結合深度學習、機器學習、及影像轉換併包含心律變異度的不同種類之生物標記來預測敗血性休克

敗血症已在2016年被重新定義，為了取代先前的嚴重敗血症，來進一步增加預後的準確性。然而，敗血症在台灣及全球的發生率和死亡率，在過去十年來並沒有太顯著的變化。部份的原因可能是難以在臨床上懷疑敗血症的病患預測治療結果，即便我們們已有機器學習和深度學習的相當進展。更進一步，研究人員不滿足於僅僅預測如死亡這般無法避免的預後，而轉向預測像休克的發展和治療反應這樣以病患為中心的預後。隨著近年來非侵入性監測裝置逐漸寬泛可被使用且可負擔的情況下，血行動力學和心律變異度的監測在像急診部的第一線醫療照顧單位逐漸變為可能。像敗血症這樣廣泛影響到免疫及從交感神經系統相連之心血管系統的疾患，便可以經由心律變異度不同的分析面向來監測。許多研究學者已經證實了這樣一個經心律變異度來早期偵測到敗血性休克的概念，然而，更大型的研究還是需要來進一步轉譯這樣的結果到床邊使用。在此同時，現今許多人工智慧與機器學習的演算法已被發展並容易運用，例如遞歸分割法、支持向量機、深度學習等。然而，許多研究學者現今建議使用影像轉換，來進一步運用深度學習的優勢。更進一步，不同的微調方法，如：不平衡資料處理、子族群建模、以及整合非監督式學習的方法，被認為可以促進這些預測模型的表現。在這個研究中，我們計劃啟始一個三部份的系列研究來發展敗血症的預報模型：1) 一個從長庚醫學研究資料庫起始、跨越所有院區、長達十四年完整且縱貫的回顧性敗血症世代研究，來比較現行臨床診療和生物標記的效能；2) 一個前瞻性千人心律變異度敗血症世代研究，來評估心律變異度各種參數、經血採集之生物標記、血行動力學及床邊重點式心臟超音波的表現，並驗證這些廣義生物標記的時間程序，在預報敗血症及敗血性休克、治療反應性的重要性。3) 經由包含敗血症分期、經由非監䁂式學習取得之表型等的子族群建模，來發展使用不同機器學習及深度學習的預報模型。我們預期這個計劃可以啟始一個對於交感神經系統、發炎反應、以及敗血症進展的完整了解。我們也預期這個計劃可以帶給台灣急重症醫學界更進一步在機器學習以及深度學習建模的了解。敗血症是這樣一個相當致病且致死的疾病，我們期望在更多的了解且預報治療敗血症的反應性之上，可以帶來更健康及有生產力的未來。

系統編號:PC10907-1725
原計畫編號:MOST109-2314-B182-036