Hype or Hope?

      奧斯勒(William Osler)說:「醫學是不確定的科學和或然率的藝術」。其中，急診醫學更是這個說法的體現。急診醫師必須在診斷未明前，一邊穩定病人病況，一邊釐清潛在問題，才能進行後續治療。同時，急診醫學也是專門處理具有時效緊迫性疾病的醫學，包括到院前心跳停止、重大創傷、急性腦中風或是急性心肌梗塞等。急與亂，可說是最能代表急診醫學精神的兩個字。   

      為了要在急與亂的環境中維護病人安全，絕大多數急診採用檢傷分類方式將病患分出不同的時效緊迫度。在檢傷分類站負責處理病患的護理師，通常是由資深人員擔任，根據病人的主要症狀以及生命徵象等，依照制式流程將病患分級。檢傷分類為第一級的患者，在醫療能量許可下，應優先接受醫師診治，例如到院前心跳停止病人需要立即接受心肺復甦術治療。即使檢傷分類為第三級的患者比第一級的患者在時間上先掛號，也必須等待醫師診治第一級病人後方得就診。因此，檢傷制度的精神就是利用系統性的方式，從眾多雜亂無序的病人群中，進行風險評估，讓風險高的病人優先於風險低的病人看診，使急診室有限的資源做最有效率的利用。目前絕大多數急診的數位化程度均已達到一定的高水平，不僅病歷製作電子化，包括病患留觀期間的生命徵象紀錄、護理紀錄、抽血檢驗結果以及各種X光或是電腦斷層影像亦已數位化。如此龐大的資料量正是利用人工智慧演算法進行即時風險評估以及危險偵測的利基。

      在新冠肺炎病毒肆虐全球時，就有不少醫院利用電子化病歷針對疑似或是確診新冠肺炎病人進行風險評估。於2020年4月，疫情剛爆發時，全球都面臨因PCR檢測試劑短缺，而無法針對疑似感染新冠肺炎病毒之病人進行篩檢的問題。Soltan團隊^(註一)利用英國牛津大學醫療體系的資料，利用急診入院的電子病歷資料訓練人工智慧演算法，成功開發可以準確排除非新冠肺炎病毒感染患者的模型，而將疑似感染的患者予以隔離，避免在急診或是醫院內交互感染造成群聚爆發。另一方面，正如我們所熟知，新冠肺炎病人容易遭受沉默缺氧危機，導致呼吸衰竭延遲發現而來不及介入治療以致憾事發生。為了應付已經陷入呼吸衰竭的新冠肺炎病人，醫療團隊常常需要借助氣管內管插管合併呼吸器治療。然而，執行氣管內管插管是個非常容易產生飛沫的醫療行為。於2020年初疫情剛爆發時，因為口罩短缺，致使許多醫護人員在執行氣管內管插入時沒有適當防護而被感染。因此Bolourani1團隊^(註二)利用美國紐約州Northwell Health醫療體系醫院的急診入院電子病歷資料，以機器學習方式，成功開發出可以預測入院新冠肺炎病人於48小時內呼吸衰竭風險的模型。假設預測風險偏高，則建議將病人及早入住單人病室或是加護病房以應付可能的氣管內管插管需求並避免過程中的院內交叉感染。Soltan團隊以及Bolourani1團隊，分別於2020年疫情剛爆發時，在狀況最危急的地區，亦即倫敦和紐約，利用電子病歷的大量資料，以人工智慧演算法，成功開發出可以立即應用的預測模型進行風險評估。如果以傳統病歷資料收集方式，恐無法應付新冠肺炎指數型成長的病人數以及相關的臨床資料，也無法隨著疫情變動即時進行模型的更新。

      Soltan團隊以及Bolourani1團隊利用急診電子病歷的研究結果固然令人振奮，然而現今人工智慧的最大考驗並非來自於演算法開發以及模型建立，而是模型的落地應用，亦即人工智慧是否真的能在第一線協助醫療人員使流程更順暢。舉例來說，急診醫學的另一個重要特色是，其診治的病患不僅限於醫院內，亦包括到院前的醫療。大家現在熟悉的119到院前出勤以及進行急救，事實上是近20年來在前人耕耘下才逐漸茁壯的。對於到院前心跳停止病人，急救復甦指南一再指出:Time is life! 因此，在通報者發現疑似心跳停止病患撥打119時，救災救護指揮勤務中心派遣員，於第一時間根據報案者描述，確認病患心跳停止並且指導通報者進行心肺復甦是非常重要的。於2019年一份報告，Blomberg團隊^(註三)因此利用勤務中心電話語音紀錄，利用人工智慧演算法訓練模型，指出人工智慧演算法在歷史性回溯資料中可以比派遣員更快地辨識出心跳停止病患。然而，於2021年，Blomberg團隊^(註四)團隊利用隨機分派臨床試驗，實地驗證人工智慧演算法是否真能在第一線應用時縮短辨識時間；然而，結果指出，由人工智慧演算法協助的派遣員，其辨識心跳停止病患的時間並未顯著短於一般派遣員。人工智慧演算法是否真能落地應用， 需要更多研究驗證。

      總之，在充滿不確定性的急診醫學，利用人工智慧爬梳紛至沓來的臨床資訊進行即時風險分級或是其他任務以輔佐醫師看診，確實是令人期待的。就像電影鋼鐵人的人工智慧電腦助理Jarvis一樣，急診醫師如能有人工智慧輔佐，在戰場一般慌亂的急診現場，確實能無往不利。然而，現今人工智慧演算法的研究，多以模型開發為主。人工智慧演算法是否真能落地使用，而不是紙上談兵，將是未來人工智慧技術應用的關鍵。

註一：Soltan AAS,et al. Rapid triage for COVID-19 using routine clinical data for patients attending hospital: development and prospective validation of an artificial intelligence screening test. Lancet Digit Health. 2021;3(2):e78-e87.

註二：Bolourani S, et al.A Machine Learning Prediction Model of Respiratory Failure Within 48 Hours of Patient Admission for COVID-19: Model Development and Validation. J Med Internet Res. 2021;23(2):e24246.

註三：Blomberg SN, et al.Machine learning as a supportive tool to recognize cardiac arrest in emergency calls. Resuscitation. 2019;138:322-329.

註四：Blomberg SN, et al.Effect of Machine Learning on Dispatcher Recognition of Out-of-Hospital Cardiac Arrest During Calls to Emergency Medical Services: A Randomized Clinical Trial. JAMA Netw Open. 2021;4(1):e2032320.