智慧急診即時決策支援

      急診部裡的病人什麼時候可以離開? 應該繼續留院觀察，或是安排住院，還是返家療養？這是急診醫師每日面臨的問題。急診醫師要考量的因素很多：病患需求是否得到滿足、是否做了適當的處置、是否有死亡的風險、病情是否已經穩定等。太早讓病人離開可能會讓病人在短期內因為相同原因再度回診；而太晚讓病人離開則會增加滯留急診的病患數量，將急診部擠得水洩不通，造成急診擁塞。因此，如何及早及適當安全地讓病人離部就成為了急診醫師相當頭痛的課題。

      AI模型透過大量電子病歷資料進行學習，預測何時可以離開急診部之相關之重要指標，輔助醫師做出決定，在不影響安全的前提下更有信心地讓病人及早離部，以減少急診擁塞的情況。從進入急診部檢傷起，大量資訊逐一被記錄在電子病歷中，配合資料庫所提供的歷資料做為醫師診療的參考。這些記錄包含病患之基本資料、主訴、生命徵象、醫學檢查等。醫師根據這些資訊進行判斷，AI模型的學習也是如此：透過從過去大量的病歷資料中進行學習，並即時預測重要的離部指標(如病患離部後是否會在三日內因為相同原因返診)，以達到輔助醫師進行判斷的功能。利用龐大的醫療數據庫搭配強大的機器學習模型以突破單一醫師所能累積的經驗與知識，提供更多有用的訊息、輔助醫師決策、進而提升醫療品質與服務，這樣的做法今日已廣泛被認為是人工智慧與醫療領域結合的有效途徑。

      台大資訊系AI^2實驗室藉由大數據技術的開發，在科技部拔尖整合計畫的支持下，與急診醫學部方震中醫師及台大AI中心李佳達博士通力合作。透過台大醫院醫療整合資料庫的協助，收集了超過一百萬筆的大量樣本數，並大範圍提取病人就診歷程上的完整記錄做為訓練模型的基礎，經過系統性的分析找出關鍵特徵訓練預測模型，在重要臨床臨床指標上做出比醫師更為精準的預測，提供醫療臨床決策的參考，同時為了增加模型做出決策的可解釋性，另外開發了相似病歷取回的功能，結合GPU強大的運算能力在彈指間從百萬筆病歷記錄中進行篩選，找出與當前病人排序最為相似的過去病歷記錄，讓醫師更具體的瞭解模型判別的基礎。本技術基於整合決策樹類的模型，結合源自賽局理論的Shapley value提供具有可解釋性之特徵貢獻度以量化兩筆病歷資料的相似程度，在運算上直接對應原始特徵維度，確保了相似度計算時差異的可回溯性。並與關鍵特徵分析的結果相呼應而易於解讀。檢索取回的運算可大量平行化透過GPU的算力快速獲得結果，並可進一步提取排序最前面的病歷記錄進行統計分析，提供醫師額外的決策基礎，也可用於向病人或家屬解釋過去相近就診案例的結果以做為參考。

      上述相關技術主要包含三大部分：關鍵特徵分析、重要臨床指標預測、與檢索相似病歷取回。核心概念為利用龐大醫療數據庫建立機器學習預測模型輔助醫師決策與兼顧可解釋性之實務應用。所開發的技術針對智慧急診場域所設計，可做為決策支援系統之核心。而在資料整合上，現階段不同醫療體系慣用的院內資訊系統(HIS)並不相同，各家醫院因其電子病歷發展的歷程、建置的廠商不同，而缺乏統一的記錄格式，在病歷中所記錄的形態，呈現的樣貌也不盡相同。本團隊基於台大醫療體系的病歷架構進行發展，歷程中所累積的經驗，尤其是分析所得病歷中的重要特徵，將可向外擴散做為其他家醫院改良院內資訊系統的可能方向，期能趨於一致的標準。並借助台大智慧急診系統的成功案例搭配有意願廠商進一步將決策支援系統的核心技術商業化，統一並取得相同或相近的病歷欄位，以期可透過台大醫院病歷資料訓練的模型參數提供給其他醫療院所初始化其專屬的決策支援系統。

      這些開發的核心技術通過臨床實證後，相關的臨床指標預測將可進一步延伸強化現有的系統功能，並推動新的機會發展相關設備。如預測停留時間可進一步整合到醫療中控台提供醫療資源規劃、人員安排、及流動訊息展示，或在醫師平板中設定提醒，條件觸發時可隨即進行下一步的規劃與處置，避免延誤決策時間並達到更精準的動向安排。此外，優化後的預測模型預期受益於特徵數量的減少，將可進一步降低建置運算設備所需的硬體成本。受惠於技術發展階段在前瞻研究累積的經驗，模型預測及檢索相似病歷取回所需的基礎系統建置、病歷資訊系統介接、GPU算力等硬體需求，將更具體的確立，做為未來推動智慧醫療，商業化設計導入時的依據。未來技術應用的對象將可視不同臨床實務需求開發整合更具智能的功能，或視目前的院內系統I/O格式設計專屬的應用程式介面導入智能模組，串接所需的病歷資料系統，並建立院內專屬的雲端運算服務工作站供各項預測模組運行。期望在不久的將來，這些規劃將一步步成為現實，讓臨床醫師與來診病患都可以感受到人工智慧導入急診場域的變化與醫療品質的提升。