使用機器學習預測健檢腸胃內視鏡檢查之普洛福劑量需求

背景與目的： 根據國健署統計， 2021 年台灣每日約新增 44 例大腸癌病例，且 40 至 49 歲族群的發病率較上一代增加 1.5 倍，引發對年輕族群大腸癌風險的關注。專家建議將公費篩檢年齡自 50 歲下修至 45 歲，預估十年可減少 1,800 例癌症。隨健康意識提升，腸胃內視鏡成為大腸癌早期篩檢的重要工具。為了減輕檢查不適，多數患者會接受鎮靜麻醉，其中 Propofol 為常用藥物，但劑量需仰賴臨床醫療人員經驗決定，難以兼顧個別差異，恐有過量風險，影響檢查安全與品質。本研究在建構Propofol 需求劑量預測模型，協助臨床於無痛腸胃內視鏡中調整鎮靜策略，提升安全性與精準性。
方法： 研究資料以單一中心健檢麻醉紀錄為基礎，納入受檢者之年齡、性別、 BMI 、病史、檢查時間及用藥等資訊，嘗試運用多種監督式機器學習方法建構預測模型。模型效能以 AUC 與準確率為主要評估指標，並參考 Precision 與 Recall 等數據進行比較與優化。預測目標為辨識 Propofol 劑量是否高於建議值（>1.2 mg/kg），以提前發現高劑量潛在使用者，輔助臨床術前劑量判斷。
結果：結果顯示， 所建構的機器學習模型在預測 Propofol 藥物需求劑量表現良好 ，其中以 XGBoost 模型的 AUC（0.699）與準確率（0.646）最為穩定，整體評估指標亦優於其他模型。該模型能有效辨識建議劑量與高劑量使用個案，未來若進一步整合於臨床醫療系統，有潛力作為術前風險辨識工具，協助臨床醫療人員針對潛在高劑量使用者調整鎮靜策略，以提升檢查安全性與減少藥物不良反應風險。
結論：此研究成功整合健檢腸胃內視鏡的臨床資料與機器學習，成功建構 Propofol需求劑量預測模型，不僅提升分類效能，也回應個別化鎮靜需求。模型輔助術前判斷高劑量使用者，有助提升用藥安全與檢查品質。SHAP 解釋機制亦強化模型透明度，具臨床應用潛力，未來可拓展至其他臨床麻醉決策支援。