基本資料 Basic Information
| 填報醫院 Hospital | 財團法人私立高雄醫學大學附設中和紀念醫院 |
|---|---|
| 聯絡人姓名 Contact Person Name | 林家縈 |
| 聯絡人單位 Contact Person Department | 人工智慧創新應用中心 |
| 聯絡人電子郵件 Contact Person Email | 1120418@kmuh.org.tw |
AI模型基本資料 AI Model Basic Information
| AI模型名稱 AI Model Name | 氣管內管位置異常警示系統 (Endotracheal Tube Position Abnormality Alert System) |
|---|---|
| 應用領域 Application Domain | 內科 Internal Medicine |
| AI模型狀態 AI Model Status | 正式上線 In Production |
| AI模型摘要 AI Model Summary | 透過AI自動評估病人胸部X光影像的氣管內管位置是否適當，即時警示氣管內管位置異常，進而降低管路滑脫率。 |
| 產品介紹 Product Introduction | 氣管內管位置異常警示系統是一套結合人工智慧與胸部X光影像分析之臨床決策輔助系統，主要應用於加護病房、急診、呼吸照護病房等需接受氣管內管治療之病人。系統於胸部X光影像完成拍攝後，即可自動分析氣管隆突（Carina）、氣管內管（Endotracheal Tube, ETT）及氣切管（Tracheostomy Tube, TT）的位置，快速判斷氣管內管是否位於適當位置，協助醫療人員及早發現插管異常，降低單側支氣管插管、氣管內管滑脫等風險，提升病人安全與照護品質。 本系統採用YOLOv5深度學習物件偵測模型，可自動辨識Carina、ETT及TT，並有效區分ETT與TT，降低外觀相似造成之誤判。當同時辨識到Carina與ETT且未偵測到TT時，系統會自動量測ETT管尖至Carina之距離，依據臨床指引以綠燈、黃燈及紅燈進行分級警示，同步於影像上顯示物件標註框、距離數值及警示燈號，使醫師能快速掌握氣管內管位置是否適當。 |
| AI模型官方網站 | 官方網站連結 |
| AI模型介紹影片 | YouTube 影片連結 |
| 導入日期 Implementation Date | 2024/10/11 |
效能與發布 Performance and Release
| 版本 Version | 2.0 |
|---|---|
| 生命週期 Lifecycle | 365 天 |
| 使用人次 Usage Count | 8,000 |
| 監測計畫 Monitoring Plan | 定期監測：模型自正式上線日起，每年應辦理一次成效追蹤，由模型計畫主持人填報「人工智慧模型成效檢核表」，並提送本院智慧醫療委員會審查。委員會依據模型使用情形、系統運作狀態、模型效能及臨床回饋等進行檢視，確認模型持續符合臨床需求、安全性及有效性。 |
| 版本更新計畫 Version Update Plan | 因臨床需求、醫療指引更新、模型效能變化或其他因素需進行版本更新，將依本院《人工智慧模型臨床應用部署作業辦法》提出「人工智慧模型異動申請」，完成模型重新訓練、效能驗證及相關測試，並提送智慧醫療委員會審查。 |
| 成效指標 | 降低管路滑脫率, 模型導入前：0.23‰, 模型導入後：0% |
ＡＩ實務九大透明度說明 Nine-Principle Transparency Framework
| 1. 介入情境及輸出 | 本系統採用 YOLOv5 模型進行訓練，並使用 3,261 張胸部 X 光影像樣本進行模型訓練，其中 326 張影像樣本用於模型測試，另有 546 張未納入訓練資料集之影像樣本進行外部驗證，以評估模型於不同資料集之泛化能力。 系統透過偵測胸部 X 光影像中的氣管隆突（Carina）位置，判斷是否存在氣管內管（Endotracheal Tube, ETT）或氣切管（Tracheostomy Tube, TT），並於偵測到 Carina 與 ETT 且未偵測到 TT 時，自動量測 ETT 管尖至 Carina 之距離，作為氣管內管位置評估之依據，以協助臨床診斷與治療評估。 |
|---|---|
| 2. 介入目的 | 本系統應用於 ICU、急診、呼吸照護病房及一般病房，針對接受氣管內管置放之成人患者，透過人工智慧模型分析胸部 X 光影像，評估氣管內管（Endotracheal Tube, ETT）位置是否適當。 其主要目標為協助臨床醫療人員快速且準確判斷氣管內管位置，及早發現插管位置異常，以降低氣管內管滑脫及單側主支氣管插管等風險，提升病人安全、生命徵象穩定性及臨床照護品質。 |
| 3. 介入的警告範圍外使用 | 1. 本系統不適用於未滿18歲患者之胸部X光影像分析。 2. 本系統僅限經教育訓練之醫師使用。 3. 本系統僅提供醫師作為臨床決策輔助參考，不可作為唯一診斷依據，醫師仍須依循標準醫療流程進行診斷與處置。 4. 本系統僅用於胸部X光醫學影像分析，不可取代完整之病人臨床評估。系統分流頁面之案例排序僅供醫師參考，不代表病情嚴重程度或處置優先順序。 5. 本系統提供之警示影像僅供輔助判讀，醫療團隊仍應依照標準醫療流程確認原始胸部X光影像及病人臨床狀況。 6. 本系統之影像判讀可能出現偽陽性（False Positive）或偽陰性（False Negative）結果，所有AI分析結果仍須由醫師進行最終確認，並依循標準醫療流程完成閱片與判讀。 7. 使用本系統前，應確認病人識別資訊正確，以避免影像誤植或誤判。 8. 本系統安裝於使用單位伺服器，使用端電腦無須安裝額外軟體，可透過瀏覽器連線至伺服器進行操作。 9. 使用本系統前，應確認醫療影像儲存與傳輸系統（PACS）連線正常，以確保AI分析流程順利執行。 10. 所有伺服器與使用端瀏覽器之通訊皆採用至少256位元TLS 1.2以上加密機制，以確保資料傳輸安全。 11. 建議使用單位安裝具防火牆功能之防毒軟體，並定期更新防毒軟體及作業系統（Ubuntu、Windows），以維持資訊安全及系統穩定性。 |
| 4. 介入開發詳情及輸入特徵 | 本系統採用 YOLOv5 深度學習物件偵測模型進行開發，使用3,261張胸部X光影像進行模型訓練，並隨機挑選326張影像作為模型內部測試及驗證；另使用546張未納入訓練資料集之去識別化胸部X光影像進行外部驗證，以評估模型之泛化能力。 本研究納入18歲以上受試者，共計3,214人，涵蓋不同性別及年齡層。系統透過偵測氣管隆突（Carina）、氣管內管（ETT）及氣切管（TT）的位置，若同時偵測到Carina與ETT且未偵測到TT，則自動量測ETT管尖至Carina之距離，評估ETT位置是否適當。 系統主要由監測模組、物件偵測模組、位置評估模組及顯示模組組成。監測模組負責接收胸部X光影像；物件偵測模組採用YOLOv5辨識Carina、ETT及TT位置；位置評估模組依據ETT管尖至Carina距離（正常範圍3–5公分）評估ETT位置；顯示模組則呈現物件標註、距離量測、位置評估及警示資訊，並輸出JSON格式資料供院內系統整合。 本系統之ETT位置判定依據成人氣管內管放置臨床指引及本醫院胸腔內科醫師共同制定之黃金標準，建議ETT管尖位於Carina上方3至5公分，以降低管路移位及單側主支氣管插管等風險。依據上述判定標準，系統將ETT位置分為灰燈、綠燈、黃燈及警示燈四種狀態。 |
| 5. 確保介入開發公平性的過程 | 本系統使用18歲以上成人胸部X光影像進行模型開發，共納入3,214位受試者，涵蓋不同性別及年齡層，以提升模型於不同族群之適用性。模型訓練資料由胸腔內科醫師依一致標註規範完成Carina、ETT及TT之標註，並建立黃金標準作為模型訓練與驗證依據，以降低人為標註差異。另使用未納入訓練資料集之去識別化影像進行外部驗證，以評估模型於不同資料集之泛化能力及穩定性，降低模型偏差並提升臨床應用之可靠性。 |
| 6. 外部驗證過程 | 本系統除使用546張未納入模型訓練之去識別化胸部X光影像進行外部驗證外，亦完成跨院驗證，於五家醫學中心進行模型驗證，以評估模型於不同醫療機構、影像設備及臨床場域之適用性與泛化能力。外部驗證資料均未參與模型訓練，並以胸腔內科醫師判讀結果作為黃金標準，比較AI模型於氣管隆突（Carina）、氣管內管（ETT）及氣切管（TT）之辨識結果，以及ETT位置判定之準確性與一致性，確認模型於不同資料來源仍具穩定之辨識能力。跨院驗證結果顯示，本系統於不同醫療院所皆能維持良好且穩定之模型效能，具備跨院部署及臨床應用之可行性，可協助醫療人員快速評估氣管內管位置，提升臨床決策效率及病人安全。 |
| 7. 模型表現量化指標 | 本系統以外部驗證資料及跨院驗證... |
| 8. 介入實施和使用的持續維護 | 本系統部署於院內平台，並與醫療影像儲存與傳輸系統 (PACS) 及醫療資訊系統 (HIS) 完成整合，由監測模組自動接收符合條件之胸部X光影像並執行AI分析。系統由人工智慧創新應用中心負責日常維運、功能更新及異常排除，並定期監測系統運作狀態及模型推論結果，確保系統穩定運作。 系統使用期間持續蒐集使用者回饋及臨床需求，必要時由胸腔內科醫師及AI團隊共同檢視模型判讀結果，評估是否需進行模型優化或版本更新。模型更新前均須完成效能驗證及相關測試，確認模型效能未降低且符合臨床需求後，始得部署至正式環境，以維持系統之安全性、穩定性及臨床可靠性。 系統分析結果僅供臨床決策輔助使用，不取代醫療人員之專業判讀，醫療人員仍應依病人臨床狀況、原始影像及相關檢查結果進行綜合判斷。 |
| 9. 更新和持續驗證或公平性評估計畫 | 本系統將持續監測模型於臨床場域之使用情形及推論結果，定期蒐集使用者回饋、模型效能及臨床應用成效，作為模型持續優化之依據。若因臨床需求、醫療指引更新或資料特性改變而需進行模型更新，將重新蒐集代表性資料，並完成模型訓練、內部驗證、外部驗證及效能評估，確認模型效能不低於現行版本後，始得部署至正式環境。 此外，將持續評估模型於不同性別、年齡及臨床族群之模型表現，定期檢視是否存在系統性偏差或公平性問題，必要時調整訓練資料組成或模型參數，以降低模型偏差並提升不同族群之適用性與公平性。模型更新及版本異動均依院內人工智慧管理機制執行，保留相關驗證紀錄及版本管理資訊，以確保系統之安全性、可靠性及可追溯性。 |
可解釋分析 Explainability Analysis
| 可解釋分析說明 | 本系統採用YOLOv5物件偵測模型，自動辨識胸部X光影像中的氣管隆突 (Carina)、氣管內管 (ETT) 及氣切管 (TT) 位置，並於影像上標示各物件之偵測框及模型信心分數。當系統同時辨識到Carina與ETT且未偵測到TT時，將自動量測ETT管尖至Carina之距離，並依據成人氣管內管放置臨床指引及本院胸腔內科醫師共同制定之黃金標準，判定ETT位置是否適當。 分析結果以灰燈、綠燈、黃燈及警示燈四種燈號呈現，同步顯示物件標註結果、ETT至Carina距離及位置評估結果，使醫療人員能清楚了解AI判斷依據，而非僅提供單一判定結果。醫療人員可搭配原始胸部X光影像進行比對，確認AI辨識位置及距離量測是否符合臨床判讀。 本系統所有分析結果僅供臨床決策輔助參考，不取代醫師專業判讀；當影像品質不佳、解剖構造不清楚或超出模型適用範圍時，仍應由醫療人員依病人臨床狀況、原始影像及相關檢查結果進行綜合判斷，以確保病人安全及醫療品質。 |
|---|