內科部心臟血管系 張坤正副院長
人工智慧醫學診斷中心 許凱程主任
急性心肌梗塞及12項心律不整AIoT心電圖院前遠距診斷
隨著醫療發展進步,平均年齡逐漸老化,心血管相關疾病已成為危害人類健康的重要問題,其中心肌梗塞(Myocardial infarction, MI)是最高風險的病症之一,許多患者在未送醫前即已死亡,因此及早發現與診斷心肌梗塞患者是臨床上非常重要的議題。
內科系張坤正副院長(左)、AI中心許凱程主任(右)說名「急性ST段上升型心肌梗塞」判讀模型/公關室提供中國醫藥大學附設醫院張坤正副院長表示,心電圖是診斷此項疾病相當重要的依據,當心電圖表現特異性的ST節段上升時(STEMI)代表的是相對應區域的冠狀動脈血管已達完全堵塞或接近完全堵塞,心室壁全層的心肌細胞開始缺氧壞死,如果沒有儘速恢復血流將造成永久性的心臟損傷以及更高的致命性心律不整與急性併發症風險,如心因性休克、心臟穿孔與心包填塞等。
為解決此臨床問題,本研究團隊已利用人工智慧(Artificial Intelligence, AI)與機器學習建立起了較國內原有之心電圖專家系統更準確的「急性ST段上升型心肌梗塞」判讀模型,結合對12項心律不整的判斷及急診檢傷的自動高風險評分系統,成為一套全方位的急性心肌梗塞心電圖診斷平台,其初期結果已有效地縮短了到院後的D2B(Door to Balloon),也就是恢復心臟血液灌流的時間。
然而,D2B時間的改善只關注到了患者到院後的醫療流程,實際上心肌缺氧開始的時間是患者一開始有症狀的時候。如何縮短心肌梗塞患者從發生症狀到恢復心臟血液灌流,也就是S2B (Symptom to Balloon time)的時間,近年來得到了越來越多的關注。除了適當的衛教讓患者對自己的症狀有所警覺外,是否還有其他方式可以在症狀發生的早期,也就是患者到院前就判斷出心肌梗塞,一方面示警患者儘速就醫,一方面在患者抵達醫院將訊息通知第一線醫療人員及心導管小組,從而減少不必要的時間損耗,進一步減少心肌缺氧時間並保存心臟功能。
再者,國內許多偏鄉地區醫療人力仍嚴重不足,患者即使能夠接受心電圖檢查,卻很有可能缺乏專業醫師做即時而正確的判讀。因此,如何達成能夠將心電圖遠距傳輸並由人工智慧自動化判讀將是縮短S2B時間以及改善偏鄉醫療環境一項至為重要的關鍵。
本院結合了人工智慧心電圖驗算法及小型化個人心電圖機,搭配可為一般民眾操作的簡易型心電圖貼片,希望能夠建立起患者到院前的快速心電圖遠距自動診斷系統,以進一步縮短S2B(Symptom to Balloon)時間,其重要性在於達成於院外場域包括:
- 居家或到院前之救護現場
- 到院前救護車上
- 偏鄉醫療匱乏地區的遠距心電圖診斷
藉此縮短患者症狀發生到心肌梗塞或心律不整被診斷出來的時間。藉由結合個人化簡易心電圖裝置及人工智慧演算法所提供快速而正確的資訊,專業醫療人員或急診、心臟專科醫師可據此給予患者或一線救護人員適當的醫療建議,並在醫院端進行相關治療的準備,減少可能因時間延遲而產生的心臟損傷或相關併發症。
中國醫藥大學附設醫院人工智慧醫學診斷中心主任許凱程指出,本AI模型的建立,整合了心臟科、急診科、人工智慧醫學診斷中心、及資訊室等單位,收集本院2008~2018年間的心肌梗塞病人心電圖約千筆資料,以及正常病人心電圖兩千餘筆,來訓練AI模型;模型訓練完成後,於2020年6月在急診上線,已經臨床實測兩萬張心電圖,準確率可達99.7%,目前朝向將此AI模型往院外場域延伸,已完成軟硬體整合,已可將AI輔助心電圖評估用於救護車及偏鄉地點。
人工智慧醫學診斷/AI 中心 簡介
致力於臨床資料之AI應用,藉由機器/深度學習技術,將巨量資料轉化為有實質功能的人工智慧模型,在臨床專科醫師進行醫療診斷時提供第二專家診斷資訊,並納入專業醫療決策,降低因醫師分析大量醫療數據之負擔。中國附醫AI中心許凱程主任指出四大研究主軸:醫學影像、電生理訊號、電子病歷EHR及基因組資料進行人工智慧開發應用,藉由人工智慧結合大數據,在診斷、治療及預後方面建立完善之智慧解決方案。