人工智慧與醫院的急診檢傷

      急診醫療是健康照護醫療中重要的環節，然而，包含台灣在內，許多國家都有研究顯示急診壅塞問題的嚴重性。根據台灣衛生福利部的統計，每年急診醫療的案件數持續上升，從2000年的618萬件到2019年的764萬件，在過去19年數量成長超過23%。急診壅塞會導致健康照護品質顯著下降、醫療可近性明顯不足，也使醫療工作人員的負擔過度加重。這些問題不單對急診醫療造成影響，近來也被認為與醫院的整體運作息息相關。在病人安全方面，研究發現在急診壅塞的情況下，在急診等候醫師看診及急診暫留的時間都會增加，而在此情況下經由急診住院的病人，一周內的死亡率更是上升30%。此外，系統性的醫療失誤及非預期心跳停止等事件，在急診壅塞的高壓情境下發生的機率也較高。研究發現急診壅塞的原因，除了急診本身之外，和過多非緊急的就診病人、頻繁的回診、急診醫護人力不足、住院病房不足等都有關係。因此要解決急診壅塞的問題，必須了解病人及疾病的狀態、評估健康照護資源的運用，以發展出改善的方式。若能早期偵測出病情惡化的症狀及徵候，依此調整治療及監測的方式，將可使醫療資源獲得適當的運用並改善病人的預後。

      急診檢傷分類是對急診患者進行危險分級，目標是將大部分資源分配給急需照護的病人。台灣於2010年實施急診檢傷與急迫度分級量表(Taiwan Triage and Acuity Score, TTAS)，採用加拿大的五級分類系統，根據病人條件分為復甦急救、危急、緊急、次緊急、非緊急五個等，但其分級及預測能力卻未得到充分驗證。根據台大醫院2009到2015年的統計顯示，超過一半 (54%) 的急診患者被分到第三級 ，顯示出此分類系統沒辦法有效的把病人分到不同級數，若是錯誤性的分級過低(under-triage)，將會造成病人急速惡化；若分級過高(over-triage)則將導致有限醫療資源的浪費。

      許多研究顯示機器學習能有效幫助檢傷分級，讓急迫需要醫療的病人得到救治，減少急診壅塞狀況。隨著大數據和機器學習技術在醫學領域的進展，以及深度學習在影像、自然語言處理上的突破，處理文字、影像、文本紀錄、訊息混雜之醫學資訊的能力大幅提升，處理檢傷分類的非結構化資訊的應用已逐漸普及。以影像為例，在許多研究中皆採用病患面部單張或連續影像作為輸入，透過卷積神經網路與遞歸神經網路的深度學習架構，在疼痛分級上獲得一定成效。除上述之疼痛分級外，亦有文獻嘗試運用在檢傷時的病人錄音及影像來做語言與影像辨識，經由回顧性的醫師檢視，來重新進行檢傷分類，即所謂的 E-Triage。而本研究團隊會根據檢傷的訊息，包含電子病歷中的結構化資訊(如生命徵象、疼痛指數、昏迷指數、更多的半結構化資訊)，以及非結構化資訊(如病人主訴的聲音、病人在檢傷時的影像、過去病史與用藥、病人現在病史、理學檢查發現)，再加上病患臉部的特徵去設計一根據深度神經網路架構的自動化檢傷系統。

      此深度神經網路架構的自動化檢傷系統功能包含文本資料分析、語音分析以及臉部特徵分析。在文本資料分析方面，為整合各來源之異質性資訊，團隊將結構化資料(生理訊號、過往病史、用藥資訊及自動化快速視診)以及藉由智慧語音互動完成之患者主訴紀錄轉成文本資料，並設計深度遞歸神經網路去解析文本之中隱藏的含義，並加上了注意力機制使模型能更專注於重要資訊。而在臉部影像分析方面，在透過臉部偵測的演算法將不必要的背景雜訊去除後，以臉部特徵提取的方式將臉部的重要資訊(如眼睛、嘴巴、臉頰等)提取出來、結合病患在檢傷時的臉部特徵，並利用團隊設計的深度卷積神經網路去解析臉部在空間上的特徵表現、及在時序上的特徵變化，藉以觀察到人類難以察覺的隱藏信息並預測最適合的疼痛指數，這層訊息也是判斷檢傷分級的重要關鍵。團隊透過紀錄醫師專業檢傷分級的真實情境完成訓練資料集，模型根據這些醫師標註的資料進行文本與影像的分析，去學習如何預測最適合的檢傷級數和疼痛指數，預期使本系統學習到專業醫師如何分類檢傷，最終能達成近似physician at triage的分級成果，盼望透過自動化檢傷系統能減輕醫護人員的負擔、加速急診檢傷流程，減緩日後急診擁擠的問題，達到醫療資源利用最大化的效益。

圖片來源：衛福/衛福季刊- 衛福_第6期