AI如何提升病人生理監測系統 關鍵在剔除誤報率 蔡騰輝 2019-11-22除了手術輔助與分析內臟影像的人工智慧系統可以協助醫療人員的醫療任務以外，在康復中的病患生理數值觀測系統上，現在AI也已有很多應用。過去開發自動體外心臟去顫器(Automated External Defibrillator；AED)與臨床手術病患生理數值觀測系統的Health Science Technologies(HST)執行長大野浩平表示，找出誤報率的來源，進而藉由新式演算法將之剔除，才能夠真正提升生理監測警報系統的場域應用效率、提升和改善使用者經驗。
連續性監測警示系統誤報率高 醫師護理師疲於奔命 病人躺在醫院病床中，醫療人員會使用心跳、血氧、血壓等偵測資訊系統，連續性瞭解病人的生理狀況，過往都以聲音、光線等警示方式，提醒醫療人員病人有緊急狀況。然而，醫療物聯網儀器誤報率太高，研究顯示72%-99%的警報都是誤報，也因此會讓護理師疲於奔命。在技術分析上，過去能夠使用一些過濾機制來協助，然而，如果圖形太複雜，就無法準確分析，因此，HST開發監測上能夠去除雜音，並且得到清晰波型的感測器。大野浩平認為，藉由AI的方式降低誤報率，可讓量測方式與身體部位都可以更細緻化。
非侵入性檢測細膩化 手指血液訊號放大與影像分析 除此之外，現在也可以從血液的顏色來判斷健康指數。將LED設備戴在病人手指上，測量手指當中的血液顏色深淺，進而分析健康程度。原理則是將手指中的血流脈動顏色和數據，以LED燈偵測後將訊號放大，分析血氧濃度等數值。不過，在測量的過程中，如果晃動手指，就會偵測到假訊號與發出誤報警示，也因此HST藉由AI系統來偵測假訊號，並且將假訊號剔除，降低誤報機率。
心率警示系統細分與邊緣運算 將成心肺功能AI發展焦點 將心電圖(ECG)細部分析後，可以瞭解心律暫停(Arrest)、心室顫動(ventricular fibrillation；VF)的狀況，而這樣有生命危險的風險高，也就要通知醫師；若有心動過緩(Bradycardia)、心動過速(Tachycardia)、早發性心室收縮(Premature Ventricular Complex；PVC)就需要醫療人員多注意；如果是心室性心搏過速(Ventricular Tachycardia；VT)、病竇症候群(Sick Sinus Syndrome；SSS)、房室傳導阻滯(Atrioventricular block；AV block)則是屬於心律不整(Arrhythmia)高風險族群。大野浩平表示，許多AI系統都在雲端上分析數據，再傳送結果到機構，然而，醫療上的AI應該要與邊緣運算(Edge Computing)技術結合，才能夠提供實時的檢測與應用。智慧醫療科技開發，需要工程師與醫師攜手合作，也需要時間。HST希望擔任雙方合作的橋樑，目前也提供了許多醫療相關科技，包含與SpO2、NIBP、ECG共同應用的演算法。
No comments:
Post a Comment