TWI875631B

TWI875631B - 預估重症病人存活/死亡率之人工智慧模型裝置

Info

Publication number: TWI875631B
Application number: TW113125637A
Authority: TW
Inventors: 蔡明儒; 張維安; 鄭至宏; 鮑永誠; 李沁璟; 周振義; 吳健璋; 施登瓊; 許家麟; 王俐曆
Original assignee: 高雄醫學大學
Priority date: 2024-07-09
Filing date: 2024-07-09
Publication date: 2025-03-01

Abstract

一種預估重症病人存活/死亡率之人工智慧模型裝置，係用以預測入住加護病房（Intensive Care Unit, ICU）病人短、中、長期存活率，其包括一監測模組、一資料處理模組、一人工智慧（Artificial Intelligence, AI）評估模組、以及一顯示模組所構成。藉此，本發明係針對所有入住加護病房（Intensive Care Unit, ICU）的病人（並非針對某一種疾病），以基於極限梯度提升（XGBoost）的人工智慧（Artificial Intelligence, AI）演算模型，依據ICU病人每日之個人特徵、檢驗報告資料、生理數據、及評估資料進行AI演算，評估其入住ICU後30天、60天、及90天的存活/死亡率；透過使用此AI演算模型，可更精確地預測重病病人的長期預後，ICU醫護團隊可以更適切地分配醫療資源並更好地與入住ICU病人的親屬進行溝通。

Description

預估重症病人存活/死亡率之人工智慧模型裝置

本發明係有關於一種預估重症病人存活/死亡率之人工智慧模型裝置，尤指涉及一種加護病房（intensive care units, ICU）重症病人預後評估系統，特別係指以極限梯度提升（XGBoost）開發評估30天、60天及90天存活/死亡率的人工智慧（Artificial Intelligence, AI）演算模型。

目前預測ICU死亡率最常用的評分系統是急性生理與慢性健康評估（acute physiology and chronic health evaluation, APACHE）II或III，而要預測住院死亡率最常用的評分系統則是連續器官功能衰竭評估（sequential organ failure assessment, SOFA）分數。但以上這些評分系統發展歷史已久，也主要是以西方人種為主的研究為基礎所發展的，時至今日是否仍然準確、是否適用台灣病人族群值得討論。目前臨床加護病房所能收集之資料項目已大幅超越以往，且更加細緻，機器分析能力也進步許多，傳統的加護病房重症患者預後評分系統已不足以支應目前以精準醫療及個人化導向之醫療照護。

目前有提出一種利用敗血症診斷模型以早期預測敗血症風險的技術，可於臨床識別前12小時內預測敗血症的發作，使醫療人員可提早進行患者後續的醫療處置，以達到大幅縮短重症患者的住院時間並降低死亡率。然而，此技術僅能針對某一種疾病作預測，並不能針對所有入住加護病房的病人的存活率進行預測。

此外，另有提出一種用於評估醫院患者的死亡風險的方法、系統和計算機可讀介質的技術，其係集成並分析大量輸入：1）實時連續生理信號（例如心電圖）；2）對這些信號的變異性進行高級測量（例如頻譜分析）；3）基於生理的器官功能測量（例如血糖）及其變異性；及4）人口統計與診斷相關的死亡率預測因素；藉此創建一個實時且不斷更新死亡風險評分，以幫助臨床醫生進行醫療護理。然而，此技術僅能提供病人住院或加護病房存活率作為主要的治療成效指標，並未能分析重症病人的長期預後。

目前對於加護病房重症患者預後的評估，最常使用APACHE II、 APACHE III或SOFA分數來評估或預測其加護病房死亡率、住院死亡率。這些評分系統發展歷史已久，其所用來統計分析之資料距今已超過20年，目前臨床所能收集之資料項目已超越以往，且更加精細，機器分析能力也進步許多，傳統的評分系統已不足以支應目前以精準預測及個人化導向的醫療照護。職是之故，在這些傳統評分系統之外，還需要一個能夠預測加護病房病人長期存活率的系統，因此發展一種可解決前案技術缺點與精確地預測重病病人的長期預後之發明實有必要。

本發明之主要目的係在於，克服習知技藝所遭遇之上述問題並提供一種針對所有入住ICU的病人（並非針對某一種疾病），以基於極限梯度提升（XGBoost）的AI演算模型，依據ICU病人每日之個人特徵、檢驗報告資料、生理數據、及評估資料進行AI演算，評估其入住ICU後30天、60天、及90天的存活/死亡率；透過使用此AI演算模型，可更精確地預測重病病人的長期預後，ICU醫護團隊可以更適切地分配醫療資源並更好地與入住ICU病人的親屬進行溝通之預估重症病人存活/死亡率之人工智慧模型裝置。

為達以上之目的，本發明係一種預估重症病人存活/死亡率之人工智慧模型裝置，係用以預測入住ICU病人長期存活率，其包括：一監測模組，用於收集所有入住ICU病人的數個臨床資料，主要為個人特徵、檢驗報告資料、生理數據、及評估資料構成的臨床數據型資料；一資料處理模組承接該監測模組，係將該所有入住ICU病人的該些臨床資料每日的臨床數據型資料經資料量化與統一歸化，其內容包括但不限於遺漏值填補、取最大值、取最小值、取平均值、取標準差、取中位數、取四分位差、及資料降維轉換，產出相關對應可運用的數據；一AI評估模組，承接該資料處理模組，係將處理後之臨床數據型資料輸入建置好的AI演算模型，以產生一關於該所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果；以及一顯示模組，承接該AI評估模組之運算結果，顯示該所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果及各項特徵貢獻情形。

於本發明上述實施例中，該AI演算模型係基於XGBoost的機器學習模型。

於本發明上述實施例中，該AI演算模型係透過輸入大量來自醫院 ICU病人的臨床資料，並以一預設比例切分，分別作為機器學習的一訓練資料集及一測試資料集，以該訓練資料集進行模型訓練，並以該測試資料集進行測試，經過驗證，完成該AI演算模型，並通過一標準性能評估指標評估該AI演算模型的性能。

於本發明上述實施例中，該標準性能評估指標包括但不限於受試者工作特徵曲線下面積（AU-ROC）、F1分數（F1 score）、精確度（precision）、召回率（recall）及準確性（accuracy）。

於本發明上述實施例中，該個人特徵及該評估資料至少包括以下項目：第一項目：妊娠狀態、年齡、性別、身高、體重、身體質量指數（body mass index, BMI）、及吸菸狀態；第二項目：ICU入住來源、ICU入住前是否有執行心肺復甦術、及ICU入住前是否有心搏停止；以及第三項目：是否為選擇性手術後入住ICU、是否為計畫性入住ICU、是否有插管接受機械通氣、及吸入氧氣分壓（FiO ₂）。

於本發明上述實施例中，該生理數據及該評估資料為24小時內之生理監測之資料，該檢驗報告資料為48小時內之最近一筆血液檢驗資料。

於本發明上述實施例中，該生理數據及該評估資料至少包括以下項目：第一項目：體溫、心跳速率、呼吸速率及其使用氧氣或機械通氣狀態、收縮壓、舒張壓、平均動脈壓、及格拉斯哥昏迷指數（GCS）；以及第二項目：24小時之尿量。

於本發明上述實施例中，該檢驗報告資料包括白血球計數、血紅素、血小板計數、血中鈉濃度、血中鉀濃度、血中肌酸酐值（mg/dL）、腎絲球過濾率預估值（estimated Glomerular filtration rate, eGFR）、血中尿素氮值（mg/dL）、血中白蛋白值（g/dL）、血中膽紅素值（mg/dL）、血糖值（mg/dL）、血中乳酸值、動脈血之二氧化碳分壓（PaCO ₂）、動脈血之氧氣分壓（PaO ₂）、及動脈血之酸鹼值（pH）。

請參閱『第１圖～第４Ｃ圖』所示，係分別為本發明預估重症病人存活/死亡率之人工智慧模型裝置之架構示意圖、本發明AI演算模型評估入住ICU後30天、60天及90天的存活/死亡率示意圖、本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測30天存活/死亡率的表現示意圖、本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測60天存活/死亡率的表現示意圖、本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測90天存活/死亡率的表現示意圖、本發明以SHAP值呈現預測30天存活/死亡率的AI演算模型所使用之特徵重要性示意圖、本發明以SHAP值呈現預測60天存活/死亡率的AI演算模型所使用之特徵重要性示意圖、及本發明以SHAP值呈現預測90天存活/死亡率的AI演算模型所使用之特徵重要性示意圖。如圖所示：本發明係一種預估重症病人存活/死亡率之人工智慧模型裝置１００，係用以預測入住加護病房（Intensive Care Unit, ICU）病人長期存活率，其包括一監測模組１、一資料處理模組２、一人工智慧（Artificial Intelligence, AI）評估模組３、以及一顯示模組４所構成。

上述所提之監測模組１係用於收集所有入住ICU病人的數個臨床資料。

該資料處理模組２承接該監測模組１，係將該所有入住ICU病人的該些臨床資料每日的臨床數據型資料經資料量化與統一歸化，其內容包括但不限於遺漏值填補、取最大值、取最小值、取平均值、取標準差、取中位數、取四分位差、及資料降維轉換，產出相關對應數據。

該AI評估模組３承接該資料處理模組２，所使用的AI演算模型係基於極限梯度提升（XGBoost）的機器學習模型，可預測所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果。

該顯示模組４承接該AI評估模組３之運算結果，顯示所有入住 ICU病人之30天、60天、及90天存活/死亡率的評估結果及各項特徵貢獻情形，提供輔助病情解釋、擬定治療方向、以及醫療資源之分配。如是，藉由上述揭露之結構構成一全新之預估重症病人存活/死亡率之人工智慧模型裝置１００。

本發明所提預估重症病人存活/死亡率之人工智慧模型裝置１００，係針對所有入住加護病房的病人，並非針對某一種疾病。當運用時，透過監測模組１收集所有入住ICU病人的數個臨床資料，主要為個人特徵、檢驗報告資料、生理數據、及評估資料構成的臨床數據型資料，經過資料處理模組２進行資料量化與統一歸化後產出相關對應可運用的數據。再以AI評估模組３將處理後之臨床數據型資料輸入建置妥當的AI演算模型，產生一關於該所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果。最後由顯示模組４承接該AI評估模組３之運算結果，顯示評估所有入住ICU病人之30天、60天、及90天的存活/死亡率，顯示範例如第２圖所示，但不限於此範例之顯示模式。如是，透過使用AI演算模型，可更精確地預測重病病人的長期預後，使ICU醫護團隊可以更適切地分配醫療資源並更好地與入住ICU病人的親屬進行溝通。

因此，本發明之應用範疇為醫療領域，所提裝置係適用於所有入住ICU的病人，皆可使用此AI演算模型，依據ICU病人每日之生理、檢驗報告、評估資料進行AI演算，評估其未來30天、60天、及90天的存活/死亡率，藉由量化疾病嚴重度，能夠更精準預測存活/死亡率並提供ICU醫護團隊盡早治療介入，進而輔助病情解釋、擬定治療方向與分配醫療資源。

於本發明之一較佳具體實施例中，該AI演算模型係透過輸入大量來自醫院ICU病人的臨床資料，並以一預設比例切分，分別作為機器學習的一訓練資料集及一測試資料集，以該訓練資料集進行模型訓練，並以該測試資料集進行測試，經過驗證，完成該AI演算模型，並通過一標準性能評估指標評估該AI演算模型的性能。

於本發明之一較佳具體實施例中，該標準性能評估指標包括但不限於受試者工作特徵曲線下面積（AU-ROC）、F1分數（F1 score）、精確度（precision）、召回率（recall）及準確性（accuracy）。

於本發明之一較佳具體實施例中，提出基於XGBoost的AI演算模型分析個人特徵、檢驗報告資料、生理數據、及評估資料等臨床數據型資料，以總樣本數16189筆，分為12951筆訓練資料集及3238筆測試資料集進行訓練及測試，並驗證。本發明核心技術使用之變項包含個人特徵及評估資料、生理數據及評估資料、以及檢驗報告資料。

於本發明之一較佳具體實施例中，該個人特徵及該評估資料包括但不限於以下項目：妊娠狀態、年齡、性別、身高、體重、身體質量指數（body mass index, BMI）、及吸菸狀態。 ICU入住來源、ICU入住前是否有執行心肺復甦術、及ICU入住前是否有心搏停止。是否為選擇性手術後入住ICU、是否為計畫性入住ICU、是否有插管接受機械通氣、及吸入氧氣分壓（FiO ₂）。

於本發明之一較佳具體實施例中，該生理數據及該評估資料為24 小時內之生理監測之資料，包括以下項目：體溫、心跳速率、呼吸速率（及其使用氧氣或機械通氣狀態）、收縮壓、舒張壓、平均動脈壓、及格拉斯哥昏迷指數（GCS）。 24小時之尿量。

於本發明之一較佳具體實施例中，該檢驗報告資料為48小時內之最近一筆血液檢驗資料，包括：白血球計數、血紅素、血小板計數、血中鈉濃度、血中鉀濃度、血中肌酸酐值（mg/dL）、腎絲球過濾率預估值（estimated Glomerular filtration rate, eGFR）、血中尿素氮值（mg/dL）、血中白蛋白值（g/dL）、血中膽紅素值（mg/dL）、血糖值（mg/dL）、血中乳酸值、動脈血之二氧化碳分壓（PaCO ₂）、動脈血之氧氣分壓（PaO ₂）、及動脈血之酸鹼值（pH）。

以下實施例僅舉例以供了解本發明之細節與內涵，但不用於限制本發明之申請專利範圍。

[目的]：鑑於現代ICU提供更詳細且複雜的臨床數據，有利於使用集成學習的技術來開發更精確的評估模型。本發明建立AI演算模型，用於評估ICU病人的30天、60天及 90天存活/死亡率。

[材料與方法]：本發明回溯性收集入住ICU的病人之臨床資訊，包括個人特徵、檢驗報告資料、生理數據、及評估資料，使用XGBoost來開發評估30天、60天及90天存活/死亡率的AI演算模型。透過AU-ROC、精確度、F1分數、準確性及召回率來評估AI演算模型的性能，亦將AI演算模型的AU-ROC，與急性生理與慢性健康評估（acute physiology and chronic health evaluation, APACHE）II及連續器官功能衰竭評估（sequential organ failure assessment, SOFA）分數的AU-ROC進行比較。

[結果]：本發明分別收集16189筆重症病人的資料，其中訓練與測試資料集分別有12951與3238筆數據，以XGBoost分析個人特徵、檢驗報告資料、生理數據、及評估資料等臨床數據型資料，用於開發及評估30天、60天及90天存活/死亡率的AI演算模型。如表一所示，在AI演算模型及傳統評分系統預測30天、60天及90天存活/死亡率的表現中，所得30天、60天及90天存活/死亡率的AI演算模型之AU-ROC分別是0.83、0.82及0.81，F1分數分別是0.90、0.88及0.88，準確性分別是0.83、0.80及0.80，召回率分別是0.96、0.93及0.93，精確度分別是0.85、0.84及0.83。這些AI演算模型的AU-ROC與APACHE II及SOFA分數相比均較高（30天存活/死亡率的：0.83 vs. 0.80 vs. 0.76；60天存活/死亡率的：0.82 vs. 0.78 vs. 0.75；90天存活/死亡率的：0.81 vs.0.78 vs. 0.74）。表一

模型	本發明之AI演算模型
表現指標	精確度	召回率	準確性	AU-ROC (訓練資料集)	AU-ROC (測試資料集)
30天存活/死亡率	0.85	0.96	0.83	0.94	0.83
60天存活/死亡率	0.84	0.93	0.80	0.95	0.82
90天存活/死亡率	0.83	0.93	0.80	0.92	0.81

評分系統	APACHE II	SOFA
表現指標	AU-ROC	AU-ROC
30天存活/死亡率	0.80	0.76
60天存活/死亡率	0.78	0.75
90天存活/死亡率	0.78	0.74

第３Ａ圖～第３Ｃ圖係分別以ROC曲線呈現本發明AI演算模型及傳統評分系統（APACHE II及SOFA分數）在預測30天（第３Ａ圖）、60天（第３Ｂ圖）、及90天（第３Ｃ圖）存活/死亡率的表現。第４Ａ圖～第４Ｃ圖係本發明分別以SHAP（SHapley Additive exPlanations）值呈現預測30天（第４Ａ圖）、60天（第４Ｂ圖）、及90天（第４Ｃ圖）存活/死亡率的AI演算模型所使用之特徵重要性。

[結論]：與APACHE II及SOFA得分分數相比，這些AI演算模型在預測ICU病人的30天、60天及90天存活/死亡率方面具有更好的表現。透過使用AI演算模型，可更精確地預測重病病人的長期預後，醫療從業人員可以更好地利用醫療資源並更好地與入住ICU病人的親屬進行溝通。

綜上所述，本發明係一種預估重症病人存活/死亡率之人工智慧模型裝置，可有效改善習用之種種缺點，係針對所有入住加護病房（Intensive Care Unit, ICU）的病人（並非針對某一種疾病），以基於極限梯度提升（XGBoost）的人工智慧（Artificial Intelligence, AI）演算模型，依據ICU病人每日之個人特徵、檢驗報告資料、生理數據、及評估資料進行AI演算，評估其入住ICU後30天、60天、及90天的存活/死亡率；透過使用此AI演算模型，可更精確地預測重病病人的長期預後，ICU醫護團隊可以更適切地分配醫療資源並更好地與入住ICU病人的親屬進行溝通，進而使本發明之產生能更進步、更實用、更符合使用者之所須，確已符合發明專利申請之要件，爰依法提出專利申請。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。

１００:預估重症病人存活/死亡率之人工智慧模型裝置１:監測模組２:資料處理模組３:AI評估模組４:顯示模組

第１圖，係本發明預估重症病人存活/死亡率之人工智慧模型裝置之架構示意圖。第２圖，係本發明AI演算模型評估入住ICU後30天、60天及90天的存活/死亡率示意圖。第３Ａ圖，係本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測30天存活/死亡率的表現示意圖。第３Ｂ圖，係本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測60天存活/死亡率的表現示意圖。第３Ｃ圖，係本發明以ROC曲線呈現AI演算模型及傳統評分系統在預測90天存活/死亡率的表現示意圖。第４Ａ圖，係本發明以SHAP值呈現預測30天存活/死亡率的AI演算模型所使用之特徵重要性示意圖。第４Ｂ圖，係本發明以SHAP值呈現預測60天存活/死亡率的AI演算模型所使用之特徵重要性示意圖。第４Ｃ圖，係本發明以SHAP值呈現預測90天存活/死亡率的AI演算模型所使用之特徵重要性示意圖。

100:預估重症病人存活/死亡率之人工智慧模型裝置

1:監測模組

2:資料處理模組

3:AI評估模組

4:顯示模組

Claims

一種預估重症病人存活/死亡率之人工智慧模型裝置，係用以預測入住加護病房(Intensive Care Unit,ICU)病人長期存活率，其包括：一監測模組，用於收集所有入住ICU病人的數個臨床資料，主要為個人特徵、檢驗報告資料、生理數據、及評估資料構成的臨床數據型資料；一資料處理模組，承接該監測模組，係將該所有入住ICU病人的該些臨床資料每日的臨床數據型資料經資料量化與統一歸化，其內容包括但不限於遺漏值填補、取最大值、取最小值、取平均值、取標準差、取中位數、取四分位差、及資料降維轉換，產出相關對應可運用的數據；一人工智慧(Artificial Intelligence,AI)評估模組，承接該資料處理模組，係將處理後之臨床數據型資料輸入建置好的AI演算模型，該AI演算模型係基於極限梯度提升(XGBoost)的機器學習模型，用以產生一關於該所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果；以及一顯示模組，承接該AI評估模組之運算結果，顯示該所有入住ICU病人之30天、60天、及90天存活/死亡率的評估結果及各項特徵貢獻情形。
依申請專利範圍第1項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該AI演算模型係透過輸入大量來自醫院ICU病人的臨床資料，並以一預設比例切分，分別作為機器學習的一訓練資料集及一測試資料集，以該訓練資料集進行模型訓練，並以該測試資料集進行測試，經過驗證，完成該AI演算模型，並通過一標準性能評估指標評估該AI演算模型的性能。
依申請專利範圍第2項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該標準性能評估指標包括但不限於受試者工作特徵曲線下面積(AU-ROC)、F1分數(F1 score)、精確度(precision)、召回率(recall) 及準確性(accuracy)。
依申請專利範圍第1項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該個人特徵及該評估資料至少包括以下項目：第一項目：妊娠狀態、年齡、性別、身高、體重、身體質量指數(body mass index,BMI)、及吸菸狀態；第二項目：ICU入住來源、ICU入住前是否有執行心肺復甦術、及ICU入住前是否有心搏停止；以及第三項目：是否為選擇性手術後入住ICU、是否為計畫性入住ICU、是否有插管接受機械通氣、及吸入氧氣分壓(FiO₂)。
依申請專利範圍第1項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該生理數據及該評估資料為24小時內之生理監測之資料，該檢驗報告資料為48小時內之最近一筆血液檢驗資料。
依申請專利範圍第1項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該生理數據及該評估資料至少包括以下項目：第一項目：體溫、心跳速率、呼吸速率(及其使用氧氣或機械通氣狀態)、收縮壓、收縮壓、平均動脈壓、及格拉斯哥昏迷指數(GCS)；以及第二項目：24小時之尿量。
依申請專利範圍第1項所述之預估重症病人存活/死亡率之人工智慧模型裝置，其中，該檢驗報告資料包括白血球計數、血紅素、血小板計數、血中鈉濃度、血中鉀濃度、血中肌酸酐值(mg/dL)、腎絲球過濾率預估值(estimated Glomerular filtration rate,eGFR)、血中尿素氮值(mg/dL)、血中白蛋白值(g/dL)、血中膽紅素值(mg/dL)、血糖值(mg/dL)、血中乳酸值、動脈血之二氧化碳分壓(PaCO₂)、動脈血之氧氣分壓(PaO₂)、及動脈血之酸鹼值(pH)。