【論文摘要】當人工智慧遇上呼吸治療─運用機器學習預測呼吸器脫離

【論文摘要】When artificial intelligence met respiratory therapy-Using machine learning to predicting successful ventilator weaning

鍾韋嬋 ； 許端容 ； 黃敏斐 ； 李姝儀 ； 陳瑜玲 ； 蔡忠榮

《呼吸治療》 19卷附冊 (2020/10) Pp. 37-38

https://doi.org/10.6269/JRT.202010/SP_19.0023

摘要

前言：病患一旦使用呼吸器（Mechanical Ventilation, MV）支持後，最重要的課題是在疾病治癒後脫離呼吸器。選擇適當的拔管時機可減少呼吸器相關併發症，但拔管時機一直是重症照護團隊抉擇困難的議題。21世紀初，人工智慧歸來，在這人工智慧再次爆發的新元年，發展出許多新興概念與應用，其中機器學習（Machine Learning）是指機器透過從過往的資料和經驗中學習並找到其運行規則，最後達到人工智慧的方法，其應用包含搜尋引擎、大數據分析……等等。本研究運用機器學習分析病患資料，建立模型以預測拔管成功，望能輔助日後判斷拔管時機與並降低拔管失敗率。研究方法：以南部某醫學中心成人重症內科加護病房，使用機械通氣大於48小時病人為研究對象，藉由呼吸治療電子病歷資訊系統以回溯方式蒐集病人資料，包含病患性別、年齡、身高、病史（含肺部相關疾病史、心臟血管相關疾病史與神經肌肉相關疾病史）、昏迷指數（Glasgow Coma Scale, GCS）、疾病嚴重度（Acute Physiology and Chronic Health Evaluation II score, APACHE II score）、自主呼吸訓練時相關通氣參數，包含:每分鐘換氣量（Minute ventilation, V_E）、潮氣容積（Tidal volume, V_T）、呼吸速率（Respiratory rate, RR）及血氧濃度，依拔管結果區分為拔管成功及拔管失敗組，將各項數據以Microsoft azure machine learning studio進行機器學習，70%進行訓練，30%進行驗證，並建立預測模型。結果發現：共收案152位病患，125位拔管成功（82.2%），27位拔管失敗（17.8%），拔管成功組身高較高且APACHEII較低（p＜0.05），其他基本資料無顯著差異，成功以Microsoft azure machine learning studio訓練並建立預測模型，其平均準確度（Average accuracy）為0.848。測試結果如圖一。結論與貢獻：此研究根據病患的基本資料（如：性別、年齡、身高、APACHII、GCS、過去病史）及自主呼吸訓練時的通氣參數，透過機器學習訓練出預測模型。藉由此模型的應用，重症照護團隊可以選擇適當的呼吸器脫離時機，望能降低拔管失敗的風險，降低再插管率與感染肺炎的機會，輔助日後拔管指標與呼吸器脫離策略標竿的擬定。

關鍵字

Machine Learning ； Weaning