作者／康仕仲、劉正揚
我們都知道，人工智慧的能力，是從許多紀錄裡面尋找出某種脈絡，做出類似人的判斷。本文將用壓（瘡）傷的例子來說明，人工智慧如何幫助長期照顧。
壓（瘡）傷（Pressure Ulcer），俗名褥瘡（Bed Sore），是長期臥床病人最常見的皮膚問題，幾乎每4個住院病人便有一人出現壓傷狀況[1]。造成壓傷的原因很多，包含未定時翻身、輔助物（如約束帶）壓迫、鼻胃管或尿管膠布黏貼不當、大小便失禁未確實清潔身體等。若沒有好好照顧，嚴重者甚至造成截肢或致命的敗血症。
此外，根據統計[2]，美國每年治療壓傷花費高達110億美金，而全球治療壓傷的照故市場，預估2025年可高達640億美金[3]。因此，更有效率、更科學的照顧方法勢在必行。在台灣，壓傷照護也一直都和居家照護、長照機構品質息息相關。
AI輔助壓傷照顧的即時判斷
壓傷不是絕症，但最重要的是要能正確判讀，做出正確的護理。除了定時換藥，觀察和評估傷口狀況也是壓傷照顧每天必須執行的任務。研究顯示，前中期壓傷在妥善照顧後，75%的病人能在60天內痊癒。
針對傷口照護的輔助需求，我們研究團隊已經發展出相關的AI功能，搭配照護系統，應用於照護現場。步驟很簡單，用任何手機或平板相機拍照、上傳，便能分析出傷口的大小、顏色、形狀和等級。
AI如何像大腦一樣學習？
為了讓電腦看得懂照片，分辨傷口等級，研究人員蒐集了2,000張照片，經過專業護理師協助進行標註、清理後，進行機器學習（Machine Learning）。此處應用監督式學習（Supervised Learning），電腦會在資料處理與運算的過程中，透過比對不同的照片，一邊修正去達到更精準的預測，就像幼稚園教小孩認識動物一樣：這張照片是「狗」，這張照片是「貓」，這樣的方式讓監督式學習有準確率高的優點。
針對傷口照護的輔助需求，智齡科技研究團隊已經發展出相關的AI功能。
這時候我們是用監督式學習中的，電腦的神經網路與人腦的架構非常類似，神經網路模擬我們大腦的運作，無數個神經元緊密連結組成大腦， 而人工的神經網絡則是連結類神經元的節點。每個類神經元從別的節點得到資料，經過數學運算後再傳給其他的節點。就像我們的大腦一樣，這些節點一層一層堆積至數十或數百層的架構。每個運算都代表一組參數，電腦每看過一張照片，就會把學習到的知識記錄在參數中。經由許多照片的訓練，逐漸找到影像與內容的關聯性，這就是「卷積神經網絡」（Convolutional Neural Network, CNN）模型的應用。
在壓傷辨識的神經網絡（Inception-ResNet v2）中， 辨識模型擁有5,600多萬個參數，這是一個很大的模型，因此需要數千張照片反覆教導電腦。最終，電腦不只能在照片中分辨大小、顏色、形狀和等級，還能定位傷口位置，給予準確的資訊。
過勞護理人員值得更好的工具
只要是人可以判斷的影像，就可以透過CNN去訓練人工智慧模型，取代或輔助部分護理師的工作。依據護理師公會調查，高達86%的護理師每天休息不到30分鐘，由於護理人力不足、工作繁忙，未來將會有更多人工智慧應用協助照護人員做視覺辨識的工作，提供照護人員更多休息時間，進而提升直接照顧及關懷的品質。
造成壓傷的發生危險因子有內外在因素，包含內在因素的年齡、行動能力、神經功能、營養不良、意識狀況、慢性病、疾病嚴重度等，以及外在因素的住院時間、環境潮濕等，期待未來長照產業的數位化轉型，加上AI的發展可以納入這些危險因子，提早預測壓傷的發生機率，更精準掌握風險因子 ，進一步預防壓傷的發生，提升整體照護品質。
