醫守科技發表全球首個用於防範手術部位錯誤的機器學習模型

舊金山報導 | 手術部位錯誤 ( Wrong-site surgery, WSS ) 是一項嚴重的「絕對不能發生的事件( Never Event ) 」，代表一種在醫療照護中不應發生的失誤。然而，由於通報不足，這類事件的真實發生率仍不明確，對病人安全與醫療管理構成威脅。醫療 AI 新創公司醫守科技開發了一項創新解決方案：關聯異常模式 ( Association Outlier Pattern, AOP ) 機器學習模型，此模型可提供即時決策支援與回溯性分析，旨在提升手術安全與照護品質。

根據世界衛生組織( WHO ) 2024 年病人安全報告，僅有 38% 的國家建立Never Event通報系統。在美國，The Joint Commission 記錄了 2023 年的 112 起手術錯誤，其中手術部位錯誤占 62%。缺乏完整的通報，使醫療體系難以評估問題的規模，也難以採取有效的預防措施。

紀錄不一致是造成 WSS 的主要因素之一。為解決此問題，醫守使用美國 Centers for Medicare & Medicaid Services Limited Data Set ( 2017–2020 ) 的資料，分析手術側別不一致的情況。此項分析進一步促成 AOP 模型的建立，這是同類模型中第一個專門針對 WSS 所開發。

不同於僅驗證一致性的傳統法則式系統，AOP 模型會分析診斷與手術之間複雜的關聯模式。即使面對不完整或模糊的診斷資料，仍可有效處理，並在辨識手術錯誤方面達到超過 80% 的準確率，效能優於既有方法。

AOP 模型可協助醫療機構偵測病歷中的不一致、辨識未通報的手術錯誤，並改善通報機制。這不僅能提升病人安全，也能強化預防錯誤的管理系統。除了回溯性分析外，AOP 模型也能在手術規劃過程中提供即時決策支援。它會自動標記手術代碼與診斷之間錯誤的關聯，以確保紀錄的準確性與完整性。這項即時功能可降低錯誤風險，使 AOP 模型成為未來電子病歷系統的重要工具。

「我們對這項研究的初步成果感到非常振奮，也期待今年將這些研究發現整合至 DxPrime 的病人安全功能中。」醫守科技執行長龍安靖表示。「我們在手術編碼自動化方面的進展顯現出高度潛力，可協助醫師提供更安全的照護、減少紀錄所需時間，並讓醫療編碼人員在病人仍住院期間，更有效地進行同期手術編碼與審查。」

AOP 模型已在骨科領域展現其有效性，也有望應用於其他仰賴左右側別資訊的專科，例如眼科與耳鼻喉科。這項擴展符合醫守持續推動以病人為中心 AI 解決方案的承諾，其應用範圍涵蓋診斷、用藥安全，以及現在的手術安全，推動醫療照護邁向更可靠、更安全的新時代。

報導原文 : PR Newswire