microsoft
活动+
 

AI如何提升病人生理监测系统 关键在剔除误报率

Health Science Technologies(HST)执行长大野浩平看好未来AI在各式医疗软硬件上的应用与技术更新。蔡腾辉

除了手术辅助与分析内脏影像的人工智能系统可以协助医疗人员的医疗任务以外,在康复中的病患生理数值观测系统上,现在AI也已有很多应用。过去开发自动体外心脏去颤器(Automated External Defibrillator;AED)与临床手术病患生理数值观测系统的Health Science Technologies(HST)执行长大野浩平表示,找出误报率的来源,进而藉由新式算法将之剔除,才能够真正提升生理监测警报系统的场域应用效率、提升和改善使用者经验。

连续性监测警示系统误报率高 医师护理师疲于奔命

病人躺在医院病床中,医疗人员会使用心跳、血氧、血压等侦测信息系统,连续性了解病人的生理状况,过往都以声音、光线等警示方式,提醒医疗人员病人有紧急状况。然而,医疗物联网仪器误报率太高,研究显示72%-99%的警报都是误报,也因此会让护理师疲于奔命。

在技术分析上,过去能够使用一些过滤机制来协助,然而,如果图形太复杂,就无法准确分析,因此,HST开发监测上能够去除杂音,并且得到清晰波型的传感器。大野浩平认为,藉由AI的方式降低误报率,可让量测方式与身体部位都可以更细致化。

非侵入性检测细腻化 手指血液讯号放大与影像分析

除此之外,现在也可以从血液的颜色来判断健康指数。将LED设备戴在病人手指上,测量手指当中的血液颜色深浅,进而分析健康程度。原理则是将手指中的血流脉动颜色和数据,以LED灯侦测后将讯号放大,分析血氧浓度等数值。不过,在测量的过程中,如果晃动手指,就会侦测到假讯号与发出误报警示,也因此HST藉由AI系统来侦测假讯号,并且将假讯号剔除,降低误报机率。

心率警示系统细分与边缘运算 将成心肺功能AI发展焦点

将心电图(ECG)细部分析后,可以了解心律暂停(Arrest)、心室颤动(ventricular fibrillation;VF)的状况,而这样有生命危险的风险高,也就要通知医师;若有心动过缓(Bradycardia)、心动过速(Tachycardia)、早发性心室收缩(Premature Ventricular Complex;PVC)就需要医疗人员多注意;如果是心室性心搏过速(Ventricular Tachycardia;VT)、病窦症候群(Sick Sinus Syndrome;SSS)、房室传导阻滞(Atrioventricular block;AV block)则是属于心律不整(Arrhythmia)高风险族群。

大野浩平表示,许多AI系统都在云端上分析数据,再传送结果到机构,然而,医疗上的AI应该要与边缘运算(Edge Computing)技术结合,才能够提供实时的检测与应用。智能医疗科技开发,需要工程师与医师携手合作,也需要时间。HST希望担任双方合作的桥梁,目前也提供了许多医疗相关科技,包含与SpO2、NIBP、ECG共同应用的算法。

蔡腾辉

DIGITIMES电子时报智能医疗主编蔡腾辉Mark Tsai
专注研究智能医疗产品技术服务导入场域时,所遇到的困难症结与如何克服要点。
精通中英德语,热爱挑战与Swing Dance。
Facebook:DIGITIMES智能医疗

作者更多专栏

  •     按赞加入DIGITIMES智能医疗粉丝团