運用人工智慧分析穿戴式活動偵測儀數據以預測末期癌症病人短期存活之研究

背景：
可穿戴設備越來越廣泛地運用於醫療保健業，包含各項研究、改善臨床工作和提升病人照護。這些設備通常由使用者佩戴著，用來收集有關使用者生理和健康的資料，例如心率、活動狀態、睡眠模式和其他與健康相關的數據。然後將這些數據傳輸給照護團隊、用以及時監測病患的症狀和狀況，讓團隊提供更好的病人照護。同時這些資訊也可提供給病患和他們家人，作為更充分資訊決策和生活品質的自我健康管理生態。這些運用可以大幅提升醫療服務的效率和效力，所以目前許多醫療健康機構正在探索其於相關領域的應用。此外，科技公司針對消費者市場整合可穿戴設備與複雜多功能的應用軟體，大力推動自我保健管理的新時尚。結合手機、雲端服務和可穿戴設備，以及個人社交媒體，這個蔚為時尚潮流的醫療保健模式大幅地刺激可穿戴式設備的應用。

目的：
緩和治療旨在改善罹患有危及生命疾病的病患及其家人的生活品質，藉由早期發現和有效管理疼痛及其他身體、心理和靈性困擾，以達成預防和減輕痛苦。緩和治療的重要關鍵之一是預測存活；預測存活涉及到病患本身和其他主要因素包含感染、惡病質、呼吸困難等等。預測存活除了對於患本人及其家人就照護與治療計畫做出充分資訊的決定是至關重要，也有助於醫療照護團隊規劃未來的照護需求。本博士論文是研究穿戴式裝置用於預測癌症病患因醫療需求入住安寧病房的短期存活，其次是比較現行臨床使用的預測工具與驗證利用穿戴式裝置所做出短期存活預測的效力。

方法和材料：
我們採用觀察性研究方法，招募於2019年12月至2022年6月期間入住台北醫學大學附設醫院安寧緩和病房的癌症病人。藉由腕動計作為可穿戴設備讓病人在住院期間內戴在手腕上，然後每週利用藍芽無線傳輸方式接收可穿戴設備所收集的數據並上傳到雲端伺服器，同時收錄病人的臨床資訊、以及傳統預測存活工具的預測結果用於後續分析；此外，也一併紀錄鎮靜劑、鴉片類藥物和解熱劑的用量包含增減用於分析。可穿戴設備所測量活動的數據，被分門別類地記錄為三種不同的變量：活動量、角度和旋轉。此外，利用Cramer's V 相關性的統計分析各種臨床因素（如癌症種類、入院原因以及鎮靜劑、鴉片類藥物和退熱藥的使用）與最後存活的關係。深度學習包含LSTM, BiLSTM, GRU和Transformer模型用以建立預測模型，同時利用混淆矩陣來驗證各模型和資料組的效力。

結果：
首先，本試驗招募78名患者，並成功對 68 名患者的數據集進行了分析；排除部分除了2位病人因太快離世而退出之外，其他原因包含數據缺失或不完整。入院原因皆為共病或癌症相關症狀；共病意指與癌症相關性較低，但包括肺部或泌尿道感染、全身無力和意識改變等可能有生命危險的問題。平均住院天數為10 天（範圍：0-41 天），而 40名患者在出院時還活著，其他38名患者最終在醫院死亡。第二，與過世患者相比，仍存活出院的患者有更強的活動量、角度和旋轉活動量，尤其是在48小時的數據上活動量、角度和旋轉活動量各有存在顯著統計差異（p 值 <0.05）。48小時的數據就已經顯示存活患者和過世患者之間存在非常明顯的差異，這表示可穿戴裝置可用於早期預測癌症病人入住到安寧病房、平均10天住院期的短期存活。第三，本分析也證實鴉片類藥物以及鎮靜劑和退熱劑的增量與最終存活結果幾乎沒有相關性。此外，本研究分析也揭示現行預測存活工具與最終存活結果之間僅有趨勢、只提供粗略的猜測、而缺乏統計上意義。更進一步，四種深度學習的模型和不同數據組大多都有足夠的預測效力，準確度都接近或大於九成；其中Transformer模型分析前24小時穿戴裝置數據和臨床數據是最佳組合，其準確度到92.42%。我們同時分析現有在緩和照顧常用的存活預測工具，KPS功能狀態評分達到準確度0.8333。

結論：
這是第一篇研究證實可穿戴裝置可用於預測安寧癌症患者的短期存活，且同時應證安寧病人對於可穿戴裝置的遵從度很高。從可穿戴裝置可以提供超出人力所及的客觀且連續評估來看，與過世患者相比，出院時仍然存活患者有更強的手腕活動；其與最後存活的關聯度在最初48小時內持續增加到最高，之後逐漸降低。這結果成功證實可穿戴裝置的客觀且連續評估可用於癌症病人住院後的短期存活預測，同時機器學習模型確認結合穿戴式裝置和臨床數據足以提供精準的存活預測。這證實使用可穿戴裝置在短期存活預測上優於現行預測存活工具。