作者：高雄醫學大學附設中和紀念醫院 急診部 蘇則聿 醫師

相關文章：[快訊] 蘇則聿醫師團隊，使用深度學習判斷 X 光片橫膈下空氣以做預警系統之研究，獲 Journal of Clinical Medicine 刊登！

不幸的案例，進步的契機。

當初想發表這篇論文，其實是源自一位醫師同事所遇到的不幸臨床案例。

有個失智的病人，因為上腹痛至本院急診室求診，在症狀治療後，病人的症狀有改善，抽血檢查報告和胸部、腹部 X 光，在臨床醫師初步判讀下也無明顯異常，所以就先讓患者離院並安排三日內門診追蹤。

不料，隔日該位看診醫師收到本院放射科醫師傳來的危機值報告，提醒病人的胸部 X 光有橫膈下游離空氣，疑似有腹內中空器官破裂之疑慮，於是這位同事立即打電話給病人欲做進一步的檢查，卻得到病人離院當晚已過世的不幸消息，後續也因此遭受相關醫療糾紛之煎熬。

人工智慧與醫療結合，併發出火花。

透過和中山大學電機工程系劉教授合作的機會，利用目前急診發展最夯的人工智慧，請劉教授設計了一套軟體，讓機器深度學習來協助臨床醫師增加胸部 X 光橫膈下游離空氣的診斷正確率，將電機工程應用在醫學上來減少醫師的誤診率。

這項研究使用 667 張 X 光，其中 587 張做訓練，80 張做測試，讓機器藉由大量正常的、異常的胸部 X 光來判讀學習，分辨何者有橫膈下游離空氣的異常 X 光，並提出警訊提醒臨床醫師注意。

尤其是急診科醫師，每日都要在同一時間內面對並處理大量的病人，難免因為疏忽或過度忙碌而誤診，再加上胸部 X 光在診斷橫膈下游離空氣的敏感度及特異度都不高，臨床上比較容易被忽略或無法確定診斷，所以經由不斷加強機器的深度學習後，我們可以提升機器的診斷正確率達到 85%，並使 Sensitivity 和 Specificity 達到 87.5% 及 82.5%，而 AUC 則可達 0.889，其準確度對協助臨床醫師診斷橫膈下游離空氣幫助很大。

減少誤診率，對醫生和患者都是福祉。

胸部 X 光有橫膈下游離空氣，臨床上最常見的是消化性潰瘍穿孔，主訴較常見是急性上腹痛合併噁心、嘔吐，但是臨床上有許多腹腔疾病症狀都很類似，比如：急性胃炎、單純消化性潰瘍或胃食道逆流、膽道或膽囊結石或發炎及胰臟炎等。

胸部 X 光的橫膈下游離空氣，有些影像不是很清楚，臨床醫師常會忽略，造成病人傷害並引發醫療糾紛，所以藉由機器深度學習來協助並提醒醫師橫膈下游離空氣的存在，進而安排腹部電腦斷層檢查做進一步的診斷，可以大大減少誤診率及增進病人安全，也可避免醫師因為醫療糾紛所承受的痛苦。

人工智慧與醫療結合是近年醫學之突破及發展目標，可以使用的層面很廣，包括心電圖判讀、內視鏡報告及病理報告等。但人工智慧並不能取代醫師問診病人及開立合適的檢查，其目的主要是協助醫師對開立的檢查進行判讀、減少誤診。

在台灣健保制度的高病醫比下，每位臨床醫師都必須同時照顧許多病人，分身乏術和過度疲勞之下，難免偶爾會因為疏忽而誤診，期盼不久的將來，此人工智慧系統能順利應用在各醫院，提醒醫師橫膈下游離空氣的存在，就能減少誤診及醫療糾紛，對病人安全也是莫大的福祉。

最新活動