基本資料 Basic Information
| 填報醫院 Hospital | 長庚醫療財團法人嘉義長庚紀念醫院 |
|---|---|
| 聯絡人姓名 Contact Person Name | 凃秉成 |
| 聯絡人單位 Contact Person Department | 智慧醫療委員會 |
| 聯絡人電子郵件 Contact Person Email | redviolin@cgmh.org.tw |
AI模型基本資料 AI Model Basic Information
| AI模型名稱 AI Model Name | 預防跌倒AI風險預測系統 (AI-Assisted Prediction System for Falling Risk of Patients) |
|---|---|
| 應用領域 Application Domain | 不分科 General Practice |
| AI模型狀態 AI Model Status | 正式上線 In Production |
| AI模型摘要 AI Model Summary | 評估大於18歲以上住院病人發生跌倒的風險，並施以預防措施以降低住院病人的跌倒發生率。 |
| 產品介紹 Product Introduction | 新入院病人經護理師以個人帳號密碼登入HIS護理作業，完成各項紀錄輸入及儲存，系統自動預測跌倒風險並提供重要風險因子；後續每班(9AM、5PM、1AM) 系統自動偵測病歷資料並更新預測結果。預測結果呈現於護理作業病人基本資料、病房電子白板、病房動態表等，並建立視覺化管理面板，幫助部門主管掌握高風險個案與管理。 |
| 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 | 2024/12/10 |
效能與發布 Performance and Release
| 版本 Version | 2.0 |
|---|---|
| AUC | 0.81 |
| Accuracy | 0.82 |
| 靈敏度 Sensitivity | 0.77 |
| 特異度 Specificity | 0.70 |
| 陽性預測值 Positive Predictive Value | 0.82 |
| 陰性預測值 Negative Predictive Value | 0.92 |
| 生命週期 Lifecycle | 180 天 |
| 使用人次 Usage Count | 223,332 |
| 監測計畫 Monitoring Plan | 遵循九大透明原則與可解釋性分析，訂定可量化的監測指標，如模型準確度、敏感度、特異度等。定期（如每年）進行監測，以確保人工智慧符合系統標準。若臨床監測敏感度低於0.786，或有相關異常事件，原申請單位須驗證並校調AI模型，確保其達到標準要求。重新修改監測指標資料回覆至合格範圍，才允許恢復AI應用，確保臨床決策輔助的安全性與可靠性。將提報至決策AI臨床落地委員會進行審查，確保決策透明。 |
| 版本更新計畫 Version Update Plan | 臨床監測敏感度若低於 0.786，或發生相關醫療異常事件時，申請單位須立即啟動驗證程序。經確認屬實者，應進行模型再訓練與驗證，確保其準確度、敏感度及特異度等核心指標均達到標準規範。申請單位須將修正後之監測指標資料提報並回覆至合格範圍，以及提報至「決策 AI 臨床落地委員會」進行審查。 |
| 成效指標 | 跌倒發生率, 導入前0.027%, 導入後0.015% |
ＡＩ實務九大透明度說明 Nine-Principle Transparency Framework
| 1. 介入情境及輸出 | 1. 運用機器學習對住院病患住院中跌倒事件進行預測。 2. 識別高跌倒風險的病人。 3. 使用臨床判斷決定使用哪種跌倒預防策略來減少跌倒風險。 4. 簡化護理師跌倒風險評估流程，及預測病人跌倒因子進而加強護理衛教指導，降低病人傷害嚴重度。 |
|---|---|
| 2. 介入目的 | 每年約有 70 萬至 100 萬住院病人跌倒，導致約 25 萬人受傷，最多可達 1.1 萬人死亡。約 2%的住院病人在住院期間至少跌倒一次。大約四分之一的跌倒會 導致受傷，(約28%受輕傷、11.4%受重度軟組織損傷、5%骨折、約 2%頭部受傷)，可能導致長期殘疾或早逝。 |
| 3. 介入的警告範圍外使用 | 1. 僅適用於18歲以上住院病人 2. 對於非住院病人及未滿18歲個案不適用。護理之家、日照中心等機構亦不適用。 |
| 4. 介入開發詳情及輸入特徵 | 1. 演算法名稱：森林模型 2. 開發工具：SAS VIYA軟體 3. 「住院跌倒預測模型 / 跌倒風險評估」共25 項風險因子（Input Features），主要涵蓋以下三大類別： 生理與臨床評估：虛弱 (weakness)、年齡 (age)、意識狀況 (consciousness)、肌肉力量（右上肢、左上肢、右下肢、左下肢）。 日常生活活動 (ADL) 評估：樓梯 ADL、位移 ADL、平地行走 ADL。 管路與用藥/治療：尿管、Port-A 導管、CVP 中央靜脈導管、Chest Tube 胸管、H-V 引流管、 Foley-Silicon 矽膠導管、瀉藥 (laxative drugs)、降鈉藥 (sodium phosphate drugs)、抗膽鹼藥 (Anticholinergics)、胰島素 (Insulin)、手術輸血、呼吸速率及早晚生命徵象 (BT/vital signs)。 |
| 5. 確保介入開發公平性的過程 | 1. 開發過程中，訓練資料涵蓋全體成年住院病人，以確保代表不同年齡、性別、共病症、科別、用藥及手術狀況之族群；並採用抽樣檢測確保訓練資料平衡，且進行公平性審查。 2. 透過護理作業身體評估、現狀況用藥、管路、手術資訊、生理徵象、檢驗數值等自動擷取數據，以排除人為誤差。當無法抓取相關資料時會顯示遺漏值，可即時檢查並修正。 |
| 6. 外部驗證過程 | 資料來源：長庚醫院住院病患資料。 監管單位：長庚醫院品質管理部、嘉義長庚品管中心。 智慧醫療委員會具有負責任AI監控權責，定期會議檢討準確性：訓練資料選用林口長庚醫院及嘉義長庚醫院2023-2024年住院大於18歲病人抽樣進行訓練，林口院區411,630人次，嘉義院區146,750人次；驗證的部分以2025年住院大於18歲病人資料進行，林口院區387,600人次及嘉義院區165,599人次。 |
| 7. 模型表現量化指標 | 現場資料比對，以確認帶入數值是否正確，跌倒預測的正確性、實際發生跌倒的比率。無法抓取相關資料時會顯示遺漏值，由臨床人員可即時檢查並改正。 |
| 8. 介入實施和使用的持續維護 | 嘉義長庚試行後推展至長庚體系各院區，並於使用後每半年檢討各院區預測準確性，適時檢討相關變項。 透過對病人與家屬的衛教預防跌倒發生，監控跌倒發生率。 未來納入個案討論，回溯性檢討預測準確性。 住院病患跌倒事件由病安委員會逐案記錄並每季檢討。 |
| 9. 更新和持續驗證或公平性評估計畫 | 每半年依實際發生個案訓練更新模型，住院病患跌倒事件由病安委員會逐案記錄並每季檢討。對有傷害事件提出原因分析及改善計劃，並同時檢討模型之正確性。在每季檢討中若模型效能為達到預期，將視需要增加變數或以其他方式重新訓練模型。 |
可解釋分析 Explainability Analysis
| 可解釋分析說明 | 強化如Attention weights，Embedding analysis及其他先進解釋性AI技術的導入，以更全面、更深入地解釋AI模型之決策邏輯，進一步增強醫護團隊及病患對AI預測結果之理解與信任。 |
|---|