作者：奇美醫院 婦產部 婦女泌尿科 沈姿岑 醫師
相關文章：[快訊] 沈姿岑醫師團隊，以機器學習預測下泌尿道症狀患者急性冠心症與中風風險之研究，獲 Taiwanese Journal of Obstetrics and Gynecology 刊登！
這次的研究與發表，首先還是要感謝「新思惟」的課程，帶來的助益，而這一篇論文對我來說，是一個非常重要的學術里程碑。
準備過程中，讓我體會到跨領域整合的重要性。如果僅依靠個人的臨床經驗，很難察覺下泌尿道症狀（LUTS）與潛在中風的關聯；但若只有現行的人工智慧（AI）技術，所得出的結果可能又缺乏醫學意義。因此，在與前輩們討論後，我相信唯有醫學與 AI 的結合，才能創造真正具價值的研究成果。
有下泌尿道症狀（如頻尿、夜尿、排尿困難）的病人，往往也有高血壓、糖尿病、高血脂等代謝疾病，而這些病人未來發生急性冠心症（ACS）或中風的風險明顯較高。因此沈姿岑醫師團隊希望透過機器學習，建立一個能夠早期預測的模型，即時精準評估個別病人心腦血管事件風險。
沈醫師團隊回顧奇美醫院 2001-2018 年共 1799 位有下泌尿道症狀的病人，收集與心腦血管疾病相關的臨床變數，利用六種不同的機器學習方法建立模型，並比較其在預測三年內急性冠心症或中風的準確度。
研究分析顯示，多層感知器（MLP）模型的表現最佳，在預測病人三年內發生急性冠心症或中風時，曲線下面積（AUC）達 0.803，優於其他模型。這代表透過 MLP，可以有效區分高風險與低風險病人。
研究團隊認為，機器學習能幫助臨床醫師更精準地預測下泌尿道症狀病人的心血管風險，若能整合到臨床系統中，就能在門診快速產出個人化風險，協助醫師做出治療建議，例如提醒病人改善生活習慣、提升用藥遵從度，甚至及早轉介與介入，達到預防重大心血管事件的目的。
恭喜沈醫師！
寫 Introduction 時，重點不是鋪陳得多完整，而是能否直擊研究的核心價值。最有效的方法，就是從結果出發：先看這篇研究帶來了什麼新的發現，再挑選與結果最相關的文獻放進 Introduction。
這樣一來，脈絡就會非常清楚：過去在這個議題上已經知道什麼、還缺少什麼，而你的研究正好補上這個空缺。這種「畫靶射箭」的方式，能讓 reviewer 在第一時間就明白，這篇文章的重要性與新意。影片中，講師會清楚說明，如何把 Introduction，讓 reviewer 一讀就心服口服？
問：請問校長，如何看待 AI 到來的世界？
會這樣問，是因為我發現最近有很多名人，都喜歡評論 AI 出現後的世界會怎麼發展。黃仁勳說，這會是個超級大的產業，說得好像現在我就該 all in 買他們家的股票，或者辭職重新培訓，進入 AI 產業。很多大大小小的 KOL，都說不用 AI 就落伍了。但其實那些工具好像在我的工作中用不到……
請問我該怎麼看待這個事情？
答：（蔡依橙）
因為資料很多，我先推薦兩個影片給你，然後跟你說要怎麼閱讀。
一個是你提到的黃仁勳，最近一次的長時間訪談，這個有中文。一個是大歷史專家哈拉瑞，雖然沒有中文字幕，但你可以用 YouTube 的自動英文字幕加上自動翻譯，就有基本的中文可以看。
空氣污染會引發過敏疾病，特別是氣喘，朱裕文藥師參與團隊探討空污和基因風險對台灣人氣喘發病的影響。
研究利用「台灣精準醫療計畫」（TPMI）的資料，比較了氣喘患者和健康民眾的差異。研究團隊從 2000 年 1 月追蹤到 2021 年 12 月，總共納入 9756 名參與者，其中包括 3252 位氣喘患者和 6504 位健康對照組。研究人員根據每個人的「多基因風險評分」（PRS）將參與者分成四組，同時評估他們長期暴露在空氣污染物中的濃度和時間。
研究結果顯示，基因風險最高的那一組民眾，得到氣喘的機率比其他人高出 53%（勝算比 = 1.532），而且這個數據在統計上非常顯著。更令人擔心的是，即使是「低濃度」的空氣污染物，包括 PM2.5、PM10、二氧化氮（NO2）、錳（Mn）和臭氧（O3），長期接觸下來也會明顯增加氣喘風險。特別是在空污嚴重的環境下，這種關聯性變得更加明顯。
這項研究最重要的發現，是空污和基因會「聯手」增加氣喘風險。如果本身基因就比較容易得氣喘，再加上長期暴露在污染環境中，得病的機率會大幅提升。即使是以為「還好」的低濃度空污，對於基因高風險的人來說，仍然是健康威脅。
研究團隊強調，這些發現突顯了「個人化健康管理」的重要性。對於基因風險較高的民眾，應該要特別注意空氣品質，採取更積極的防護措施。
恭喜朱藥師！
同一篇研究，可以先到學會發表，再投稿國際期刊嗎？來看看講師的建議。
Ulotaront 是一種新型思覺失調症藥物，作用於 TAAR1 與 5-HT1A 受體，不直接作用於多巴胺受體，被期待能改善症狀、同時降低副作用。許智維醫師團隊希望透過統合分析，找出哪一種劑量最有效。
許醫師團隊依照 PRISMA 系統性回顧原則，搜尋多個資料庫，挑選隨機對照試驗（RCT），最後納入三項臨床試驗，共 1144 位病人，比較不同劑量在急性期的效果與副作用。分析方式是「劑量反應統合分析」，比較 50、75 與 100 毫克的 Ulotaront 與安慰劑之間的差異。
結果顯示，Ulotaront 在 75–100 mg 劑量時，對改善思覺失調症狀的效果較明顯，尤其是 100 mg 劑量，在 PANSS（活性與負性症狀評量表）總分與負性症狀的改善上達到統計顯著。不過整體改善幅度偏小，CGI-S 並沒有明顯差異。安全性方面，各劑量與安慰劑相近，並未增加停藥或嚴重副作用的風險；唯獨在 50–75 mg 劑量，焦慮相關副作用的風險較高。
研究團隊認為，Ulotaront 在 100 mg 劑量時，展現最佳療效，且整體安全性良好，可能是目前較佳的思覺失調治療選擇，未來值得評估更高劑量是否能帶來更佳療效。
恭喜許醫師！
做統合分析時，很多人直覺會想：是不是「越多篇越好」？其實要分情況。文獻數很多，代表這個主題已經被研究得很深入，競爭激烈，如果沒有龐大團隊，常常會因為資料量太大而難以消化。更糟的是，主題熱門也代表「別人早就寫過」，要突圍就必須速度更快、切入角度更新。跟著講師的方式，協助研究者依照文獻數目與主題特性，找出最有效率的路線。
