Taiwan Society of Emergency Medicine
Taiwan Society of Emergency Medicine
本會期刊
台灣急診醫學通訊
第八卷第三期 點閱次數:48 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
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
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
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。
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 |