臺灣博碩士論文加值系統

本研究是以神經血管超音波檢查為範圍，利用人工智慧自動生成檢查報告，評估其自動生成報告與醫師判讀報告結果的一致性。研究方法為病歷回溯性研究，收集2020年6月1日至6月30日的神經血管超音波檢查資料，採用立意取樣方式選取樣本進行一致性研究，探討醫師判讀報告的結果與系統自動判讀之間的一致性程度，並藉由混淆矩陣及樹狀分析圖試著探索醫師在判讀報告時的心智圖。研究結果顯示神經血管超音波檢查在不同的量測項目，皆有達到統計上顯著的一致。人為因素導致錯誤報告的比率，每100份的顱外血管超音波檢查報告中就有大約4份發生錯誤，而每100份的顱內血管超音波檢查報告中就有大約1份發生錯誤。目前自動生成報告系統僅進行數據的判讀與分析，而醫師判讀的報告則是結合了量測數據與影像所給予的綜合結論，由研究結果中粗估至少約有1.5%的報告可能無法單純藉由數據而提供正確的判讀結果。本研究所評估的自動生成報告系統，其用於判讀神經血管超音波檢查的數據來說，與醫師所判讀報告的結果之間具有良好的一致性。此外，本次研究亦發現在醫師判讀的報告中有其疏漏或錯誤，期待透過臨床決策支援系統讓醫師快速獲得輔助資訊，減少人為錯誤的發生及工作時間，進而提升報告的正確性及時效性。

This research is a retrospective study of medical records, which uses artificial intelligence (AI) to generate examination report of neurovascular ultrasound examination automatically, and evaluate the consistency of the automatic generated report and the physician's interpretation. The neurovascular ultrasound examination data from June 1 to June 30, 2020 are collected intentionally, and the consistency of the doctor's interpretation and the AI system's automatic report are examined. The degree of consistency between the two, and the doctor’s mental map when interpreting the results are explored using the confusion matrix and tree analysis chart. The results showed that different measurements of neurovascular ultrasound have reached statistically significant agreement between physicians and the AI system. The results also showed that 4 out of 100 extracranial and 1 out of 100 intracranial vascular ultrasound reports are wrong due to humans factors. At present, the automatic report generation system only performs interpretation and analysis based on numeric data, while the report interpreted by the physician combines both numeric data and images. It is roughly estimated from the research results that at least about 1.5% of the reports may not be able to rely solely on numeric data and provide correct interpretations. The automatic report generation system evaluated in this research, which is used to interpret the data of neurovascular ultrasound examination, has good consistency with the results of the report interpreted by physicians. In addition, this study also found that there are human errors in reports interpreted by physicians. It is expected that the clinical decision support system will allow physicians to quickly obtain auxiliary information, reduce the occurrence of human errors and work time, and improve the accuracy and timeliness of the report.

目錄

標題......i
審定書......ii
致謝......iii
目錄......v
表目錄 List of Tables......viii
圖目錄 List of Figures......x
符號及縮寫對照表......xi
中文摘要......xii
Abstract......xiv
第一章 緒論......1
1.1研究背景......1
1.2研究動機與目的......2
第二章 文獻探討......3
2.1腦中風簡介......3
2.1.1腦中風的定義與類型......3
2.1.2腦中風的危險因子......4
2.1.3腦中風的症狀......5
2.2神經血管超音波檢查......5
2.2.1顱外血管超音波檢查......6
2.2.2顱內血管超音波檢查......7
2.3臨床決策支援系統......8
2.3.1臨床決策系統類型與功能......9
2.3.2臨床診斷決策支援系統的相關研究......10
2.3.3臨床決策支援系統應用於自動生成報告的相關研究......11
第三章 研究方法與實施步驟......12
3.1資料來源與對象......12
3.1.1資料來源......12
3.1.2研究對象......12
3.1.3研究樣本......13
3.2系統判斷邏輯的說明......16
3.2.1顱外血管超音波檢查報告系統判斷邏輯......17
3.2.2顱內血管超音波檢查報告系統判斷邏輯......18
3.3資料的分析與驗證......19
3.3.1 Cohen’s Kappa係數（Cohen’s Kappa coefficient）......20
3.3.2混淆矩陣（Confusion Matrix）......23
3.3.3箱型圖（Box plot）......25
3.4研究架構......25
3.5倫理考量......27
第四章 分析與結果......28
4.1資料清潔與前處理......28
4.2研究樣本描述性統計摘要......29
4.2.1顱外血管超音波檢查之描述性統計摘要（N=463）......29
4.2.2顱內血管超音波檢查之敘述性統計摘要（N=75）......30
4.3醫師判讀報告與系統判讀報告的一致性分析......32
4.3.1顱外血管超音波檢查報告一致性分析（N=463）......33
4.3.2顱內血管超音波檢查報告一致性分析（N=75）......40
4.4機器學習前的資料評估......46
4.4.1顱外血管超音波檢查的資料評估......46
4.4.2顱內血管超音波檢查的資料評估......48
第五章 討論......52
5.1人為錯誤報告的統計結果......52
5.2顱外血管超音波檢查報告的一致性分析結果......54
5.3顱內血管超音波檢查報告的一致性分析結果......57
5.4機器學習前的資料評估結果......59
第六章 結論與建議......61
6.1結論......61
6.2研究限制......63
6.3建議......63
參考資料......65
中文文獻......65
英文文獻......65
電子資料......67
附錄......68
附錄一：樹狀分析圖......68
附錄二：箱型圖......80


表目錄 List of Tables

表 一：腦中風的危險因子......4
表 二：臨床決策支援系統類型及概述......9
表 三：分類標準 - normal組的定義......16
表 四：顱外血管超音波檢查報告系統判斷邏輯......18
表 五：顱內血管超音波檢查報告系統判斷邏輯......19
表 六：一致性程度判斷表......21
表 七：範例 - 原始數據資料表......21
表 八：範例 - 醫師與系統判讀的結果......22
表 九：混淆矩陣（Confusion Matrix）用於評估模型......24
表 十：報告格式錯誤或空白報告的分析......28
表 十一：顱外血管超音波檢查之敘述性統計摘要表......29
表 十二：顱內血管超音波檢查之敘述性統計摘要表......31
表 十三：顱外血管超音波檢查系統判斷邏輯修改前與醫師判讀報告的一致性分析......33
表 十四：內頸動脈狹窄與血流速度變化......34
表 十五：脊椎動脈系統判斷邏輯修改前後與醫師判讀報告的一致性分析......34
表 十六：顱外血管超音波檢查系統判斷邏輯之修改對照表......35
表 十七：右側內頸動脈的混淆矩陣分析表......36
表 十八：左側內頸動脈的混淆矩陣分析表......36
表 十九：右側脊椎動脈的混淆矩陣分析表......37
表 二十：左側脊椎動脈的混淆矩陣分析表......38
表 二十一：脊椎動脈總血流量的混淆矩陣分析表......38
表 二十二：右側眼動脈的混淆矩陣分析表......39
表 二十三：左側眼動脈的混淆矩陣分析表......40
表 二十四：顱內血管超音波檢查系統判斷邏輯修改前與醫師判讀報告的一致性分析......40
表 二十五：TCCS criteria for intracranial stenosis（ICAS）......41
表 二十六：顱內血管超音波檢查判斷邏輯修改對照表......42
表 二十七：顱內血管超音波檢查系統判斷邏輯修改前後與醫師判讀報告的一致性分析......42
表 二十八：右側中大腦動脈的混淆矩陣分析表......43
表 二十九：左側中大腦動脈的混淆矩陣分析表......44
表 三十：右側脊椎動脈的混淆矩陣分析表......44
表 三十一：左側脊椎動脈的混淆矩陣分析表......45
表 三十二：基底動脈的混淆矩陣分析表......46
表 三十三：顱外血管超音波檢查量測項目及評估參數之組別統計量......47
表 三十四：顱外血管超音波檢查量測項目及評估參數之組別統計量......49
表 三十五：人為錯誤報告的統計與原因分析......53
表 三十六：顱外血管超音波檢查報告之成效指標分析......55
表 三十七：顱內血管超音波檢查報告之成效指標分析......58

圖目錄 List of Figures

圖 一：顱外血管超音波檢查樣本分佈圖......14
圖 二：顱外血管超音波檢查樣本分佈圖......15
圖 三：臨床決策支援系統流程圖......17
圖 四：研究方法架構圖......26

中文文獻

王安中, 林裕祥, 王信凱, 丘思穎, 魏聰文, 邱宏仁, & 周宜宏. (2009). 經顳穿顱彩色都卜勒超音波檢查技術使用於成人. [Transcranial Color Doppler Ultrasonography in Adults: Transtemporal Approach]. 中華放射線技術學雜誌, 33(2), 79-84. doi:10.30045/cjrt.200912.0002
石崇良, & 蘇喜. (2004). 運用資訊提升病人安全. 台灣醫學, 8(6), 807-816.
李俊偉, 林書毅, 程崇偉, 劉俊傑, & 洪大川. (2017). 頸動脈疾病. [Carotid Artery Disease]. 內科學誌, 28(4), 206-212. doi:10.6314/jimt.2017.28(4).02
邱弘毅. (2008). 腦中風之現況與流行病學特徵. 腦中風會訊, 15(3), 2-4. doi:10.6318/stroke.200809_15(3).0002
胡漢華, & 許弘毅. (2017). 神經超音波: 力大圖書有限公司.
翁文章. (1999). 腦血管疾病及超音波學: 藝軒圖書文具有限公司.
陳廷耀. (2004). 缺血性腦中風：顱外頸動脈病變和中風嚴重度的關係. 腦中風會訊, 11(2), 4-6. doi:10.6318/stroke.200404_11(2).0002
陳彥宇. (2009). 動脈硬化與狹窄的評估利器：頸動脈（腦血管）超音波簡介. 血管醫學防治季刊(創刊號), 12-13. doi:10.6527/pvm.2009.0.5
劉濟弘, & 李宗海. (2016). 認識頸動脈狹窄. 中華民國內膜異位症婦女協會會刊, 23(9&10), 18-19. doi:10.6498/ea.2016.23(09/10).5


英文文獻

Ambrosi, P. B., Ahmad, R., Abdullahi, A., & Agrawal, A. (2020). New Insight into Cerebrovascular Diseases-An Updated Comprehensive Review.
Beeler, P. E., Bates, D. W., & Hug, B. L. (2014). Clinical decision support systems. Swiss Med Wkly, 144, w14073. doi:10.4414/smw.2014.14073
Chmura Kraemer, H., Periyakoil, V. S., & Noda, A. (2002). Kappa coefficients in medical research. Statistics in medicine, 21(14), 2109-2129.
Choi, D. J., Park, J. J., Ali, T., & Lee, S. (2020). Artificial intelligence for the diagnosis of heart failure. NPJ Digit Med, 3, 54. doi:10.1038/s41746-020-0261-3
Garg, A. X., Adhikari, N. K., McDonald, H., Rosas-Arellano, M. P., Devereaux, P. J., Beyene, J., . . . Haynes, R. B. (2005). Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review. Jama, 293(10), 1223-1238. doi:10.1001/jama.293.10.1223
Kawamoto, K., Houlihan, C. A., Balas, E. A., & Lobach, D. F. (2005). Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. Bmj, 330(7494), 765. doi:10.1136/bmj.38398.500764.8F
Keltch, B., Lin, Y., & Bayrak, C. (2014). Comparison of AI techniques for prediction of liver fibrosis in hepatitis patients. J Med Syst, 38(8), 60. doi:10.1007/s10916-014-0060-y
Kuriakose, D., & Xiao, Z. (2020). Pathophysiology and Treatment of Stroke: Present Status and Future Perspectives. International Journal of Molecular Sciences, 21(20), 7609.
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. biometrics, 159-174.
Lodder, S. S., Askamp, J., & van Putten, M. J. (2014). Computer-assisted interpretation of the EEG background pattern: a clinical evaluation. PLoS One, 9(1), e85966. doi:10.1371/journal.pone.0085966
Randolph, A. G., Haynes, R. B., Wyatt, J. C., Cook, D. J., & Guyatt, G. H. (1999). Users' Guides to the Medical Literature: XVIII. How to use an article evaluating the clinical impact of a computer-based clinical decision support system. Jama, 282(1), 67-74. doi:10.1001/jama.282.1.67
Shibasaki, H., Nakamura, M., Sugi, T., Nishida, S., Nagamine, T., & Ikeda, A. (2014). Automatic interpretation and writing report of the adult waking electroencephalogram. Clinical neurophysiology, 125(6), 1081-1094.
Tenório, J. M., Hummel, A. D., Cohrs, F. M., Sdepanian, V. L., Pisa, I. T., & de Fátima Marin, H. (2011). Artificial intelligence techniques applied to the development of a decision-support system for diagnosing celiac disease. Int J Med Inform, 80(11), 793-802. doi:10.1016/j.ijmedinf.2011.08.001
Wabnitz, A. M., & Turan, T. N. (2017). Symptomatic carotid artery stenosis: surgery, stenting, or medical therapy? Current Treatment Options in Cardiovascular Medicine, 19(8), 62.
Wright, A., Sittig, D. F., Ash, J. S., Feblowitz, J., Meltzer, S., McMullen, C., . . . Middleton, B. (2011). Development and evaluation of a comprehensive clinical decision support taxonomy: comparison of front-end tools in commercial and internally developed electronic health record systems. J Am Med Inform Assoc, 18(3), 232-242. doi:10.1136/amiajnl-2011-000113


電子資料

衛生福利部國民健康署慢性病防治-腦中風. Retrieved from https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=631&pid=1185
衛生福利部統計處107年度死因統計. Retrieved from https://dep.mohw.gov.tw/DOS/lp-4472-113.html
MAYO CLINIC. Retrieved from https://www.mayoclinic.org/tests-procedures/carotid-ultrasound/about/pac-20393399