AI如何在48小時前預測敗血症？從臨床資料到預測醫學的轉變
- Muting Functional Medicine
- 1小时前
- 讀畢需時 8 分鐘
多數人對醫療的理解，仍停留在一個熟悉的流程：出現症狀、接受檢查、得到診斷、開始治療。但如果把時間往前推一點，會發現一個更值得思考的問題—疾病真的只是從「被診斷的那一刻」才開始嗎？
從生理的角度來看，答案往往是否定的。身體在進入疾病狀態之前，通常已經歷一段不易察覺的變化過程，只是這些變化過於細微，難以透過單次觀察被辨識。隨著資料科學與臨床研究的進展，我們開始有能力重新解讀這些訊號，並嘗試在問題尚未明顯之前，捕捉風險的輪廓。
這樣的轉變，意味著醫療不再只是對既有問題的回應，而是逐步朝向一種更前瞻的模式—預測與提前介入。本文將以近期一項關於兒童敗血症的研究為出發點，說明這種轉變如何發生，以及它可能帶來的影響。
目錄：
一、敗血症的問題，從來不只是治療
在臨床實務中，敗血症（sepsis）並不是一個單純的感染問題，而是一個時間競賽。當感染進一步引發全身性發炎反應，並導致器官功能障礙時，病程往往呈現快速惡化的特徵。
流行病學資料顯示，兒童敗血症的院內死亡率可達 5–20%。更重要的是，研究已反覆證實：延遲抗生素治療與支持性處置，會顯著增加死亡率與器官衰竭風險。這意味著，在臨床上真正決定預後的，不只是治療本身，而是「何時開始治療」。
問題在於，敗血症在早期往往缺乏特異性表現。患者可能僅呈現輕微心率上升、呼吸改變或不明顯的不適，而這些變化在急診環境中極容易被視為非特異性反應而忽略。也因此，傳統醫療體系大多仍停留在「出現器官功能障礙後才確認診斷」的模式。
這正是目前臨床的一個核心限制：當我們能夠確定敗血症時，疾病往往已經進入進展階段。
二、從診斷到預測：這篇研究想解決什麼問題？
2025 年發表於 JAMA Pediatrics 的一項大型多中心研究，嘗試改變這個困境。研究團隊並沒有著重於如何更精確地「診斷敗血症」，而是提出一個更前瞻性的問題：是否能利用急診早期資料，預測患者在未來 48 小時內發展為敗血症的風險？
這項研究的設計具有幾個關鍵特點。首先，它使用來自五個醫療體系的電子病歷資料，總計納入 2,323,720 次急診就診紀錄，其中約 160 萬筆資料用於模型訓練，72 萬筆用於時間外驗證（temporal validation）。如此規模的資料，在兒科急診研究中相當罕見，也大幅提升了模型的穩定性與外部效度。
其次，研究刻意排除了在急診前四小時內已符合敗血症診斷的患者。換句話說，這個模型的任務並不是辨識「已經是敗血症」的病人，而是針對：尚未發展為敗血症，但可能在未來惡化的患者進行預測。
在結果的定義上，研究採用「鳳凰城敗血症標準」 Phoenix Sepsis Criteria（PSC），這是一套近年提出的兒童敗血症標準，強調感染與器官功能障礙的結合，並以 48 小時內的臨床變化作為評估窗口。
三、模型在看什麼？其實是「最基本的生理訊號」
在方法學上，研究比較了兩種模型：傳統的 ridge logistic regression，以及非線性的 gradient tree boosting（XGBoost）。後者在多數指標上表現較佳，最終 AUROC 約為 0.936，顯示模型具有良好的區辨能力。
然而，真正值得關注的不是模型的形式，而是其輸入資料的本質。所有預測變數均來自急診前四小時內可取得的臨床資訊，包括年齡、生命徵象（如心率、呼吸速率、血壓）、血氧飽和度、急診分級（Emergency Severity Index, ESI），以及慢性疾病狀態等。這些資料並非高階檢驗或特殊生物標記，而是日常臨床中最基本、最常見的生理指標。
透過 SHAP（Shapley Additive Explanations）分析，研究顯示最具影響力的預測因子包括：
血氧飽和度（oxygen saturation）
年齡校正後的心率與 shock index
急診分級（ESI）
慢性疾病複雜度
這些結果帶出一個關鍵觀點：在敗血症發生之前，生理系統已經出現可量化的微小偏移。這些變化對單一臨床觀察而言可能不具特異性，但當多個訊號在時間軸上同時出現偏移時，其組合模式即具有預測價值。
四、數據表現良好，但臨床意義更值得思考
在模型表現上，研究報告 AUROC 約 0.93，若以 90% 敏感度作為閾值，特異性約為 0.807，正向似然比（positive likelihood ratio）約為 4.67。這代表模型在臨床上具有一定的風險分層能力。 然而，研究同時揭示一個不可忽視的現實：由於敗血症在急診族群中的發生率僅約 0.35%，即使模型表現優異，其正向預測值（PPV）仍僅約 1–2%。這意味著，大量被標記為高風險的患者，最終並不會發展為敗血症。
這個現象並非模型缺陷，而是低盛行率疾病（low prevalence disease）在預測模型中的必然結果。因此，作者也強調，這類模型不應被視為診斷工具，因此，作者也強調，這類模型不應被視為診斷工具，而是作為一種風險提示（risk alert）與臨床決策輔助工具。其真正價值，在於提醒醫師「這個病人可能正在往不良方向發展」，而非直接取代臨床判斷。
五、這篇研究真正重要的，是醫療思維的轉變
如果只從技術角度來看，這是一篇關於機器學習模型的研究。但若從醫療體系的演進來看，它反映的是一個更深層的轉變：過去醫療的核心在於「辨識已存在的疾病」，而未來醫療的重點將逐漸轉向「預測尚未發生的風險」。
這種轉變，實際上已逐漸在多個醫療領域中顯現。例如，在重症醫學中，早期警示系統已開始整合多項生理指標；在慢性病管理中，連續監測資料被用於預測疾病惡化風險；而隨著穿戴式裝置的發展，個人化生理資料的長期追蹤亦逐漸成為可能。
敗血症預測只是其中一個具體案例，但其背後的邏輯具有普遍性：生理系統的變化，是連續的，而不是在診斷當下才突然出現。
六、從臨床到高風險環境：預測醫學的延伸應用
這樣的預測模型，其應用範圍並不僅限於急診醫療。在各類高風險或快速變化的生理環境中，單純依賴症狀出現後再進行判斷，往往難以及時介入。
例如，在需要高度生理穩定性的情境中，個體可能在短時間內出現代償失衡，從輕微的生理偏移迅速進展為功能失調。這類變化通常並非突然發生，而是伴隨著一連串細微且連續的生理訊號改變，例如心率調節、血氧變化或自律神經活動的波動。
這些訊號若以單一時間點觀察，往往缺乏特異性，但當透過時間序列與多變數整合分析時，便可能呈現出具有預測意義的模式。這與本研究在敗血症預測中所觀察到的現象一致：生理系統在臨床事件發生之前，已經出現可量化的偏移。
因此，預測醫學的核心，不在於辨識單一異常，而在於理解多重生理訊號之間的動態關係，以及其在時間軸上的演變趨勢。
七、醫療的下一個競爭點，是「誰能更早知道」
這篇研究的價值，不在於它建立了一個準確的模型，而在於它證明了一個方向：透過適當的資料與分析方法，我們可以在疾病發生之前，辨識出風險的存在。未來醫療的發展，將不再僅僅依賴更精密的檢查或更強效的藥物，而是仰賴對生理訊號的持續監測與預測能力。無論是在急診、慢性病管理，或是航太與極端環境醫學中，這種能力都將成為關鍵。
因此，可以說，醫療的本質正逐漸從「發現疾病」轉向「預測疾病」。而真正的差異，不在於誰能提供更多治療，而在於：誰能更早察覺風險，並在問題尚未形成之前做出介入。
八、這其實和你我都有關：身體早就在給訊號
看到這裡，很多人會直覺覺得，這類研究離日常生活很遠，似乎只和急診醫師或人工智慧有關。但如果換一個角度來看，這篇研究真正揭示的，其實是一個與每個人都相關的現象：身體在出現明顯症狀之前，往往早已開始改變。
這些改變通常非常細微，例如心跳略微加快、呼吸變得不那麼穩定、精神狀態稍微下降，或是睡眠品質開始變差。單一來看，這些變化幾乎不會讓人警覺，甚至多數時候會被解讀為「只是有點累」或「最近壓力比較大」。但當這些訊號在一段時間內同時出現時，其實代表身體正在承受某種負荷，並逐漸偏離原本的平衡狀態。
問題在於，我們的日常健康習慣，仍然停留在一種相對被動的模式：沒有明顯不適，就不會特別注意；沒有症狀，就不會主動檢查。然而從這項研究可以看出，真正重要的並不是症狀出現的那一刻，而是這些細微變化開始累積的過程。也就是說，風險並不是突然發生，而是逐漸形成。
未來的健康管理，很可能會朝向另一種方式發展：透過持續性的生理資料觀察，理解身體在時間軸上的變化，而不只是單一時間點的結果。像是心率、血氧飽和度、睡眠品質或活動狀態，這些指標如果單獨來看，意義有限，但當它們被長時間追蹤並整合分析時，就可能呈現出一種趨勢—這種趨勢，正是風險開始上升的訊號。
當然，多數人不需要也不可能自己建立複雜的預測模型，但理解這樣的概念本身就具有價值。因為一旦開始意識到身體的變化具有連續性，就會發現許多看似零碎的感受，其實是可以被串連與解讀的。換句話說，健康並不是單純的「有沒有生病」，而是一個持續變動的過程，而我們每天的狀態，正反映了這個過程正在往哪個方向發展。
九、從知道風險，到開始改變
理解這些研究之後，真正重要的並不是去追求更複雜的技術，而是開始重新思考我們看待健康的方式。
多數人習慣在出現症狀之後才採取行動，但從生理角度來看，身體的變化往往早在問題形成之前就已經開始。這些變化可能不明顯，但並非不存在。當我們開始留意心率、睡眠品質、疲勞感或日常狀態的變動時，其實已經在進行一種最基礎的風險判讀。
因此，與其將健康管理視為偶爾進行的檢查，不如將其理解為一種持續的觀察與理解過程。透過規律的健康評估與日常狀態的記錄，我們得以更早察覺偏離，並在問題尚未明顯之前做出調整。這樣的方式或許無法完全避免疾病的發生，但能顯著提升我們對風險的掌握程度。換句話說，真正的改變，不是等到需要治療時才開始，而是從日常中逐漸建立對身體變化的理解。
當我們開始理解變化，風險就不再是突然發生，而是可以被提前看見。
