台北榮總與賽仕(SAS)合作，導入AI與機器學習，針對過去洗腎可能併發心臟衰竭或其他併發症的風險，進行併發症與潛在因子的預測，並警示心衰竭發生機率與精準計算出洗腎後的乾體重，藉此提升洗腎安全性。

台北榮總資訊室朱原嘉博士指出，過去除了以人工手抄記錄之外，訓練模型的數據多以假數據或回溯型數據為主，缺乏即時的數據更新。

SAS業務支援部副總經理陳新銓則解釋，如此一來，便很難將病患現正處於的狀況納入考量與分析量測資料當中，較無法全面了解病人狀況。因此，目前模型分析的數據庫綜合回溯性及即時性資料，進行個人化的演算模式。

為了改善這樣的狀況，除了對原有的大數據資料庫進行資料清理之外，台北榮總花費約九個月的時間，與設備相關業者進行整合。

他解釋，過去的洗腎機台設備業者多不願意將設備連網，然而隨著智慧醫療與物聯網的發展，不可逆的趨勢也逐漸讓業者想法轉變。因此，洗腎機台成為即時蒐集病患狀況的載具，根據內部統計，每人每年所產生的分析數據多達300萬筆，再與大數據資料庫進行串接，越多資料量便能夠讓AI模型的準確度提升。

SAS提到，之所以能夠促成此次與台北榮總的合作，歸因於三大要素，分別為物聯網環境完善、晶片與儲存效能提升、進階分析技術突破演算效能。

過去SAS於醫療產業的耕耘主要以研究報告等為主，這次合作是首次以整合的方式進行，再加上台北榮總的病人數據量龐大，用以訓練模型的數據量約有達到1億筆，因此訓練出來的模型準確率表現相當不錯。

陳新銓指出，SAS擁有訓練模型與整合的知識，榮總則擁有醫療垂直領域的知識，經過一年半的時間整合完成。不過，由於醫生有自己的經驗法則與科別知識，原本擔心醫生沒有時間做知識分享與調整等工作，然幸運的是此次腎臟科的醫生皆非常樂意協助，資訊室也傾力相助，促成這次順利的合作。

朱原嘉指出，模型目前已完成最初階段的門檻，未來將會整合洗腎中心1~6樓的機台語數據，並持續調校模型分析的精準度，期待之後可以達到等同於由醫生辨識的準確度，也就是自現有的90%提升至95%。

By DIGITIMES