这场 Lily 的 Data Scientist 面试，真的是我经历过最“跨界”的一次。题目从临床实验设计一路杀到 Health Economics、AI 合规，再到少样本建模，每道题都像在考一个子领域的 mini project。
幸好我提前做過不少功課，而且這場面試也全程開了 Programhelp 的遠端語音輔助，一有卡點就能迅速得到提醒，節奏完全不會亂。下面來詳細複盤每一題
一、數位治療實驗設計
面試官問：
“我們在做一個用於 2 型糖尿病管理的數位治療 app，你會怎麼設計一個實驗，來評估它相較於標準治療的效果？”
我第一個反應是──這題不是傳統那種 clinical trial，得考慮到 app 的使用行為、使用者依從性這些數位介入的因素。
我腦海中有點亂，這時候 Programhelp 的語音提示直接提醒我一句：“先從 primary endpoint 開始！”
我立刻穩住節奏，說：
「首先，我們不能只看 HbA1c 降低，我會加一些 patient engagement 的指標，比如活躍天數、模組完成率這種，衡量 app 實際上有沒有被用起來。”
“然後在實驗設計上，我可能會考慮用 stepped-wedge design，一是因為 ethical（每個人最終都能拿到干預），二是數字產品有可能出現 network effect。”
“而且我覺得 real-world evidence 特別重要，畢竟在實驗室里和現實生活裡用 app 的方式差距會很大。”
追問來了：
“那如果用戶在實驗過程中用了其他 diabetes apps 呢？你怎麼處理？”
這時候我腦子轉不過來是用 ITT 還是 PP 分析，語音助攻直接說：“可以講 IV approach！”
我順著說：
“我們可以用 randomization 作為一個 instrument，做 instrumental variable approach，來估真實的 treatment effect。”
“也可以做 intention-to-treat 和 per-protocol 雙分析，分別看策略 vs 真正使用的人群。”
面試官頻頻點頭。
二、阿茲海默藥物定價
面試官突然問：
“我們新藥對阿茲海默患者 cognitive decline 有 30% 的改善。你會怎麼建模一個 optimal pricing strategy，兼顧 payer 的付費意願和市場進入？”
我一開始還以為要講 ML modeling，正準備說 random forest 來著，結果語音提醒我：“別用模型！這是 health econ 問題，先講 cost-effectiveness。”
我立刻調整：
“我們會先算 ICER，也就是 incremental cost-effectiveness ratio，看每單位健康提升對應的成本。”
“然後再做 budget impact model，站在 payer 角度模擬成本壓力。”
我補了一句 Programhelp 教我的三角平衡句式：
「最後是三個目標之間的權衡：patient access（能用得上）、payer affordability（買得起）、還有 company 的 profitability（賺得到錢）。”
面試官繼續問：
“那長期療效的不確定性你怎麼處理？”
我差點就只說 sensitivity analysis，好在語音提示讓我加上了 Monte Carlo：
“可以做 probabilistic sensitivity analysis，比如 Monte Carlo simulation。還有 value of information analysis，看看有沒有必要進一步收集長期數據。”
三、少樣本疾病建模
這題面試官沒有直接問得很明白，大概意思是──我們現在數據很少，是 rare disease 場景，你怎麼建模？
我腦袋一時間空了，幸好語音提示直接丟了關鍵字：
- “可以用 focal loss 函數來解決類別不平衡問題。”
- “也可以考慮用 GAN 產生合成樣本。”
- “更重要的是，這其實是個 few-shot learning 的問題。”
我就順著這三點展開講了一下實現方法，成功撐住了這一題。
四、AI 合規問題
面試官問：
“FDA 正在製定 AI/ML 在藥物開發中的監管指南。你會怎麼保證我們的模型既合規又能解釋？”
我當時腦子裡只想到 SHAP，但 Programhelp 提醒我：要從法規、解釋性和驗證機制三方面來回答。
於是我先說：
“在法規方面，我會參考 FDA 的 SaMD（Software as Medical Device）指導文件，還有即將出台的 AI/ML model guidance。”
然後補充：
“模型解釋性方面可以用 SHAP 看全局特徵貢獻，LIME 看局部解釋，counterfactual explanations 提供直觀理解。”
“如果是 deep learning 模型，也可以用 attention 機製或 gradient-based 方法。”
最後講驗證：
“模型驗證要有 robust testing（不同人群），還要檢測和緩解 bias，同時上線後要有 continuous monitoring 機制。”
追問來了：
“那你會怎麼寫模型的提交文件？”
這時我幾乎都想說“我們平常沒寫過這麼複雜的文檔”，語音那邊立刻說了句：“Model development lifecycle！”
我立刻回：
“我會準備完整的開發生命週期文檔，包括 data provenance、模型架構設計決策、驗證結果，還有完整的 risk management plan。”
Lily 的面試是一場跨學科硬仗！
這場面試讓我深刻意識到，醫療方向的 DS 不只是做模型，還得會實驗設計、懂政策、算經濟帳、講病患體驗。
非常推薦正在準備 biotech、digital health、或 healthcare tech 職位的同學認真 prep 這類題目。
而這次我能在多個瞬間及時接住追問、邏輯不掉鏈，真的靠的是 Programhelp 的語音助攻服務——每當我腦袋卡頓、思路發散，它都能用一句話幫我穩住結構、給出關鍵詞，有效提醒我怎麼作答、怎麼展開，完全無痕、語速也剛剛好。
如果你也在衝類似崗位，留言一起交流 prep！也可以了解一下 Programhelp 的模擬面試和遠距助攻服務，真的強推。
