【衛福部技術團隊研發成果2】利用智慧醫療科技及精準醫學以促進心肺復甦術的施救品質與紀錄
發表於: 2025-06-02
一、技術名稱：
利用智慧醫療科技及精準醫學以促進心肺復甦術的施救品質與紀錄
二、執行團隊：
國立台灣大學醫學院附設醫院急診醫學部 呂宗謙 醫師
三、技術摘要：
本計畫為利用智慧醫療以促進心肺復甦術的施救品質與紀錄。第一年我們設計了一個臨床觀察性試驗，通過使用配備 LiDAR 掃描儀的智慧型手機(iPhone)為患者拍攝兩張照片，我們成功地構建了令人滿意的深度學習模型，定位了心肺復甦術時胸部按壓的最佳壓胸位置和最佳胸部按壓深度。第二年我們利用此前我們曾發表的智慧型手表 (Adroid watch) 的加速計以預測心肺復甦術時壓胸的深度與速度並能提供施救者及時回饋，移植至一個非智慧型手表的急救原型產品，但足以與手機與平板連結並提供回饋，以促進心肺復甦術時壓胸的施救品質。目前正發展第三年計畫，我們預計設計智慧型平板的心肺復甦術的急救紀錄，並嘗試與前揭胸部按壓位置以及按壓品質以藍芽通訊連結，目標是能夠從平板得知施救品質並提供額外回饋給施救者，並產生自動化的施救記錄。
四、技術內容：
技術內容一
我們在台大醫院進行了一項前瞻性研究。所有接受胸部電腦斷層掃描的成人急診患者均為試驗候選人。我們收集了患者的年齡、性別、體重、身高及過去病史，包括慢性阻塞性肺病和心衰病史。使用配備LiDAR掃描器的智能手機拍攝患者正面和側面照片。左心室（LV）位置和胸壁深度在CT影像上標記並測量，然後分別映射到正面和側面照片。患者的個人資料、病史、標記照片和LiDAR數據用於模型訓練。數據按70:30比例分為訓練和測試集，並開發了基於卷積神經網絡（CNN）的自定義深度學習模型。左心室定位性能以交並比（IOU）評估，胸壁深度估計以R平方和均方根誤差（RMSE）評估 （圖1）。共納入347例患者（平均年齡62.1±17.7歲，範圍20至99歲），其中242例隨機分配至訓練組，105例分配至測試組。女性132例（38.0%），男性215例（62.0%）。平均身高163.9±9.1厘米，平均體重63.6±16.3公斤。平均胸壁深度為22.3±2.9厘米，無論測量方式（軸向或矢狀）。左心室定位任務中，訓練組平均IOU為0.556±0.176，測試組為0.526±0.198。胸壁深度估計任務中，訓練組平均R平方為0.668（RMSE：1.681），測試組為0.731（RMSE：1.439）（圖2）。
技術內容二
我們先前開發了一款穿戴式應用程式，透過ASUS ZenWatch 2智能手錶的加速度計感測器數據，提供即時回饋功能，針對模擬人體上的胸部按壓，引入兩種新型演算法，用以估計胸部按壓速率與深度（圖3）。我們打造了一款CPR回饋裝置原型，內建加速度計與先進演算法，可即時預測CPR品質，包括胸部按壓速率與深度。此原型與Raspberry Pi 4整合，作為裝置與筆電間的信號轉換器。我們進行了一項驗證研究，評估研究人員執行胸部按壓CPR時，裝置與模擬人測量的按壓速率準確性（圖4）。在驗證階段，兩名研究人員作為救援者，在Resusci Anne QCPR訓練模擬人上進行2分鐘的僅胸部按壓CPR，涵蓋多個目標場次。每位研究人員執行五場不同場次，共計10場。使用Laerdal PC SkillReporting軟體記錄並分析模擬人CPR的速率與深度數據。我們比較原型機（搭載先前開發的演算法）生成的按壓深度預測與Resusci Anne的參考數據，透過Bland-Altman（BA）分析評估兩者回饋的一致性。結果顯示，BA分析中，我們方法與參考標準的深度平均差異為-0.011，兩方法間的偏差不顯著，95%信賴區間為-0.1083至0.1295（圖5A）。進一步針對不同目標速率（80-99、100-120、121-140）進行子群BA分析，深度平均差異分別為0.018、0.003、-0.046，95%信賴區間分別為-0.2104至0.1741、-0.2135至0.2071、-0.1624至0.2541（圖5B至5D）。
五、團隊聯絡資訊：
臺大醫院急診醫學部 呂宗謙 醫師
電子郵件: jonathanlu@ntuh.gov.tw, 電話: 02-23123456 (ext: 262831)
利用智慧醫療科技及精準醫學以促進心肺復甦術的施救品質與紀錄
二、執行團隊：
國立台灣大學醫學院附設醫院急診醫學部 呂宗謙 醫師
三、技術摘要：
本計畫為利用智慧醫療以促進心肺復甦術的施救品質與紀錄。第一年我們設計了一個臨床觀察性試驗，通過使用配備 LiDAR 掃描儀的智慧型手機(iPhone)為患者拍攝兩張照片，我們成功地構建了令人滿意的深度學習模型，定位了心肺復甦術時胸部按壓的最佳壓胸位置和最佳胸部按壓深度。第二年我們利用此前我們曾發表的智慧型手表 (Adroid watch) 的加速計以預測心肺復甦術時壓胸的深度與速度並能提供施救者及時回饋，移植至一個非智慧型手表的急救原型產品，但足以與手機與平板連結並提供回饋，以促進心肺復甦術時壓胸的施救品質。目前正發展第三年計畫，我們預計設計智慧型平板的心肺復甦術的急救紀錄，並嘗試與前揭胸部按壓位置以及按壓品質以藍芽通訊連結，目標是能夠從平板得知施救品質並提供額外回饋給施救者，並產生自動化的施救記錄。
四、技術內容：
技術內容一
我們在台大醫院進行了一項前瞻性研究。所有接受胸部電腦斷層掃描的成人急診患者均為試驗候選人。我們收集了患者的年齡、性別、體重、身高及過去病史，包括慢性阻塞性肺病和心衰病史。使用配備LiDAR掃描器的智能手機拍攝患者正面和側面照片。左心室（LV）位置和胸壁深度在CT影像上標記並測量，然後分別映射到正面和側面照片。患者的個人資料、病史、標記照片和LiDAR數據用於模型訓練。數據按70:30比例分為訓練和測試集，並開發了基於卷積神經網絡（CNN）的自定義深度學習模型。左心室定位性能以交並比（IOU）評估，胸壁深度估計以R平方和均方根誤差（RMSE）評估 （圖1）。共納入347例患者（平均年齡62.1±17.7歲，範圍20至99歲），其中242例隨機分配至訓練組，105例分配至測試組。女性132例（38.0%），男性215例（62.0%）。平均身高163.9±9.1厘米，平均體重63.6±16.3公斤。平均胸壁深度為22.3±2.9厘米，無論測量方式（軸向或矢狀）。左心室定位任務中，訓練組平均IOU為0.556±0.176，測試組為0.526±0.198。胸壁深度估計任務中，訓練組平均R平方為0.668（RMSE：1.681），測試組為0.731（RMSE：1.439）（圖2）。
技術內容二
我們先前開發了一款穿戴式應用程式，透過ASUS ZenWatch 2智能手錶的加速度計感測器數據，提供即時回饋功能，針對模擬人體上的胸部按壓，引入兩種新型演算法，用以估計胸部按壓速率與深度（圖3）。我們打造了一款CPR回饋裝置原型，內建加速度計與先進演算法，可即時預測CPR品質，包括胸部按壓速率與深度。此原型與Raspberry Pi 4整合，作為裝置與筆電間的信號轉換器。我們進行了一項驗證研究，評估研究人員執行胸部按壓CPR時，裝置與模擬人測量的按壓速率準確性（圖4）。在驗證階段，兩名研究人員作為救援者，在Resusci Anne QCPR訓練模擬人上進行2分鐘的僅胸部按壓CPR，涵蓋多個目標場次。每位研究人員執行五場不同場次，共計10場。使用Laerdal PC SkillReporting軟體記錄並分析模擬人CPR的速率與深度數據。我們比較原型機（搭載先前開發的演算法）生成的按壓深度預測與Resusci Anne的參考數據，透過Bland-Altman（BA）分析評估兩者回饋的一致性。結果顯示，BA分析中，我們方法與參考標準的深度平均差異為-0.011，兩方法間的偏差不顯著，95%信賴區間為-0.1083至0.1295（圖5A）。進一步針對不同目標速率（80-99、100-120、121-140）進行子群BA分析，深度平均差異分別為0.018、0.003、-0.046，95%信賴區間分別為-0.2104至0.1741、-0.2135至0.2071、-0.1624至0.2541（圖5B至5D）。
五、團隊聯絡資訊：
臺大醫院急診醫學部 呂宗謙 醫師
電子郵件: jonathanlu@ntuh.gov.tw, 電話: 02-23123456 (ext: 262831)
圖1
圖2
(左)圖3、(右)圖4
圖5