新光吳火獅紀念醫院（簡稱新光醫院）麻醉科主治醫師張正熹8月12日揭露麻醉科智慧醫療應用進展，他們從麻醉記錄數位化起步，將複雜的關鍵資訊塞進13吋平板中、還打造出高難度的麻醉電子記錄中央站。同時，他們也用BI管理101項麻醉品質指標，後來還用AI Coding自行開發多套看板系統，更導入大型語言模型（LLM），從龐雜病歷中搜尋術前麻醉風險因子。下一步，麻醉科團隊瞄準術中AI預測，要透過即時分析生理訊號，提早發現病況變化、及早介入。
麻醉醫師都在做什麼？從術前評估一路延伸到術後照護
一般人對麻醉醫師最直接的印象，大都是病人進手術室後施打麻醉、監控生命徵象。但麻醉科醫師的工作，早在手術開始前就開始了，而且一路延伸到手術結束後。
簡單來說，麻醉科醫師工作可分為術前、術中和術後三大階段。術前，麻醉科醫師要做麻醉評估，參考病患的就醫記錄、病史和各種檢驗檢查資料，來評估麻醉風險，並制定麻醉計畫，來與病人溝通、簽署同意書。
手術當天，麻醉科醫師得在麻醉作業中，負責麻醉照護，以確保病人安全。同時，他們還要了解不同刀房的動態，比如有哪些手術、目前進行到哪個階段、由哪些麻醉醫師與護理人員負責、哪些人員可以支援等，要是出現急刀，才可以快速調配人力。
術後，麻醉團隊也得追蹤病人狀態，進行術後記錄和麻醉訪視、把關麻醉品質。可以說，麻醉科的工作，不只是讓病人在術中睡著，而是一連串橫跨病歷資訊、人員、刀房、排程與藥品的即時協作。
從麻醉紀錄下手，2023年開始打造資料基礎
為減輕麻醉科工作負擔，團隊首波瞄準最基礎、也最棘手的麻醉記錄系統，先把這個作業流程數位化。
在院方支持下，新光醫院麻醉科找來外部廠商筑波，一起開發這套麻醉記錄系統。他們在2023年1月啟動建置，2024年5月正式上線系統。張正熹坦言，開發這套系統充滿挑戰，首先，有別於大多數麻醉資訊系統、採用大型螢幕，麻醉科團隊一開始就鎖定「輕薄短小」，要將主要操作介面塞進一臺13吋的平板螢幕，直接設置在手術室麻醉機旁，方便醫師操作。
但問題是，麻醉記錄系統的作業需求，比醫院高度複雜的加護病房（ICU）系統還要細緻，操作彈性也要更大。於是，為實現輕薄短小的目標，團隊決定從頭拆解整套麻醉工作流程，耗費大量心力拆分成20種作業情境，再由工程團隊按新光醫院的臨床工作習慣、重新組裝，串接成完整系統。
他們如願將這套系統塞進平板螢幕，麻醉團隊可直接查看手術相關資訊，以及麻醉執行記錄、術中照護記錄、PACS醫療影像、管路與事件記錄等資訊，「辛苦是值得的！」張正熹說。
更關鍵的是，團隊還在這個過程中，進一步打造出高難度的麻醉電子記錄中央站，就算麻醉醫師在其中一間手術室，也能從手機或電腦掌握其他刀房的即時狀況。
這套系統還有另一個延伸好處，也就把原本散落在麻醉過程中的資料，比如生理訊號，集結成可以進一步分析的數位資料庫。張正熹透露，目前這套資料庫累積了超過1萬名病人的生理訊號資料，可進一步分析不同生理參數的關聯，也能用來觀察住院醫師的臨床訓練表現。
這套麻醉記錄系統不只解決數位化問題，還讓手術室有了一套可持續累積、分析、再利用的結構化臨床資料，更成為後續生成式AI等應用的重要基礎。
不只用BI管理品質指標，還自建麻醉動態即時資訊看板
除了麻醉記錄系統，新光麻醉科還做了許多BI應用。
麻醉品質指標管理，就是一例。10多年前，新光麻醉科就開始追蹤麻醉品質指標，累積下來高達101項，每月還得開會檢討指標狀況。但指標越來越多，也產生另一個問題：如何快速從101項數據中，找出真正值得注意的異常？
於是，張正熹打造BI儀表板，利用顏色變化，呈現不同指標的趨勢。哪些指標近期持續惡化、哪些已經超過設定閾值，都可以直接在儀表板上顯示，讓團隊把有限的檢討時間，集中在真正需要注意的項目。
不只如此，張正熹還進一步用Power BI開發手術室即時看板。他先向資訊室索取資料，再用BI工具建置一套看板，不只能即時呈現手術室當日的麻醉排程，還包括病人來源、手術進度、年齡、麻醉方式等資訊，一眼就能掌握當日的病人樣貌。
甚至更進一步，張正熹還將病人術前狀態、手術類型、年齡等因素來計算風險分數，再用不同底色呈現在刀房即時看板上。例如，高風險病人直接標示為紅色，現場人員一眼就能知道，哪間手術室需要投入更多注意力。
可以說，BI在這裡扮演的角色，已經不只是事後統計，而是把大量資訊轉成現場人員可以快速理解的訊號，協助團隊分配有限的注意力。
AI Coding讓醫師自己動手，自建管制藥品系統、人力管理看板
到了生成式AI時代，張正熹觀察到另一個更明顯的變化。「我發現它跟BI又不一樣了！」他形容，傳統資訊室人員的位置開始「再往後退」，反而是醫療使用端可以更往前，自己完成更多原本需要資訊人員協助的工作。
最直接的例子，就是AI輔助開發（AI Coding）。
麻醉科每天都得使用大量管制藥物，從發藥、收藥、清點、交接到簽核，都需要嚴格管理。張正熹形容，麻醉科一星期的使用量，可能等於醫院其他單位一整年的使用量，因此，團隊一直希望建立一套資訊系統管理。
問題是，醫院資訊室同樣面臨大量開發需求，專案不一定能立即排進時程。生成式AI工具普及後，張正熹乾脆用來輔助寫程式，自己打造一套管制藥物管理系統。目前，這套系統已能處理發藥、收藥、清點、交接與簽核等流程，現階段正進行使用者驗收測試（UAT），之後將上線試用。
類似的情況也發生在人力與刀房管理。
過去，麻醉護理人員每天都得在白板手寫、清點人力，處理手術室交班、中午排班，以及大小夜班間的特殊病情交接。為將這個工作數位化，張正熹向資訊室取得手術排程資料，再用AI協助開發一套電子看板，將原本白板上的即時工作資訊數位化，還能進一步分析各刀房當天的手術狀況。
於是，AI在新光麻醉科扮演了另一種角色：它不一定直接替醫師診斷或預測疾病，而是降低第一線醫療人員開發小型數位工具的門檻，讓最了解臨床痛點的人，可以先把需求轉換成能實際運作的解方原型。
用AI讀病歷，從大量病歷資料中協助找出術前麻醉風險因子
另一項更直接進入臨床決策流程的AI應用，則是新光醫院與微軟一起開發的術前風險評估輔助系統。
這是因為，麻醉科有個特殊之處：麻醉醫師每天遇到的病人，幾乎都是陌生病人，醫師必須在短時間內了解病人病史，找出可能影響這次手術和麻醉安全的重要資訊。
但，一位病人可能累積大量門診、住院、護理及過往麻醉紀錄，還有血液檢驗、心電圖、X光、心臟超音波、CT等檢查結果。也就是說，醫師得在龐大的資料中，快速找出真正重要的資訊。
於是，新光醫院從AI Copilot概念出發，建立一套以ChatGPT為核心的術前麻醉風險評估輔助系統。只要門診、住院或急診病人被排入手術排程，系統就會啟動分析、掃描過往病歷和醫療記錄，找出可能影響麻醉和風險因子。而且，系統不是只分析一次，從術前風險評估一路到手術前一刻，只要病人產生新的檢查或病歷資料，系統都會持續分析新資料。
張正熹特別分享這套系統的語意搜尋功能。他指出，過去，資訊系統主要仰賴關鍵字搜尋，使用者必須知道自己要找的關鍵字；語意搜尋則能進一步理解病歷內容和風險之間的關係。
舉例來說，一名病人被系統標示困難插管風險，醫師一開始查看病人資料時覺得「還好」，但進一步追查才發現，系統是從病歷中，找出病人患有帕金森氏症，並進一步連結到這項疾病可能增加麻醉插管與氣道管理的難度，因此主動貼上風險標籤、提醒醫師。
另一名病人的病歷更加龐雜。AI提醒，這名病人過去接受麻醉時曾出現血壓不穩，但醫師一開始甚至找不到警示來源。回頭查看才發現，這個資訊藏在過去的麻醉評估單中，當時醫師以中文記載病人曾數度血壓不穩，需使用升壓藥物。
這也是張正熹當時對語意搜尋印象特別深刻的地方：原始記錄就算不用相同的英文關鍵字，系統仍能理解中文病歷內容，找出這項歷史風險並提醒醫師。
除了語意搜尋，系統也用生成式AI整理資料，產出摘要和風險標籤，加速醫師掌握病人的整體風險輪廓，再回頭查看原始資料進行判斷。
下一步瞄準術中預測，要用AI提前預警病況變化
目前，新光醫院麻醉科的AI主要用於術前麻醉風險評估，而張正熹期待的下一步，是探索AI在術中預測的應用，要從生理數據變化中提早發現惡化趨勢、提醒醫護介入。
不過，要做到這件事還有兩大挑戰。首先是資料量，雖然新光醫院的麻醉資料庫已累積1萬多名病人的生理訊號，但若按科別拆分，各科資料仍不足以讓AI精準判斷趨勢，「國外相關應用至少有10萬名病人起跳，」張正熹補充。
其次則是跨系統整合。目前術中資料分散在院內系統與委外建置系統，例如特殊用藥、急救藥物、強心藥物及心臟電擊等資訊可能存在不同系統中，因此，團隊還得進一步整合兩邊資料，才能朝術中預測更進一步。
張正熹的構想是，未來讓AI從大量術中生理數據中掌握病況變化趨勢，計算特定異常事件發生的機率，在真正惡化前提醒醫護人員。舉例來說，用AI預測病人在10至15分鐘後發生低血壓的機率，讓醫師有機會提早介入，而不必等到異常發生才處理。
Comments (0)