中國附醫心肌梗塞決策輔助系統 善用AI發揮真正智慧醫療 智慧應用 影音
DFORUM
IC975

中國附醫心肌梗塞決策輔助系統 善用AI發揮真正智慧醫療

  • DIGITIMES企劃DIGITIMES企劃

中國醫藥大學附設醫院神經部主治醫師/人工智慧醫學診斷中心主任許凱程。DIGITIMES攝
中國醫藥大學附設醫院神經部主治醫師/人工智慧醫學診斷中心主任許凱程。DIGITIMES攝

醫療人工智慧近年蓬勃發展,由創新到落地需要跨領域結合,中國醫藥大學附設醫院神經部主治醫師暨人工智慧醫學診斷中心主任許凱程,以「AI輔助STEMI判讀系統」實際案例,分享醫療AI如何協助醫療決策,有效縮短疑似心肌梗塞的病患,在抵達醫院前就可以預先蒐集數據,讓病患縮短等候時間,獲得完善治療。許凱程醫師指出,急性心肌梗塞的心電圖,希望儘可能迅速且精確完成判讀,並在最短時間內完成primary PCI暢通堵塞血管。然而當前ER心電圖執行量每月超過5~6千張(,加上有些病患是呈現不典型症狀,沒有立即進行心電圖量測,而錯失了黃金救援時間。

對此,中國附醫打造「急性心肌梗塞(AMI)治療平台」,流程設計為病患到診後,症狀有胸痛反應立刻執行ECG,如果是非典型症狀,中國附醫胸痛中心資料庫設計ASAP分數表,指標為年紀、性別、非典型症狀、過去病史這四項指標,若加起來大於等於3分就屬高危險族群,系統會自動跳出「到診10分鐘內先執行心電圖」的建議視窗。之後,流程就透過AI輔助心電圖判讀,增進STEMI判斷準確度與時效性。

不過心電圖檢查如何訓練AI模型有效判讀?許凱程指出,他們蒐集10年以上的百萬筆心電圖資料,交由心臟科醫師標記成為一套標準值,累計有肢導層、胸導層兩項資料讓AI學習。這項心電圖AI模型訓練是CNN-LSTM神經網路架構模型,內容為6個胸導層連接第一個CNN架構,6個肢導層連接第二個CNN架構,兩個CNN架構連接至一個雙層的LSTM架構,最後採用binary cross-entropy loss function和Adam optimizer確保為驗證資料集中(Validation set)的最佳模型。

他接著提到,STEMI測試資料集二分類判讀結果,準確度Accuracy為0.998、模型之AUC為0.9795,目前已獲得台灣TFDA認證,正在全台灣推行。AI模型開發完後就要落地應用,也就是讓心電圖AI模型在院內實地測試,在臨床效益評估方面,ASAP score導入後,急診到院10分鐘內完成心電圖比例增加,以及急診開立心電圖醫囑到完成心電圖時間均有所縮短。

這套系統也能延伸使用場域,從院內延伸到救護車上,過去從D2B(Door to balloon)時間,到S2B(Symptom to balloon)有症狀到入院時間,往往病患不易自我判斷,到院前最高可延遲達2個小時以上。導入這套系統並與AIoT結合後,幫助病患在到院前的救護車上,執行心電圖並上傳雲端進行AI分析,若判斷為急性心肌梗塞,就能及早通知醫護人員,讓心導管團隊及時做好準備。

許凱程最後分享與消防救護單位合作的STEMI臨床遠距救援案例,從2021年6月上線到11月底為止,目前與台中市10個消防分隊、南投縣6個消防分隊完成線上教育訓練,為更多人命做足把關。