作者：奇美醫院 外科 葉敬淳 醫師
相關文章：[快訊] 葉敬淳醫師團隊，關於應用 AI 模型預測高風險燒傷患者預後之研究，獲 Diagnostics 刊登！
約莫在 2023 年三月份左右，從科部秘書與醫學研究部處得知，新思惟團隊即將在五月份前來台南開課，提供名額給奇美醫院。
學員自己先行墊付學費，待課程結束兩年內，如有發表 SCI 的原著論文，就可以申請全額學費補助。心想自己剛好有一個 topic 尚未動筆寫作，那就趁這個機會好好加強、督促自己，等於是免費上課，刊登出來還有獎金。因此，課程日期雖然跟母親節衝突，我還是毅然決然跟家人請假，報名參加課程。
燒傷範圍從輕微的醫療問題到嚴重的危及生命的情況不等。燒傷的嚴重程度和部位，決定了治療方式。儘管輕微燒傷可能可以在家中治療，但嚴重燒傷需要醫療干預，有時需要在專門的燒傷中心護理。葉敬淳醫師團隊利用人工智慧（AI）與機器學習（ML）預測燒傷患者可能出現的不良效應。
研究納入 2010 年至 2019 年間入住奇美醫療中心的燒傷患者。研究使用了 14 個特徵，包括先前的併發症和實驗室結果等資訊，用於建立預測皮膚移植手術、住院時間延長和總體不良效應的模型。整體而言，70% 的數據用於訓練 AI 模型，剩餘的 30% 用於測試。並採用隨機森林、LightGBM 和邏輯回歸三種 ML 算法，評估指標包括準確性、靈敏性、特異性和 AUC。
結果發現在這項研究中，經過 224 名患者評估，隨機森林模型的 AUC 在預測住院時間延長（>14天）方面最高，為 81.1%，其次是 XGBoost（79.9%）和 LightGBM（79.5%）模型。此外關於是否需要皮膚移植，隨機森林模型有最高的 AUC（78.8%），而關於不良併發症的發生，隨機森林模型和 XGBoost 模型均有最高的 AUC（87.2%）。
根據具有最高 AUC 值的最佳模型，設計了一個 AI 預測系統，並集成到醫院資訊系統中，以幫助醫生做出決策。
AI 技術展現出卓越的能力，可以預測燒傷患者的住院時間延長、是否需要皮膚移植以及是否發生總體不良併發症。葉敬淳醫師團隊的研究建構了一個新型預測模型，可以無縫融入醫院資訊系統，增強臨床決策，加強醫生與患者的交流。
恭喜葉醫師！
想乘著 AI 熱潮做研究，卻發現自己不懂學術寫作嗎？來看看蔡校長的建議：
與異常發現無關的否定和推測，可能導致自動放射學報告的高度關注或實驗室資訊系統標記的假陽性警報。
翁國勛醫師團隊想要評估自然語言處理方法（NegEx、NegBio、NegBERT 和transformers）的性能。
團隊對報告中所有與異常發現無關的否定和推測語句進行了標記。在實驗 1 中，對多個變換器模型 ALBERT、BERT、DeBERTa、DistilBERT、ELECTRA、ERNIE、RoBERTa、SpanBERT 和 XLNet 進行了微調，並比較它們的性能，使用精確度、召回率、準確度和F1 分數。在實驗 2 中，將實驗 1 中的最佳模型與 3 個確立的否定和推測檢測算法（NegEx、NegBio 和 NegBERT）進行了比較。
研究從奇美醫院的 3 個分院收集了 6000 份放射學報告，涵蓋多種影像學模式和身體部位。在與異常發現無關的文字中，有 15.01% 的單詞和 39.45% 的重要診斷關鍵詞是以否定或推測陳述詞彙出現的。在實驗 1 中，所有模型在測試數據集上展現準確度 >0.98 和 F1 分數 >0.90。ALBERT 表現最佳（準確度 = 0.991；F1 分數 = 0.958）。
在實驗 2 中，ALBERT 在總體性能（準確度 = 0.996；F1 分數 = 0.991）、在預測診斷關鍵詞是否出現在與異常發現無關的推測陳述中，以及在改善關鍵詞提取性能（準確度 = 0.996；F1 分數 = 0.997）方面，優於優化的 NegEx、NegBio 和 NegBERT。
翁國勛醫師團隊的研究結果發現 ALBERT 深度學習方法表現最佳，對於研發電腦輔助通知系統的臨床應用，有實際幫助。
恭喜翁醫師！
考專科需要一篇以第一作者發表的 original article，但只有 case report 的發表經驗嗎？內文要寫哪些重點？新思惟與你分享「最好的寫法」！
答：（蔡依橙）
在選擇指導老師以及一起工作的團隊長官的時候，有一個蠻好的評估指標，就是：他到底怎麼回饋你的內容。
給學生或同事的回饋，你如果仔細分析的話，會發現它有三個層次：
第一層是簡單的主觀評價，像是：你這張圖做得很醜欸。你這篇文章寫得不好。我覺得你這篇不行。
不寧腿症候群（RLS）的惡化是產多巴胺類藥物的副作用之一，也是治療失敗的主要原因。缺鐵被認為是導致 RLS 的風險因素之一，但與 RLS 惡化之間的關聯尚不明確。李穎昇醫師團隊想要透過統合分析研究血清鐵蛋白和 RLS 惡化之間是否存在關聯。
團隊查閱了 PubMed、Cochrane Library、Embase、ClinicalKey、ScienceDirect 和ProQuest 等數據庫，比較那些患有 RLS 惡化和沒有惡化患者的血清鐵蛋白。同時也分析了左旋多巴等效劑量（LED）、國際不寧腿評分量表（IRLS）以及血清血紅蛋白的數據。
最後共納入了六項符合資格標準的觀察性研究，涵蓋了 220 名患有 RLS 惡化和 687 名未有 RLS 惡化的患者。結果顯示，RLS 惡化明顯與低血清鐵蛋白水平相關，且與高 LED 相關，但在高 IRLS 得分方面的相關性則不明顯。
李穎昇醫師團隊的研究證實低血清鐵蛋白與 RLS 惡化有關。對於患有 RLS 且存在鐵缺乏的患者，鐵補充劑不僅可以緩解其基本 RLS 症狀，還可以降低 RLS 惡化的風險。此外，在處理血清鐵蛋白持續偏低的患者，或那些患有中度至重度 RLS 的患者時，應首選非多巴胺能藥物以預防惡化。
恭喜李醫師！
統合分析論文可以連發，真的可以嗎？有學員成功過嗎？來看看學員們的心得分享：
在常見的神經系統疾病中，創傷性腦損傷（TBI）的發病率在全球最高，不僅會導致殘疾和死亡，還會引發多種精神問題，包括：憂鬱症、廣泛性焦慮障礙、創傷後壓力症和廣場恐懼症等等，更有研究指出 TBI 患者有較高的自殺意念和自殺嘗試。因此，迫切需要有效的治療方法來面對 TBI 患者的憂鬱情況。
談到治療憂鬱症和其他精神疾病時，非侵入性腦部刺激是一種常見的治療方法，包括兩種技術：「重複性經顱磁刺激」（rTMS）和「經顱直流電刺激」（tDCS）。它們透過在腦部施加輕微的電流或磁場，來改善患者的心理狀態。
為了評估 rTMS 和 tDCS 這兩種技術對 TBI 患者憂鬱症狀的療效，張俊鴻醫師團隊全面檢索於 2023 年 1 月 28 日之前，在 PubMed、Cochrane Review 以及 Cochrane Central 等資料庫，並使用隨機效應模型評估治療效果。
這篇研究一共統合 10 個試驗（包含 234 名參與者；8 個 rTMS，2 個 tDCS），發現非侵入性腦部刺激相對於模擬治療，在緩解憂鬱症狀方面效果較好；其中 rTMS 表現相對出色，而 tDCS 的結果則不確定。而且，治療次數、治療強度或總劑量無相關性。
張俊鴻醫師團隊的研究指出 rTMS 治療後效果雖顯著，但在介入後 1-2 個月內有所減弱；然而，對 TBI 患者而言，不失為短期緩解憂鬱症狀的治療方法。此外，關於非侵入性腦部刺激相關的不良事件很少，幾乎沒有嚴重後果，再次確認它的治療安全性，為醫療保健提供一個有價值的治療選擇。
恭喜張醫師！
自從掌握統合分析這項工具之後，研究開啟另一條產線，學術進入量產階段。即使大環境無資源，只要一台電腦連上網進行文獻搜尋，也能成功做出自己的研究。
