服務對象

利用血液檢查與細胞族群數據預測菌血症風險

簡介說明

住院中或急診中疑似細菌感染的成年人病患

關鍵特色

本專案利用人工智能模型和醫療數據建立了菌血症的預測模型，並通過大量的資料驗證和跨科部的合作成功將模型整合入醫院系統，特點如下：
智血檢預測模型能夠提供早期警示，幫助醫護人員更早地識別高風險患者並做出適當的治療決策，從而提高醫療質量，降低藥物和醫療照護成本，並改善病患的結果。
智血檢模型具有泛用性，可以在任何能夠產出細胞族群數據的醫院中進行應用和預測。這意味著其他具有相關儀器的醫院也能受益於這一研究成果，從而擴大了其應用範圍。
智血檢資訊串接完成後，完全不需要醫療人員額外操作，也不需要額外檢體。提升臨床醫療的效能同時也降低臨床人員負荷。

服務數據

實際落地驗證（中醫大附醫） 模型於臨床實際運作環境中達到 AUROC 0.840、AUPRC 0.483 及 F1 Score 0.415。
降低血液培養抽取率 血液培養抽取比例由智血檢導入前（2023/01–2023/06）的 16.1%（8,565 人）下降至導入後（2024/01–2024/06）的 11.6%（6,070 人）。
提升血液培養陽性率 血液培養陽性率由智血檢導入前的 9.7%（828 人）提升至導入後的 12.7%（767 人），顯示血液培養抽取對象的選擇更為精準。
加速急診抗生素早期給予 3 小時內抗生素給予比例由 20.4% 提升至 22.3%；其中菌血症病人由 73.0% 提升至 78.5%，接受血液培養病人則由 50.2% 提升至 62.4%。6 小時內抗生素給予比例亦由 25.3% 提升至 27.2%，接受血液培養病人由 63.6% 提升至 76.5%。
降低急診多重靜脈抗生素使用率 整體病人的多重靜脈抗生素使用率由 2.7% 下降至 2.4%；白血球正常病人則由 2.1% 下降至 1.6%，顯示系統有助於抗生素使用管理。
降低白血球正常病人的住院率 在未增加急診回診率及回診住院率的情況下，白血球正常病人的住院比例下降，顯示智血檢有助於提升醫師對低風險病人安全出院的信心，進而減少不必要住院與院內滯留。

指標成果

智血檢使用的數據來源較為簡單，僅需全血檢驗數據與細胞族群數據，相比其他專利與研究需額外使用生化數據（如C反應蛋白、降鈣素原等）以及臨床參數，降低了實施的複雜性與成本。
智血檢在效能上表現優越，AUROC可達0.84，而其他專利與研究的AUROC約為0.802至0.814。
智血檢專注於即時性與臨床落地，已成功整合到臨床資訊系統中，實現即時風險提示與診斷輔助，適用於急診或需快速判斷風險的臨床場景，而其他專利與研究多仍停留在學術驗證階段，缺乏實際應用的證據。
團隊已有三篇文章 (急診與住院模型)刊登，一篇關於臨床影響力正在撰寫中。台灣專利也於2026年5月取得。團隊也受邀至台灣急診醫學年會分享智血檢相關之主題。(見附件資料)

安全數據

不需要額外的血液檢體。
減少非必要的血液培養抽血。
提前預測菌血症風險。

滿意度

依據急診醫師回饋, 接近九成醫師同意對於
智血檢模型有助於提醒醫師進行感染症相關檢查。
智血檢模型有助於是否使用抗生素治療決策。
智血檢模型的訊息具備即時性。
智血檢模型有助於病患動向決策。
智血檢模型界面呈現簡潔清晰。
智血檢模型整體表現滿意。

國際成就

智血檢會議與流程優化：每一到三個月由多方專家（包括總院院長、檢驗醫學中心及急診相關負責人、資訊室與人工智慧中心成員）召開會議，全面討論智血檢的項目、模型優化的可行方案、分析流程及結果應用，並根據臨床成效與現行問題進行評估和改進。
模型修訂與數據擴展：每二到四季根據新數據及臨床反饋對模型進行修訂與迭代，確保其在不同臨床場景中的實用性與準確性。同時，隨著數據集規模的擴大，考慮數據質量、樣本多樣性和臨床因素的干擾，將其納入模型優化過程，持續提升預測的穩定性與可靠性，為臨床提供更準確且高效的輔助工具。
最新版模型更新：過去使用單一 threshold 進行二元分類時，常面臨 sensitivity 與 false positive rate 之間的兩難： Threshold 過低 → Sensitivity 提升，但偽陽性（False Positive）增加。 Threshold 過高 → 偽陽性降低，但可能錯失真正菌血症個案（Sensitivity下降）。 Version 3 導入 Low / Medium / High 三層風險分級架構，利用兩個最佳切點將病患分層： Low risk（2.6%）：菌血症風險極低，可避免不必要血液培養與過度抗生素治療。 Medium risk（20.5%）：建議結合臨床評估決定後續處置。 High risk（74.7%）：菌血症風險極高，建議立即採集血液培養並儘早開始經驗性抗生素治療。此策略可提供比單一 threshold 更符合臨床決策流程的風險分層資訊，使模型同時兼顧：高風險病患的偵測能力低風險病患的排除能力抗生素與血液培養資源的合理運用

效益與影響

預測菌血症風險與臨床決策輔助工具：
模型能夠快速評估病患是否存在菌血症風險，透過整合全血檢驗、白血球分類以及細胞族群數據，即時生成預測結果，為臨床醫師提供診斷上的即時輔助。在改版後，我們因臨床反饋指出模型輸出偽陽性比例偏高，將原本的二分類架構調整為三分類模式，分為低、中與高風險三層級 (如附件資料下圖)。其中，高風險族群建議立即給予抗生素治療；低風險族群則不建議使用後線或多重抗生素；而中等風險族群則建議依臨床情況評估，再決定是否給予相應的抗生素。透過這樣的調整，我們能提高低風險與高風險病患分類的精準度，同時避免將模型原本難以判定的中間族群強行歸入高或低風險，從而降低偽陽性與偽陰性的發生率。藉由此方式，可以為醫師判斷是否啟用靜脈內抗生素或後線抗生素治療提供參考，減少不必要的抗生素使用，降低抗藥性風險。
感染相關檢查建議：
若高風險病患，提醒醫師進行進一步感染相關檢查，優化檢驗與檢查資源的使用。
病患動向決策：
本系統可協助臨床醫師判斷病患後續處置方向，提升臨床資源的使用效率。以菌血症預測為陰性的病患為例，臨床醫師能更有信心讓其帶著口服抗生素返家，而不必擔心日後血液培養若長出細菌，仍需再聯繫病患回院接受檢查或住院治療的情況。