加入好友 登入/註冊
台灣急診醫學通訊
本會期刊
台灣急診醫學通訊

第八卷第三期
刊登日期:2025/06/30
Taiwan Emergency Medicine Bulletin 8(3) : e2025080305回上頁

點閱次數:47 PDF下載次數:2

急診中急性肺栓塞(PE)診療新趨勢:PERC Rule 與 AI 輔助影像判讀的臨床應用

鐘冠傑1、黃泰霖2

1. 高級救護技術員 台中市消防局第一大隊豐原分隊

2. 主治醫師 童綜合醫療社團法人童綜合醫院


前言:從診斷模糊地帶走向智慧醫療

        急性肺栓塞(pulmonary embolism,下稱PE)在急診臨床中是一項診斷難度極高但又不能忽視的疾病。根據德國 Dtsch Arztebl Int 期刊(Kulka et al., 2021)的統計,PE 是第三常見的心血管致死疾病。由於其臨床表現變化多端,其診斷經常仰賴臨床經驗與影像工具的輔助。在COVID-19 大流行後,PE 的發生率與死亡率皆有所上升——根據 Kulka 等人報告,住院病患中PE的發生率由原本的3.4% 上升至6.2%,死亡率亦由7.1%上升至12.6%(Kulka et al., 2021),如何精準快速地辨識高風險病人,成為急診醫師面臨的重大挑戰。


       在急診,肺栓塞的診斷,幾乎是無可避免的需要電腦斷層血管攝影術,沒有單一的抽血或更簡單平易近人的檢查,可以用來取代電腦斷層,雖然D-dimer這項工具不斷地被提起,但是因為有許多疾病均會造成d-dimer值升高,如果只靠d-dimer,將會使許多病人曝露在不必要的放射線和顯影劑下,同時,也惡化了急診雍塞,在此背景下,過去許多學者專家開發了許多臨床決策工具,如PERC Rule,希望能減少不必要的檢查。而近年來AI蔚為風潮,在許多影像及心電圖的判讀,AI在臨床上對醫師輔助也越來越不可或缺。以下將說明這兩項工具在急診臨床的整合應用與實務建議。


PERC Rule:低風險病患的排除準則

        在探討PERC rule 之前,先來了解幾種常見的肺栓塞臨床決策工具,目前常用的工具包括:

• Wells Score:最早被廣泛應用的臨床預測工具,根據臨床症狀(如 DVT、心率、咳血)、病史與其他診斷可能性評估,將病患分為低、中、高風險。中高風險者需進一步檢測 D-dimer 或 CTPA。

• Revised Geneva Score:基於客觀指標(如年齡、心率、DVT、外科病史等),排除主觀判斷,利於標準化。

• YEARS Model:簡化版的 Wells Score,依據是否懷疑 PE、DVT 症狀、咯血三項因素搭配 D-dimer 門檻設定(詳見後述),降低不必要 CTPA。

• PERC Rule:適用於低風險病人,若符合八項條件,可不進一步做 D-dimer 或 CTPA,直接排除 PE,主打快速、安全。

以下列出四項肺栓塞風險評估工具的詳細組成條件與比較表:

Wells Score 

項目
分數
臨床認為 PE 為最可能診斷3.0
有 DVT 臨床症狀3.0
心率 > 100 次/分鐘1.5
曾於 4 週內接受手術或不動1.5
曾有 PE 或 DVT 病史1.5
有咯血1.0
癌症病史1.0

分數解釋:

• 0–1 分:低風險,建議考慮使用 PERC Rule或進行 D-dimer 檢測

• 2–6 分:中風險,需進一步檢測 D-dimer,陽性則建議安排 CTPA

• 6 分:高風險,應直接安排影像學檢查。


Revised Geneva Score 

項目分數
年齡 > 65 歲1
DVT/PE 病史1
近期手術或下肢骨折1
惡性腫瘤1
單側下肢疼痛1
咯血1
心率 75–94 次/分3
心率 ≥ 95 次/分5
疼痛性下肢靜脈腫脹4

分數解釋:

• 0–3 分:低風險,可考慮 D-dimer 檢測

• 4–10 分:中風險,需進一步進行 D-dimer 或 CTPA

• ≥11 分:高風險,建議直接安排 CTPA


YEARS Model 

說明: YEARS model 為簡化的臨床預測工具,僅包含三項條件。若三項皆為否,則 D-dimer 門檻可放寬至1000 ng/mL,以減少不必要的影像檢查;若任一項為陽性,則使用傳統500 ng/mL 標準

條件應用方式
臨床懷疑 PE任一為陽性者:D-dimer 門檻為500ng/mL
有DVT症狀任一為陽性者:D-dimer 門檻為500ng/mL
有咳血皆為陰性者:門檻放寬至 1000 ng/mL


PERC Rule 

說明:PERC Rule為一項排除性規則,僅適用於低風險病患(如 Wells Score ≤ 1)。若病人同時符合以下八項條件,則三個月內PE發生率<1%。該工具能有效減少不必要的D-dimer與CTPA,尤其適用於高流量急診環境下的第一線快速風險排除。

條件說明
年齡 < 50 歲所有條件皆需符合
心率 < 100 bpm
SpO2 ≥ 95%
無單側下肢水腫
無咯血
無近期手術或重大創傷
無 VTE 病史
無使用雌激素


        以下進一步介紹PERCC Rule 的設計邏輯、適用族群與潛在限制

        Pulmonary Embolism Rule-out Criteria(PERC)是一項臨床決策工具,由 Kline 等人於2004年首次提出,主要目的為協助急診醫師在面對臨床懷疑PE但機率極低的患者時,能夠安全地排除肺栓塞而不需進行進一步檢測。其設計靈感來自於臨床實務中對過度使用 D-dimer 和 CTPA 的擔憂,進而建構出一套「排除規則」以減少不必要檢查與輻射暴露風險。


        根據 Kulka 等人回顧(Kulka et al., 2021),若病患符合以上八項標準,三個月內 PE發生率<1%,可考慮直接排除PE而不需抽血或影像學檢查。


        此工具經過多項大型前瞻性研究驗證,如 2008年Kline等人於Annals of Emergency Medicine 發表之PROPER trial,證實在選擇適當族群使用PERC可大幅減少檢查率而不增加誤診率。惟應特別注意:PERC 僅適用於臨床機率極低者(通常 Wells Score ≤ 1),不應用於症狀明顯、或特殊族群(如孕婦、癌症、免疫抑制病人)。


        PERC 的最大臨床價值,在於提供醫師一個「有邏輯依據的排除機制」,讓診斷流程從經驗判斷轉為結構化決策,亦有助於減少過度依賴 D-dimer 所帶來的 false positive 問題。


參、AI 輔助影像診斷:急診醫師的第二雙眼

        AI(Artificial Intelligence)在影像醫學中的應用主要仰賴深度學習(Deep Learning)技術,特別是卷積神經網絡(Convolutional Neural Networks, CNNs),這類模型能夠從大量已標記之 CTPA 影像中自動學習病灶特徵。以 Aidoc (https://www.aidoc.com)與Viz.ai(https://www.viz.ai),其系統結合3D血管追蹤演算法與肺動脈分支標記,可於數十秒內產生可疑栓塞影像標註,供醫師快速參考。


        進一步的模型開發如Silva 等人在 PLOS ONE(Silva et al., 2024)提出的二階段混合式架構,即先以InceptionResNet V2(一種深度學習影像模型) 來抓取每張肺栓塞CT影像的特徵,再用另一種模型(LSTM,長短期記憶網路)來分析整組切片的時間序列變化,結合實際臨床資料進行訓練與驗證,其在單一張CT片準確度可達到93%、而整體CCT影像判讀正確性達77%。藉由外部驗證結果顯示,對於PE的陽性檢測精確度為86%、陰性為69%。


        此外,Cureus(Allena & Khanal, 2023)、European Radiology(European Radiology, 2022)、Diagnostics(Diagnostics, 2024)等研究一致指出AI在處理影像品質不佳、注射時機不理想情況下,仍具良好辨識能力。


        現今許多 AI研究更致力於發展「跨切面」與「序列判讀」模型,解決傳統單一切面分析無法掌握PE立體分佈的問題,如 Cano-Espinosa(European Radiology, 2022)與Silva等人(2024)導入3D U-Net或InceptionResNet-LSTM 混合架構的研究所示,這類深度學習模型能在肺栓塞影像辨識上達到更高的AUC值(可達 0.94),並於外部資料驗證中展現良好臨床穩定性(Silva et al., 2024; European Radiology, 2022)。


        此外,《Pulmonology》期刊(Xavier et al., 2024)回顧指出,目前商業化AI系統於急診導入的最大挑戰在於:資料來源多樣性不足(scanner 單一化)、模型黑箱性、與醫師工作流程整合度。


        未來的應用趨勢也包括「多模態整合」(Multimodal Fusion),如將AI判讀與心電圖、超音波與實驗室數據進行整合分析;以及「預後預測模型」,評估PE患者是否可能惡化、需要ICU或thrombolysis。這些技術的持續發展,將AI從單一輔助工具,轉變為整合式臨床決策支援平台。此外,這些 AI 模型通常經過高品質資料庫訓練,包括放射科醫師確認之標準影像與標記區域,因此在精度與一致性上高於資淺人工判讀。部分平台更已與 PACS 系統整合,可即時於急診工作站彈出警示介面。


        隨著 AI 技術成熟,近年已廣泛應用於肺部影像分析。Cureus 研究(Allena & Khanal, 2023)指出,AI在CTPA 中辨識PE病灶的敏感度高達92.6%,能顯著降低誤診率並縮短報告時間。

        《European Radiology》系統性回顧(European Radiology, 2022)顯示,AI 模型平均敏感度達 96%,特異度達 94%。Diagnostics 的研究(Diagnostics, 2024)指出,AI 即便在注射品質差與非理想影像條件下仍能保有高偵測率。Clinical Imaging 2024年的大型研究(Ayobi et al., 2024)進一步證實,AI 在 1204 筆 CTPA 中偵測 PE的敏感度為93.9%,特異度94.8%,且可降低臨床遺漏率從 15.6% 至3.8%。


肆、AI 與臨床決策工具整合:共存而非取代

        Thrombosis Research(Thrombosis Research, 2024)指出,目前應用於 PE預測的主流機器學習模型包括 Logistic Regression、Random Forest、SVM、XGBoost 等,AUC多數高於0.90,已可有效整合其他臨床數值(如心率、血氧、D-dimer 等)、決策工具像是YEARS model、PERC rule sPESI score等強化判讀準確度。


AI 可與現有臨床工具搭配應用:

• 與 PERC Rule 結合於低風險病人快速排除 PE

• 與 YEARS Model 搭配進行分層診斷與影像指引

• 與 sPESI score 合併作為預後與出院安全評估

Ayobi 等人研究(Ayobi et al., 2024)指出,AI不僅提升偵測力,亦有助於減少夜班期間或急診人力不足時的錯誤診斷,尤其對資淺住院醫師具訓練價值。


伍、生成式 AI 在臨床溝通與衛教的應用

        除了協助醫師進行臨床決策以外,在病人端,也有研究探討可否透過生成式的AI來進行溝通與衛教,Missouri Medicine(Missouri Medicine, 2024)於 2024 年研究發現,ChatGPT、Gemini等生成式AI雖能提供正確資訊,但其內容閱讀難度較高,病人需達大學程度,故建議僅作為醫師輔助工具,不建議直接用於病人衛教。


陸、決策公具與AI結合的使用建議

1. 使用Wells Score 進行初步風險評估

2. 低風險+符合PERC八項者 → 可安全排除 PE。

3. 中高風險者→建議檢測 D-dimer,陽性則安排 CTPA。

4. 閱讀CTPA時,先自行判讀,再參考AI標記區域,強化判讀正確性。

5. 病人衛教可參考生成式AI,但僅作為輔助。


柒、結語:讓科技成為診斷品質的倍增器

        PERC Rule 與 AI技術為急診醫學注入新動能,但終究無法取代臨床判斷。對於急診醫師而言,學會精準運用這些工具並結合臨床判斷,將是提升診療效率與品質的關鍵能力。






參考文獻

Kim, T. H., Park, S. H., & Lee, S. Y. (2023). Comparison of various clinical scoring systems in the diagnosis of pulmonary embolism. Journal of Acute and Trauma Nursing, 10(2), 101–107. https://journals.lww.com/jatn/fulltext/2023/06020/comparison_of_various_clinical_scoring_systems_in.2.aspx

Soliman, Y. M., & Ibrahim, M. A. (2024). Accuracy of YEARS criteria in diagnosis of acute pulmonary embolism. Egyptian Journal of Bronchology, 18, Article 269. https://ejb.springeropen.com/articles/10.1186/s43168-024-00269-y

EBM Consult. (2024). PERC Rule for pulmonary embolism (PE): Criteria and clinical decision support. EBMconsult.com. https://www.ebmconsult.com/articles/perc-rule-pulmonary-embolism-pe

Allena, N., & Khanal, S. (2023). The algorithmic lung detective: Artificial intelligence in pulmonary embolism detection. Cureus, 15(5), e51006. https://doi.org/10.7759/cureus.51006

Ayobi, A., Vembar, M., Rajiah, P., Kalisz, K., & Bhalla, S. (2024). Deep learning in pulmonary embolism detection on computed tomography pulmonary angiography. Clinical Imaging, 113, 110245. https://doi.org/10.1016/j.clinimag.2024.110245

Kulka, H. C., Lange, T. J., & Stibbe, H. M. (2021). Acute pulmonary embolism—diagnosis and treatment. Deutsches Ärzteblatt International, 118(10), 168–174. https://doi.org/10.3238/arztebl.m2021.0180

Abdulaal, A., John, S., & Sheikh, A. (2024). AI applications in chronic thromboembolic pulmonary hypertension. Frontiers in Radiology, 3, Article 618. https://doi.org/10.3389/fradi.2023.1335349

Silva, L. O. D., Teles, P., Batista, G. E. A. P. A., & Viana-Ferreira, C. (2024). A real-world AI-based pulmonary embolism classification using multimodal data. PLOS ONE, 19(4), e0305839. https://doi.org/10.1371/journal.pone.0305839

Xavier, E., Castro, R., & Lima, R. (2024). Clinical integration of AI in pulmonary embolism diagnosis: Limitations and future directions. Pulmonology, 30(3), 135–144. https://doi.org/10.1016/j.pulmoe.2023.10.003

Albuquerque, C., Lopes, J., & Pereira, R. (2024). Automated triage of suspected pulmonary embolism patients using AI: A prospective validation study. Cureus, 17(2), e78217. https://doi.org/10.7759/cureus.78217

Diagnostics. (2024). AI-augmented CTPA in emergency diagnosis of pulmonary embolism. Diagnostics, 15(4), 889. https://doi.org/10.3390/diagnostics15040889

European Radiology. (2022). Artificial intelligence in pulmonary embolism detection: A systematic review. European Radiology, 32(9), 701–715. https://doi.org/10.1007/s00330-022-08645-6

Missouri Medicine. (2024). ChatGPT readability and accuracy in pulmonary embolism patient education. Missouri Medicine, 121(6), 495–500. https://www.msma.org/missouri-medicine

Thrombosis Research. (2024). Machine learning models for pulmonary embolism risk prediction: A review. Thrombosis Research, 230, 10–18. https://doi.org/10.1016/j.thromres.2023.10.008

回上頁