運用機器學習辨識手術部位錯誤：基於美國醫療保險與醫療補助服務中心資料集的開發與驗證研究
手術部位錯誤是一種嚴重但可預防的醫療錯誤，不僅可能對患者造成重大傷害，也會帶來高額的醫療與管理成本。 儘管現行醫療流程已建立多項預防手術部位錯誤的規範，但受到 漏報及醫療紀錄不一致等因素影響，此類錯誤仍可能發生。近年來，機器學習模型已在用藥錯誤偵測方面展現成效，並有潛力透過辨識異常的「手術－診斷組合」，進一步降低手術錯誤風險。 本研究旨在評估機器學習模型應用於手術紀錄一致性檢測的適用性與有效性，特別聚焦於手術部位與診斷部位之間的左右側不一致問題，以提升手術部位錯誤的辨識能力。 |
目的
本研究旨在評估機器學習模型應用於手術紀錄一致性檢測的適用性與有效性，特別聚焦於手術部位與診斷部位之間的左右側不一致問題，以提升手術部位錯誤的辨識能力。
方法
本研究使用美國醫療保險與醫療補助服務中心（Centers for Medicare & Medicaid Services, CMS）2017 至 2020 年的有限資料集（CMS Limited Data Set, CMS-LDS），並聚焦於具有左右側資訊的手術紀錄。
研究團隊開發一套改良版的「關聯異常模式」（Association Outlier Pattern, AOP）機器學習模型，用於辨識罕見的手術－診斷組合，特別是手術部位與診斷部位之間的左右側不一致情況。
訓練資料： 使用 2017 至 2019 年 CMS-LDS 手術資料進行模型訓練。
測試資料： 使用 2020 年骨科手術資料進行模型驗證，並以國際疾病分類第十版手術處置編碼系統區分手術部位及左右側資訊。
評估方式： 將手術紀錄進行分類，並重點分析兩類關鍵錯誤子群：
右側手術－左側診斷
左側手術－右側診斷
研究並透過精確率－召回率曲線（Precision-Recall Curve）及準確性指標，比較 AOP 模型與傳統規則式方法的辨識表現。
結果
研究共分析 346,382 筆醫療理賠資料，其中發現 2,170 例手術部位與診斷部位存在重大左右側不一致：
在左側手術－右側診斷組的 1,106 例中，經臨床審查確認有 54.5%（603 例）屬於真實錯誤。
在右側手術－左側診斷組的 1,064 例中，經臨床審查確認有 50.8%（541 例）屬於真實錯誤。
AOP 模型成功辨識出 697 例左側－右側異常組合，以及 655 例右側－左側異常組合，其中超過 80% 經臨床驗證後確認為錯誤。
絕大多數經確認的錯誤案例，涉及相同解剖部位但左右側不一致；而未被判定為錯誤的案例，則多涉及缺乏明確左右側標示的廣義診斷。
結論
本研究顯示，AOP 模型能有效偵測手術紀錄與診斷資訊之間的不一致，並在 CMS-LDS 醫療理賠資料分析中展現優於傳統規則式方法的辨識精準度。
除了在手術部位錯誤辨識方面具有良好表現之外，AOP 模型也展現出從原先的藥物－疾病匹配延伸至手術－診斷一致性驗證的可遷移性，顯示其在不同臨床資訊完整性應用情境中具有進一步發展潛力。
Chen Y, Lin C, Fan C, Long A, Scholl J, Kao Y, Iqbal U, Li Y, Machine Learning Approach to Identifying Wrong-Site Surgeries Using Centers for Medicare and Medicaid Services Dataset: Development and Validation Study, JMIR Form Res 2025;9:e68436, DOI: 10.2196/68436