基本資料 Basic Information
| 填報醫院 Hospital | 奇美醫療財團法人奇美醫院 |
|---|---|
| 聯絡人姓名 Contact Person Name | 劉忠峰 |
| 聯絡人單位 Contact Person Department | 智慧醫療中心 |
| 聯絡人電子郵件 Contact Person Email | chungfengliu@gmail.com |
AI模型基本資料 AI Model Basic Information
| AI模型名稱 AI Model Name | 運用AI風險預測系統降低透析中低血壓發生率 (An artificial Intelligence system for predicting intradialytic hypotension) |
|---|---|
| 應用領域 Application Domain | 洗腎科 Nephrology / Dialysis Center |
| AI模型狀態 AI Model Status | 正式上線 In Production |
| AI模型摘要 AI Model Summary | 本AI軟體為預測病人於透析期間發生低血壓風險的輔助決策產品。 |
| 產品介紹 Product Introduction | 本AI軟體運用機器學習演算法，開發了一個透析中低血壓風險預測模型，輔助透析護理團隊能夠更快速且更高效地管理透析中低血壓。 低血壓風險預測機率小於50%傾向不會發生，大於等於50%傾向會發生，數值越大，風險越大。本軟體以儀表板形式呈現，持續自動監測接受血液透析患者的狀況，即時顯示每位患者發生透析中低血壓的概率，輔助團隊能更快速有效的提早處理。 |
| 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 | 2025/06/16 |
效能與發布 Performance and Release
| 版本 Version | 1.0 |
|---|---|
| AUC | 0.94 |
| Accuracy | 0.86 |
| 靈敏度 Sensitivity | 0.86 |
| 特異度 Specificity | 0.86 |
| 陽性預測值 Positive Predictive Value | 0.85 |
| 陰性預測值 Negative Predictive Value | 0.92 |
| 生命週期 Lifecycle | 365 天 |
| 使用人次 Usage Count | 65,420 |
| 監測計畫 Monitoring Plan | 每周期(365天)評估效益一次(模型品質、臨床效益)，使用"人工智慧醫療器材軟體成效檢核表"。當AI模型品質的AUC低於0.8時，須暫停使用與改進[模型品質指標]；低血壓發生率大於10%亦須暫停使用與改進[臨床效益指標]。 "人工智慧醫療器材軟體成效檢核表"內容包含以下構面之若干評估項目(自我評估(是/否/不適用)、審查結果(符合/不符合))以及相關佐證。若有任何項目審查結果為"不符合"，則視為審查不通過，並通知申請單位(AI使用單位)暫停使用與改進。 檢核構面包含：整體成效、軟體成效、臨床成效、工作效率、滿意度、成本效益、風險管理、法規遵循、使用培訓、手冊教材。 |
| 版本更新計畫 Version Update Plan | 1.版本更新(異動)類型包含：錯誤更正 、介面異動 、功能異動(含增刪修)、性能優化(如：AI模型重訓練或改版)、適應性升級或改版(如，原元件改版等)、其他(需說明) 。 2.申請單位需填寫"人工智慧醫療器材軟體異動申請表"，標示上述異動類型並自評相關影響，包含：風險等級、配置地點、資訊安全與隱私保護、病人不良影響、使用者不良影響、教育訓練方式等；需提供相關佐證。 |
| 成效指標 | AUC, Before: 0.94, After: 0.87 |
ＡＩ實務九大透明度說明 Nine-Principle Transparency Framework
| 1. 介入情境及輸出 | 採用機器學習演算法，開發了一個透析中低血壓風險預測模型，輔助透析護理團隊能夠更快速且更高效地管理透析中低血壓。低血壓風險預測機率小於50%傾向部會發生，大於等於50%傾向會發生，數值越大，風險越大。 |
|---|---|
| 2. 介入目的 | 持續監測接受血液透析患者的狀況，即時顯示每位患者發生透析中低血壓的概率，輔助團隊能更快速有效的提早處理。 |
| 3. 介入的警告範圍外使用 | 本AI軟體適用範圍於奇美醫療體系三院區的血液透析室。 本AI軟體與醫院的HIS整合，於血液透析室接受血液透析病人才能預測，不會有誤用情形。 |
| 4. 介入開發詳情及輸入特徵 | 我們成立專案團隊，包含臨床醫師、護理師、數據分析師和資訊工程師，並定期舉行會議討論，研究數據回顧性收集，自2020年9月1日至2020年12月31日，年齡≥20歲之患者。共使用30個features: age、sex、前次透析藥水鈣濃度、前次CT ratio、pre-dialysis weight、SBP、DBP、PR、前次洗腎後體重、前次UF volume、前次Albumin本次Albumin、體溫、UF rate、conductivity、veinpressore、Blood flow、VB ratio、Hb Albumin、Na、Ca、BUN、K、PM、CAD、CHF、Stroke、Liver、PAD。 |
| 5. 確保介入開發公平性的過程 | 回朔性資料來自奇美醫院永康院區去識別的電子病歷資料，自2020年9月1日至2020年12月31日，年齡≥20的洗腎病人，無篩選病人，對於臨床資料和透析紀錄不完整者排除。 |
| 6. 外部驗證過程 | 委由高雄醫學大學附設中和醫院驗證(使用2024年透析照護資料)。驗證結果 AUC 0.905、Accuracy 0.833、Sensitivity 0.829、Specificity 0.834，顯示模型具良好一般性(外推性)。 |
| 7. 模型表現量化指標 | AUC 0.94、Accuracy 0.86、Sensitivity 0.86、Specificity 0.86。 |
| 8. 介入實施和使用的持續維護 | 採用網路化醫院資訊系統，軟體自動派送，將此預測系統連上院內每部電腦。上線後，每年進行一次系統評估以決定是否續用或更新。 |
| 9. 更新和持續驗證或公平性評估計畫 | 每年進行系統評估，透過三院區資料收集驗證(不篩選病人)。當AI模型品質的AUC低於0.8時，須暫停使用並改進；低血壓發生率>10%亦須暫停使用與改進。 |
可解釋分析 Explainability Analysis
| 可解釋分析說明 | 使用模型之特徵重要性圖（SHAP圖）說明模型預測時各項特徵對風險分數的相對影響，作為模型可解釋性與臨床檢視之依據。 |
|---|