從敗血症到菌血症，感染往往在被看見之前，就悄悄發生。當傳統血液培養仍在等待結果，中國醫藥大學附設醫院以「智血檢」結合AI，從既有血液數據中，提早捕捉身體發出的感染警訊。
提到嚴重感染，多數人熟悉的是「敗血症」；但從感染發生到病情惡化，中間還有一個容易被忽略的警訊—菌血症。當細菌從身體原本的感染部位進入血液，病人未必立刻出現明顯症狀，若未及時處理，部分病人可能在短時間內進展為敗血症。
「有些病人你看他整體症狀好像沒有很嚴重，但實際上細菌已經在血液裡了。」中醫大附醫檢驗醫學中心薛博仁院長指出，菌血症的臨床表現可能因人而異，有些病人只有輕微發燒、心跳偏快或抽血發現發炎指標升高，甚至外觀看起來並不嚴重，但實際惡化的風險卻已經相當高。
問題在傳統血液培養雖是確認菌血症的重要工具，從採檢、培養到分析仍需要等待一段時間。「我們過去抽血做培養，要花費兩三天時間才知道結果，然而在重症情況下，等兩三天往往來不及。」薛博仁說。
也因此，團隊開始思考：不是再增加一次檢查，而是能不能從原本就存在的血液數據中，提前找出菌血症高風險病人，是否就能把治療的時間點再往前移？這也成為「智血檢」的核心。
從敗血症往前追一次血液檢查先揪出高風險
幾乎每名住院或急診病人都需要接受血液常規檢驗，包含白血球計數（WBC）、紅血球計數（RBC）、血紅素（Hb）、血小板（PLT）與白血球分類計數（Differential Count）等，用以評估感染或發炎的嚴重程度。臨床上醫師看血液檢驗報告，通常主要關注白血球的數量與分類，但血球分析儀在計數的同時，其實也量測了每顆白血球細胞的大小、形態與內部結構等更多資訊。
「這些資料原本就存在，只是過去沒有被充分利用。」薛博仁說，而「智血檢」便是將這些既有資料交由AI模型分析，預測病人是否具有菌血症風險。當系統判定為高風險，若醫師尚未安排血液培養，便能及早提醒採檢；如果已經送驗、但仍在等待結果，醫師也能把AI提供的風險資訊納入治療判斷。
換句話說，「智血檢」並不是取代血液培養，而是在培養結果出爐前，多提供一道即時的預警，這對原本看似可以離院的急診病人，如果AI提示菌血症風險偏高，醫師便能據此決定是否延長留觀、安排住院、或建議病人離院後需於較短時間內返回相關門診追蹤，加強高風險病人的監測。
從二分級到三分級避免AI變成「警示疲勞」
然而要讓AI真正進入臨床，關鍵不只是「算得準」，還要讓醫師願意相信、願意使用。
中醫大附醫急診部、人工智慧暨機器人創新中心（AIRIC）張裕鑫醫師表示，「智血檢」最早採用高、低風險二分級模型，「但實際運作後發現，預測的不確定性多集中在中間區域。如果所有病人只有『高』或『低』兩種答案，容易產生過多警示，久而久之可能讓第一線醫師出現『警示疲勞』。」
因此，團隊進一步將模型調整為高、中、低三分級，把AI最有把握的高風險與低風險病人區分出來。對臨床而言，這不只是讓警示更精準，也讓不同風險的病人有了更清楚的處置方向。
「高風險病人，醫師可以更早進行採檢與治療評估；低風險病人，則能多一層客觀依據，避免僅因白血球升高，就直接使用後線或廣效抗生素。」張裕鑫說。換句話說，AI的價值不只是把「誰可能有感染」找出來，更在於這樣的風險分級，能實際改變醫師的用藥決策。
團隊分析發現，在「智血檢」啟用後，疑似感染的急診病人在 3 小時內接受抗生素的比例上升；在白血球升高、但「智血檢」判定為低風險的病人中，醫師使用後線或廣效抗生素的比例明顯下降。同一期間，急診病人的住院率與死亡率也未觀察到上升。這意味著，在需要積極治療的病人身上，AI協助醫師更早行動；而對風險較低的病人，則提供另一層判斷依據，降低不必要的廣效抗生素使用。對「智血檢」而言，真正要取得的並非單純的「快」，而是讓治療更早、更精準，也讓抗生素用在真正需要的地方。
不增加額外負擔直接嵌入既有流程
「智血檢」另一項設計重點，是不改變原有採檢流程。
中醫大附醫檢驗醫學部門診檢驗組賴欣榆組長表示，系統直接使用血液常規檢查原本就會產生的資料，不需要病人額外抽血，也不增加醫檢師的人工作業，「資料透過LIS（實驗室資訊系統）自動傳送至AI模型，分析完成後，再將結果回傳HIS（醫療資訊系統），必要時通知臨床醫師。」
也就是說，從檢驗報告產出到AI風險判斷，整個過程都能自動完成，就在於背後則是一套跨部門協作：臨床端提出需求，檢驗端確保數據品質，AI團隊負責模型開發，資訊團隊負責系統串接。
有鑑於AI能否被醫師真正採用，關鍵仍在「可信」，「智血檢」之所以能從既有檢驗數據進一步判讀感染風險，前提是數據本身必須夠精準。台灣醫學中心的檢驗室多已建立嚴謹的品質管理制度，中醫大附醫檢驗醫學部為雙認證實驗室，通過CAP（美國病理學會）或TAF（財團法人全國認證基金會）認證。從不同CBC儀器之間的校正，到每日檢測的品質監控，都有標準化流程，確保每一筆數據在進入AI模型前，就具備穩定且可信的品質。對「智血檢」而言，這也意味著AI並不是憑空判斷，而是建立在醫療現場每天產生、經過嚴格品管的檢驗數據之上。
從單一工具走向臨床整合讓AI真正進入醫療現場
目前「智血檢」也不再只停留在判斷「有沒有菌血症」。薛博仁透露，團隊目前已進一步發展模型，嘗試預測病人感染的是革蘭氏陽性菌還是革蘭氏陰性菌，「由於兩類細菌的治療策略不同，若能在培養結果出爐前先提供方向，醫師就有機會更精準選擇抗生素，而不是同時使用多種廣效藥物。」
對「智血檢」而言，AI的價值不只是加快判讀，更在於賦能非感染專科醫師，當病人尚未出現明顯症狀、菌血症風險卻可能升高時，AI提供客觀數據，協助醫師及早辨識高風險病人，爭取處置時間。
但要真正落地，薛博仁指出仍須面對醫療給付與跨院應用等課題，目前AI可能協助降低不必要的醫療支出與健保資源耗用，但相應的給付機制仍待建立；不同醫院的資訊系統、資料格式與檢驗儀器也各有差異，跨院串接與機台相容性仍是擴大應用的關鍵。
因而張裕鑫表示，未來希望AI不只是獨立工具，而能進一步融入感染控制與抗生素管理，透過持續累積真實世界數據優化模型，串聯臨床、檢驗與管理端；而賴欣榆也期許，AI讓醫檢數據不再只是「數字」，而能從細微變化中提前提示疾病風險，進一步參與臨床決策。 （相關報導： 突破「癌王」診斷瓶頸！仲智數位健康推出全球首款早期胰臟癌影像診斷AI醫材，引領台灣技術走向世界 ｜ 更多文章 ）
從一紙檢驗報告，到提前發出的風險訊號，「智血檢」要改變的，不只是醫師看數據的方式，而是讓醫療決策再往前一步，在感染惡化之前，看見風險，也搶回治療的時間。
