国内附医心肌梗塞决策辅助系统 善用AI发挥真正智能医疗

国内医药大学附设医院神经部主治医师/人工智能医学诊断中心主任许凯程。DIGITIMES摄

医疗人工智能近年蓬勃发展，由创新到落地需要跨领域结合，国内医药大学附设医院神经部主治医师暨人工智能医学诊断中心主任许凯程，以「AI辅助STEMI判读系统」实际案例，分享医疗AI如何协助医疗决策，有效缩短疑似心肌梗塞的病患，在抵达医院前就可以预先蒐集数据，让病患缩短等候时间，获得完善治疗。许凯程医师指出，急性心肌梗塞的心电图，希望尽可能迅速且精确完成判读，并在最短时间内完成primary PCI畅通堵塞血管。然而当前ER心电图执行量每月超过5~6千张(，加上有些病患是呈现不典型症状，没有立即进行心电图量测，而错失了黄金救援时间。

对此，国内附医打造「急性心肌梗塞(AMI)治疗平台」，流程设计为病患到诊后，症状有胸痛反应立刻执行ECG，如果是非典型症状，国内附医胸痛中心数据库设计ASAP分数表，指标为年纪、性别、非典型症状、过去病史这四项指标，若加起来大于等于3分就属高危险族群，系统会自动跳出「到诊10分钟内先执行心电图」的建议视窗。之后，流程就透过AI辅助心电图判读，增进STEMI判断准确度与时效性。

不过心电图检查如何训练AI模型有效判读？许凯程指出，他们蒐集10年以上的百万笔心电图数据，交由心脏科医师标记成为一套标准值，累计有肢导层、胸导层两项数据让AI学习。这项心电图AI模型训练是CNN-LSTM神经网络架构模型，内容为6个胸导层连接第一个CNN架构，6个肢导层连接第二个CNN架构，两个CNN架构连接至一个双层的LSTM架构，最后采用binary cross-entropy loss function和Adam optimizer确保为验证数据集中(Validation set)的最佳模型。

他接着提到，STEMI测试数据集二分类判读结果，准确度Accuracy为0.998、模型之AUC为0.9795，目前已获得台湾TFDA认证，正在全台湾推行。AI模型开发完后就要落地应用，也就是让心电图AI模型在院内实地测试，在临床效益评估方面，ASAP score导入后，急诊到院10分钟内完成心电图比例增加，以及急诊开立心电图医嘱到完成心电图时间均有所缩短。

这套系统也能延伸使用场域，从院内延伸到救护车上，过去从D2B(Door to balloon)时间，到S2B(Symptom to balloon)有症状到入院时间，往往病患不易自我判断，到院前最高可延迟达2个小时以上。导入这套系统并与AIoT结合后，帮助病患在到院前的救护车上，执行心电图并上传云端进行AI分析，若判断为急性心肌梗塞，就能及早通知医护人员，让心导管团队及时做好准备。

许凯程最后分享与消防救护单位合作的STEMI临床线上救援案例，从2021年6月上线到11月底为止，目前与台中市10个消防分队、南投县6个消防分队完成在线教育训练，为更多人命做足把关。