Page 35 - 2025 CGMH醫療品質國際研討會大會手冊
P. 35

口頭發表_智慧醫療





      使用深度學習預測心房顫動患者的中風風險                                徵，如年齡、性別、病史及 HRV 等。中風風險通常受多重
      奇美醫療財團法人 奇美醫院智慧醫療中心 陳佳鴻                            因素交互影響，多樣 性數據有助於提升模型預測準確度。 2.
      奇美醫療財團法人奇美醫院 心臟血管內科 林志憲                            優化模型架構：雖然 1D-ResNet 適用於時間序列資料，但在
                                                         辨識細微特徵可能 仍有侷限。未來將訊號轉為圖像，導入
      奇美醫療財團法人奇美醫院 智慧醫療中心 劉忠峰                            多分支神經網路架構，強化模型對預測中 風風險特徵的能
                                                         力。 總結來說，建構 1D-ResNet 模型在中風風險預測上仍具
      目的：隨著環境的變化，如生活、飲食以及壓力相關的工作，                        改善空間，不足以應用於 臨床診斷。建議採用上述兩項方
      中風相關疾病的發生率正 快速上升，對全球醫療造成嚴重                         向進行優化，並進一步整合多模態資料，以符合 臨床實務
      負擔。根據世界衛生組織(WHO)報告，中風已成 為僅次於心                      需求。
      血管疾病的第二大致死疾病[1]，早期診斷與預防是重要議題。                      關鍵字：心房顫動、中風、深度學習
      因此，心房顫動（Atrial Fibrillation，AF）是最常見的心律不
      整，特點是心房不 規則且快速跳動，導致發作時出現無規
      律的心跳。AF 期間，心房無法正常收 縮，可能導致血栓在                       建置全靜脈營養(TPN)智慧開方系統以提升醫療
      心房內形成，這些血栓一旦脫落並進入大腦血管，可能引發                         安全與作業效率
      缺血性中風。AF 會顯著增加的中風風險，早期預測高風險                        林口長庚紀念醫院藥劑部 蘇芳玉
      並制定有效的預防。本研究基於深度學習預測 AF 中風風險，                      彭益洵 林美怡 謝昆霖 張美惠 蔡慈貞 黃茗沂
      以一維殘差神經網路(1D-ResNet)網路， 使用心電圖(ECG)，
      預測 AF 中風風險 。 本研究的主要目標如下： 1.提升診斷人                   目的：過去，全靜脈營養（Total Parenteral Nutrition, TPN）
      員效率：透過 ECG 訊號分析，提早預測中風風險。 2.開發深                    處方開立過程中，醫師需先 選擇 TPN 品項後，然後在備註
      度學習模型：應用 1D-ResNet 演算法，訓練並驗證 AF 預測                 欄進行自由輸入（free typing）調整營養素與電解 質濃度配
      中風風險， 優化診斷效果。 3.驗證模型：透過 ROC 曲線評                    方。然而，若醫師對 TPN 品項或電解質濃度調整計算不熟悉，
      估模型效能，適用於臨床診斷。                                     可能導 致不適當的電解質配方錯誤，並且在處方過程中需
      方法：A. 數據收集 本研究數據來自奇美醫療財團法人奇美                       與藥師反覆確認，增加醫師與 藥師間的溝通負擔，延長處
      醫院，並通過人體試驗委員會（IRB）審 核，IRB 編號：                      方確認時間，影響臨床作業效率。此外，處方確認 後，藥
      11212-005。資料收集對象為 18 歲以上新診斷缺血性中風的                  師仍需人工計算並手寫配方內容於藥籤上，增加計算與謄寫
      AF，對照組為 18 歲以上患有 AF 但尚未發生缺血性中風者，                   錯誤的風險。
      資料期間為 2016 至 2023 年，共計 34,924 筆紀錄。由於各導             方法：建置 TPN 新開方系統，當醫師選擇 TPN 品項後，系
      程的紀錄時間長短不一，考量深度學習 建模效果，使用前 4                       統將自動載入標準 TPN 配 方(含營養素與電解質濃度），醫
      秒的訊號進行分析（不足 4 秒者排除或 ECG 紀錄檔損毀的                     師再根據病人個別需求(如電解質異常、營養狀 態)進行適當
      資料），最終共收集 3,872 筆可用紀錄。80%紀錄用於訓練，                   調整。此外，系統內建磷、鉀、鈣、氯、鈉等電解質濃度自
      20%紀錄用於測試， 評估模型指標。 B. AF 預測中風風險系                   動檢核 功能，若濃度超過建議範圍時，系統將以紅字警示
      統模型 目前有多種傳統方法可用來從信號中提取特徵，如                         並限制存檔，以確保處方適當 性。處方資訊將自動傳送至
      濾波（filtering）方法、變換 （transformation）方法和振幅           藥師審核畫面，並同步列印於配方藥籤，從而減少醫 師處
      （amplitude）方法。然而，傳統方法不適用於關鍵 的 ECG                  方電解質配方錯誤件數，以及藥師在計算與謄寫過程中的錯
      應用。在早期階段，僅使用傳統方法和機器學習技術進行                          誤風險。
      ECG 分析，所 以需要 1D-ResNet 的特徵結構，來自 ResNet             結果： TPN新開方系統於2023年9月正式上線，並建立了標
      概念[2]，透過殘差連結（Residual Connections），解決深層
      神經網路的梯度消失（vanishing gradient）問題，提升訓 練              準化處方資訊格式，醫囑開立後自動填入藥囑備註欄及TPN
                                                         藥品標籤，改善傳統自由輸入錯誤電解質配方問題。統計分
      效果。                                                析使用獨立樣本t檢定，結果顯示，系統導入前（2022年9月
      結果：實驗一： 納入 12 導程，預測中風風險模型，AUC 為                    至2023年8月），醫師每月平均處方錯誤件數為6.75件（錯
      0.55 實驗二： 納入 I 導程，預測中風風險模型，AUC 為 0.54              誤率0.44%）；而導入後（2023年10月~2024年9月），錯誤
      納入 II 導程，預測中風風險模型，AUC 為 0.56 納入 III 導程，            件數顯著下降至0件/月（錯誤率0%）（p<0.05），有效減少
      預測中風風險模型，AUC 為 0.55 納入 aVR 導程，預測中風                 了處方錯誤。新系統可自動列印調製配方藥籤，供藥師線上
      風險模型，AUC 為 0.58 納入 aVL 導程，預測中風風險模型，                審核，取代傳統人工計算與謄寫步驟，藥師計算或謄寫錯誤
      AUC 為 0.57 納入 aVF 導程，預測中風風險模型，AUC 為 0.54           顯著降低，觀察期間未發生錯誤事件，藥師單筆處方審核時
      納入 V1 導程，預測中風風險模型，AUC 為 0.56 納入 V2 導
      程，預測中風風險模型，AUC 為 0.54 納入 V3 導程，預測中                 間由15分鐘縮短至8分鐘，每日可節省7.7小時（每日平均66
                                                         筆處方×7分鐘÷60分鐘）。
      風風險模型，AUC 為 0.58納入 V4 導程，預測中風風險模型，                 結論：本系統有效提升TPN處方準確性，降低醫師與藥師間
      AUC 為 0.55 納入 V5 導程，預測中風風險模型，AUC 為 0.59            重複確認所需的時間，提高作業效率。同時，處方資訊可自
      納入 V6 導程，預測中風風險模型，AUC 為 0.59                       動列印於藥品標籤，並同步傳輸至TPN調配機，達成閉環管
      結論：本研究使用 1D-ResNet 模型預測 AF 的中風風險，但                 理。此系統亦能降低標籤耗材成本，增強異常管控機制，並
      整體預測能力仍顯不足，不 同導程 AUC 值介於 0.54 至 0.59               透過異常警示與審核追蹤機制，確保醫師處方與藥師審核均
      之間，難以有效區分中風與未中風的 AF。此外，在Accuracy                   符合標準，進一步促進作業流程標準化，提升醫療安全與品
      與 Recall 等指標上表現不佳，特別在 Sensitivity 與 Specificity    質。
      方 面，未達臨床所需的標準。 模型預測準確度不足，無法                        關鍵字：全靜脈營養智慧開方系統、TPN、醫師處方錯誤、
      滿足臨床需求。因此，提出以下方向： 1.提升數據多樣性：                       閉環管理
      使用訊號作為輸入，可能限制其泛化能力。納入其他臨床特
   30   31   32   33   34   35   36   37   38   39   40