原則也提到，資料要能代表預期使用情境，訓練與測試資料要保持適當獨立。

小結

從血壓紀錄 App 的例子可以看到，資料有存進來，還要看它能不能回答我們想問的事。一週只收到兩筆量測，我們可以呈現這兩筆，卻不能直接說這一週的血壓持續上升。畫面要讓人看出哪些時段沒有資料；少到什麼程度就不適合畫趨勢，也需要在設計時先定義。

AI 摘要同樣只能根據收到的紀錄來寫，資料不夠時就說明限制。若要用這些紀錄訓練或測試模型，除了資料量，還要看資料能否代表預期的使用情境，以及訓練和測試資料有沒有適當分開。最後能說出什麼結論，取決於手上的資料能支持到哪裡。