台灣急診醫學會 - 台灣急診醫學通訊

第九卷第二期
刊登日期：2026/04/30
Taiwan Emergency Medicine Bulletin 9(2) : e2026090213回上頁

點閱次數：30 PDF下載次數：3

敗血性休克的個人化復甦與AI即時動態決策

黃若瑜¹、陳冠甫^2、3

¹長庚大學醫學系、²基隆長庚醫院急診醫學部、³長庚大學智慧運算學院人工智慧學系

個人化敗血性休克復甦為何重要？

敗血性休克具高度臨床異質性，不同病因及發病階段，單純依靠單一指標(如血壓)難以找出最佳復甦處置。針對此現象，敗血性休克復甦的個人化也成為近年受討論的議題，因其能夠針對不同敗血症亞型給予相應的處置，進而優化復甦效果。以下將先介紹一篇去年十月刊登於JAMA的隨機臨床試驗，探討流程化的個人化復甦效果。

研究一: 以微血管充填時間為指標的個人化血流動力學復甦

在此文獻中，研究者以符合敗血性休克診斷的成年患者為研究對象，執行了多中心隨機對照試驗。介入組採用一套個人化復甦流程（CRT-PHR ），其核心目標是讓微血管充填時間（CRT）恢復正常（< 3 秒）。此研究個人化之處在於，當 CRT 異常時，醫師會再針對不同生理變量進行評估與相應干預。

上圖為CRT-PHR復甦流程，若CRT為正常則不再給予介入，若為異常會依據患者不同生理狀況給予相應措施。

結果評估項目包含死亡率、維生支持時間及住院天數。與常規護理組相比， CRT-PHR 組縮短了維生支持的時間（包括升壓藥、機械通氣和腎臟替代治療）及住院天數，輸液量的使用也顯著下降，然而兩組在死亡率無差異，可參以下圖表。

	CRT-PHR組別	對照組
綜合指標(勝場數比例)	48.9%	42.1%
28 天死亡率	26.5%	26.6%
維生支持自由天數	16.5天	15.4天
平均住院天數	13天	16.2天
6小時內CRT正常化患者比例	85.9%	61.7%
平均輸液使用量	595ml	847ml
6小時乳酸濃度	3.2mmol/L	3.5 mmol/L

儘管稱做個人化的流程，CRT-PHR流程中不同的節點都只以1-2個生理指標來做決策依據。若要針對多個指標同時評估，可仰賴機器模型運算。於是筆者找到兩篇關於機器學習進行復甦決策的研究，其中一篇利用強化式學習最佳化給予血管加壓劑的時間，以下將介紹此內容。

研究二: 利用強化式學習優化血管加壓劑使用時間

強化式學習是一種模型訓練的方式，訓練出的模型可以同時參考多個生理變量，並給予每個人不同的臨床決策建議，而達到個人化復甦的效果。此研究使用了 4 組獨立的臨床數據集來訓練、測驗模型，而強化學習的原理可簡化為以下表格:

1. 將患者的住院離散化為每 1 小時一個時段，最多持續 120 小時。

2. 輸入特徵（年齡、性別、SOFA 分數等）以及 14 項隨時間變化的臨床特徵（生命徵象、器官支持狀態等）

3. 將特定生理指標放入函數作為獎勵或懲罰(乳酸濃度、死亡率等)

4. 模型每小時分成「開始使用加壓素」或「不開始」決策

5. AI比對臨床資料集相同情況但不同的決策，並將各決策對應結果放入函數

6. AI依據能夠產生最大獎勵的決策推薦給予升壓劑最佳時間點。

研究結果顯示，模型建議給予加壓素的人數比例顯著高於現實臨床組，且模型傾向於比現實臨床組更早使用加壓素，不過兩者給予加壓素的時間都傾向在休克出現5小時內。而針對模型表現，當醫師的給藥時機跟 AI 的建議一致時，病人的存活機會顯著提升，且將模型套用至其他資料庫中也有類似效果，顯示模型具高度泛用性。

研究三: ICU患者的個人化照護與血流動力學的即時管理

研究團隊建立一個運算模型，旨在為加護病房（ICU）患者提供個人化且即時的管理目標（心率與收縮壓）。在此研究中，以三個大型ICU資料庫做為訓練資料與測試集，模型包含靜態特徵（年齡、性別、入院數據）及動態臨床數據（心率、血壓、SOFA 評分、呼吸支持參數），進入 ICU 後的第12小時開始，每隔 6 小時進行一次死亡風險預測。模型會考量前述的動、靜態指標，並建議當下心率與收縮壓應該達到什麼值，才能達到最低的死亡風險。下圖為模型套用在一位病患數據的範例，藍色區塊是AI認為的低死亡風險區，若將HR跟SBP維持在這個區塊較安全，紅色則是高死亡風險區。而黃色圓點則是AI認為最安全，即預測死亡率最低的HR、SBP組合。

針對研究結果，模型預測性能在預測未來24 小時死亡風險方面表現優異。在資料集中的 AUC 達到約0.9，其他的資料集也有很高的預測能力。而臨床預後顯示，患者實際的指標（HR 與 SBP）與模型建議的目標越接近，死亡率就越低。

偏離模型建議的程度	20%以內	20-25%	25-30%	30-35%	35-40%	45-50%	>50%
死亡率	0.2%	1.3%	3.1%	5.1%	6.2%	8.9%	18.8%

	符合建議目標組(偏離<20%)	不符合建議目標組(SBP、HR任一項偏離建議超過20%)
死亡率	0.03%	4.2%

此研究的個人化之處在於模型會動態調整，而非一成不變。入院後依據不同時段輸入的生理數據，AI會給予新的建議。而模型也能同時考量多個生理變量給予個人化的血壓與心率建議值。然而此研究的對象是所有ICU的病患，並非只有敗血性休克患者，並且與研究二相同的是，研究人員是讓模型分析過去資料，沒有在現實中讓醫生真的遵守模型的決策，因此研究缺乏前瞻性。

小結-急診醫師可以從中帶走什麼?

研究一證實了以CRT為核心的個人化復甦，不需昂貴設備即可顯著縮短維生設備使用時間。對於忙碌且資源有限的急診環境，這套方法具有即時落地、低成本且標準化的短期實踐價值。而另外兩篇關於 AI 驅動治療目標的研究顯示，強化學習模型能更精準地識別患者表型，並提供與預後相關的個人化治療建議（如血壓與輸液目標）。雖然 AI 模型的佈署需要更多技術整合與隨機臨床試驗，但其在提升臨床效果與減少併發症上的長期潛力優於傳統常規。

急診醫師目前可考慮先將 CRT-PHR 納入臨床評估流程以優化現有的復甦品質，並同時關注 AI 技術的發展，待未來系統成熟後，結合臨床生理指標與演算法精確指導，達成更完善的精準醫療。

參考資料

1. Hernandez G., Ospina‐Tascón G. A, et al. Personalized Hemodynamic Resuscitation Targeting Capillary Refill Time in Early Septic Shock: The ANDROMEDA‐SHOCK‐2 Randomized Clinical Trial. JAMA. 2025;334(22), 1988–1999.

2. Kalimouttou A, Kennedy JN, Feng J, et al. Optimal Vasopressin Initiation in Septic Shock: The OVISS Reinforcement Learning Study. JAMA. 2025;333(19):1688–1698.

3. Meng, L., Li, J., Liu, X. et al. Personalized and real time hemodynamic management in critical care using Dynamic Cohort Ensemble Learning (DynaCEL). NPJ Digit. Med. 2025;8(1), Article 474.