攝影/王若樸
臺北榮總揭露洗腎風險預測AI最新進展,三大階段中已進入第二階段,成功用AutoML工具來快速打造、迭代模型,並搭配邊緣運算設備,裝設在每臺洗腎機後方,就算沒有大量運算資源、離線也能預測洗腎心衰風險。接下來,他們要擴大試驗場域,與臺中榮總和關渡醫院輪番試驗,之後更要申請衛福部食藥書TFDA智慧醫材認證,要將這個自動化應用推廣到全臺醫院和洗腎中心,減輕洗腎醫護人力負擔。
前年展開第一階段,整合資料打造AI即時預測洗腎心衰風險
這項AI專案最初由臺北榮總內科部部主任唐德成發起。臺北榮總觀察到,臺灣洗腎人口密度居世界之冠,每年超過9萬人洗腎,其中有半數因心血管疾病死亡,心衰竭就是重要死因之一。此外,每次洗腎後的乾體重也是一大重點,乾體重是指患者洗腎後的正常體重,也就是無過度脫水、血壓正常狀況下的體重。乾體重設定不準確,就會造成脫水過多(引發肺積水)或脫水太少(引發血壓下降),對有共病的患者來說,更容易引發心衰竭。
然而,為掌握患者洗腎時的狀態,洗腎中心還是得仰賴醫護人員,每半小時抄寫一次生理量測值。
為自動掌握患者洗腎時的健康動態、降低洗腎患者心衰竭風險,唐德成聯手臺北榮總腎臟科主治醫生歐朔銘和臺北榮總資訊室工程師朱原嘉,找來數據分析廠商SAS來一起開發洗腎風險預測AI,要根據洗腎機的每秒參數變化,來進行風險預警。
於是,他們展開第一階段計畫,利用北榮大數據平臺的健保資料和洗腎機每秒產出的200組參數,來訓練心衰風險預測AI。當時,為了存放洗腎機每秒產出的大量資料,他們也建置了連續型資料庫,來儲存每分鐘寫入的130筆資料。這套風險預測AI的準確率達90%,團隊也進一步從上百組參數中,找出最關鍵的10組,最為心衰風險判斷的關鍵因子,並呈現在儀表板上,供醫護參考。
此外,團隊也用訓練這套AI的資料,來訓練乾體重預測AI,成功將設定乾體重的誤差值,從原本的400克降低為40克,誤差值降低80%。
第二階段導入AutoML,還借助邊緣裝置
繼去年完成第一階段成果後,團隊展開第二階段,不只納入肺部影像強化模型辨識能力,也開始導入AutoML工具,來加速模型開發。臺北榮總資訊室主任郭振宗指出,這個AutoML工具有3大特點,一是資料前處理時,可自動轉換特徵,來解決資料品質問題。比如,系統會自動偵測資料偏態、遺漏值和共線性等,接著會自動建議轉換方式,再提取特徵。
另一個特點是,在模型建置和部署階段,系統內建最佳化框架可自動挑選模型、調整參數,只要30分鐘就能完成,比過去資料科學家需要3天建模,省下了9成開發時間。
不只如此,AutoML工具還在模型部署上線後,根據每次運算產出解釋性報告,讓醫護了解模型預測心衰竭的高風險因子,並依重要性排序,醫護人員也能再行驗證。郭振宗指出,過去,北榮資深的腎臟科醫師至少得花5分鐘,逐項檢查可能導致心衰竭的風險因子,如乾體重、肺積水(得看X光片)、血紅素和白蛋白等營養素是否異常等,才能決定治療策略,但AutoML可在1秒產生解釋報告,依個案情況列出風險因子排序,加速醫師擬訂治療策略。
北榮團隊還在第二階段,在每臺洗腎機後方裝設邊緣運算裝置,如一個小盒子般,讓AI模型透過這個小盒子的算力,直接在洗腎機端進行運算,不僅降低中央伺服器需求,就算是離線狀態,也能進行風險預測。郭振宗表示,這個方法讓醫院省下99%的硬體伺服器費用,未來可低成本大規模擴展,就算是沒經費添購伺服器的診所,也能使用。同時,北榮也打算在不同科別運用這種邊緣運算模式,來進行更多AI運算。
下一階段要在多場域試驗,拼TFDA認證推廣全臺洗腎中心
郭振宗透露,接下來臺北榮總有兩個目標,一是藉助商用工具實現模型維運管理,透過雲端架構來管理模型版本,同時監控模型上線後的效能指標,一旦異常就自動重新訓練再部署,達到模型生命周期的自動掌控。如此一來,可省下原本模型重新訓練再部署的3至6個月時間。他們預計,整個模型維運管理流程將建立在Azure上,避免淡旺季閒置浪費或不敷使用的問題,之後若擴展到其他院區,也能彈性共享。
另一個目標是,要在更多場域試驗搭配邊緣運算裝置的洗腎風險預測AI。目前,臺北榮總已與臺中榮總和關渡醫院洽談,準備在這兩處洗腎中心進行測試。接下來,他們還要申請衛福部食藥署的智慧醫材認證(即軟體即醫療器材SaMD),將這套AI推廣到全臺,不論是醫院洗腎中心、榮家還是洗腎診所,都能使用。
熱門新聞
2024-12-08
2024-12-08
2024-11-29