三軍總醫院以 AI 心電圖辨識死亡高風險病人、簡訊通知醫師；15,965 人隨機對照試驗顯示整體死亡風險降低 17%。
一名 70 歲女性，患有糖尿病、冠心症並長期洗腎，因腸胃道出血一週，經急診檢查後住院。住院第二天，她出現胸痛，懷疑急性心肌梗塞；接受藥物治療後，隔天胸痛改善。然而，第四天凌晨，她突發心律不整，經急救仍不幸死亡。
症狀改善，潛在的致命風險卻未必解除。這起重症個案反映了臨床照護的難題：如何在病人突然惡化之前，辨識需要加強監測與介入的對象？
三軍總醫院副院長暨數位醫療中心主任林錦生與跨專業團隊，針對這項需求發展「AI 心電圖守護者」。系統分析心電圖中的風險訊號，辨識死亡高風險病人，透過簡訊通知醫師，提供進一步評估與處置的參考。團隊並以隨機對照試驗，追蹤預警介入後的照護行為與死亡結果。
醫師為急診或住院病人安排心電圖後，資料上傳，由 AI 模型分析死亡風險。當結果達到高風險門檻，系統即發送簡訊，提醒醫師密切監測病況，並提供連結，供醫師查閱心電圖與 AI 預測報告。AI 報告也整合進院內醫療系統，供醫師在照護過程中查閱。
從心電圖檢查、模型分析，到簡訊通知與報告查閱，預警流程直接連接照護醫師。收到訊息後，醫師再依病人的症狀、檢查結果與整體狀況，決定是否進一步處置。
團隊列出的處置方向包括密集監測、安排心臟相關檢查，以及針對發現的問題給予治療。這些均作為醫師的判斷參考，並未要求所有高風險病人接受相同檢查或藥物。
為了解警示後的照護變化，研究追蹤加護病房入住、心臟超音波檢查、抗心律不整藥物 Amiodarone 使用，以及心衰竭指標與游離鈣檢驗等項目。
在高風險病人中，AI 警示介入組於三天內入住加護病房的比例為 16.9%，常規照護組為 12.5%；七天內接受心臟超音波檢查的比例，則分別為 44.6% 與 34.9%。
這些結果呈現了預警後的醫療行為差異。至於個別檢查或用藥對存活改善的貢獻，仍不能由這些差異直接判定。
2024 年發表於《Nature Medicine》的研究，最終分析 15,965 名病人，以 90 天內全因死亡率為主要終點。AI 警示介入組的死亡率為 3.6%，常規照護組為 4.3%；死亡風險比（HR）為 0.83，95% 信賴區間為 0.70 至 0.99，相當於死亡風險降低 17%。
效益主要見於 AI 辨識的高風險病人：全因死亡 HR 為 0.69，相當於死亡風險降低 31%；低風險病人的 HR 為 0.97，未見明確差異。
《Nature Medicine》· 預先規劃的次族群分析
高風險族群的心因性死亡率，介入組為 0.2%，常規照護組為 2.4%。這項結果與加護照護、心臟檢查等處置差異，共同呈現預警介入的臨床效益，但確切作用機制仍待進一步釐清。
團隊將模型預測表現的定期監控納入後續管理，並推進跨院驗證。從高風險辨識、警示送達到醫師評估與處置，這套流程仍須在不同醫院的病人族群與照護環境中，持續檢驗其成效。
