負責任 AI 中心
成果效益

智慧病房 AI 設備

新北仁康醫院所採購的智慧病房 AI 設備，由緯創醫學科技股份有限公司提供，運用機器學習、深度學習等AI演算法與模型。

使用產品包括BestShape VS （生理感測器 ），BestShape Care（動作感測器）。其中VS獲得CE、NCC、FCC、日本 telec 認證，TFDA認證(衛部醫器製字第007955號) ，日本福祉器材認證 TAISコード: 02037 – 000004。

Care 獲得 NCC、FCC、日本 telec 認證，日本福祉器材認證 TAISコード: 02037 – 000005。

這些設備通過國際多項認證，證明其在安全性、有效性及品質方面達到國際標準。此外，獲得台灣衛福部 TFDA 認證，也確保符合國內醫療器材規範。

透過這些先進的智慧醫療設備及技術，仁康醫院不僅提升病患的照護品質，也為病房運作提供更高效的管理，展現智慧醫療未來的無限可能。

影片

九大透明性原則 執行說明 (BestShape VS （生理感測器 ）)

介入詳情及輸出

Details and output of the intervention
本系統使用無線射頻感測器對臥於床上的使用者進行生理數值非接觸偵測，系統藉由演算法分析波形振動模式以理解使用者的胸腔運動情況，估算出呼吸率、心率並記錄在系統中，並在異常值出現時提醒 o 輸入：無線射頻電波的反射訊號 (反映使用者的胸腔運動) o 輸出：呼吸率、心率 (每日24小時不間斷監測與記錄) o 可由系統介面檢視即時數值、趨勢、與異常提醒

2. 介入目的

Purpose of the intervention
輔助記錄使用者的生命徵象(其紀錄可隨時存取)，並在異常值出現時提醒，以降低醫事/照護人員的負擔。其生命徵象數值紀錄與異常提醒旨在提供專業人員參考、輔助其進行醫療/照護決策

介入的警告範圍外使用

Cautioned Out-of-Scope Use of the intervention
o 本系統的數值輸出或紀錄不應做為醫療/照護決策上的單獨判斷依據，專業人員應於需要使用傳統量測方式複驗
o 本系統不適用配戴心律調節器的患者

介入開發詳情及輸入特徵

Intervention development details and input features
系統以無線射頻感測器的反射波形為輸入 (波形反映使用者之胸腔運動情況)，並以演算法估算呼吸率與心率 o 呼吸率：非AI的傳統演算法分析波形起伏以估算呼吸率 o 心率：卷積神經網路分析波型細部振動以估算心率 - 卷積神經網路為常見AI模型，特色為使用網路中的「卷積層」從輸入中抽取特徵，後段網路基於抽出的特徵進行運算 - 使用的訓練資料包含同時採集的(1)模型輸入：波形資料(2)訓練標準：認證醫材的輸出心率 - 資料來自多個醫療院所、不同性別、年齡範圍等，並涵蓋大範圍的數值 - 因波形純粹反映心跳的物理運動，故族群、膚色等差異對性能無影響

確保介入開發公平性的過程

Process used to ensure fairness in development of the intervention
心率模型訓練樣本來自多個醫療院所 o 分布於38到119bpm(下/分鐘) o 兩家不同層級、地區的醫院，男性207位、女性80位，年齡分布在22~74歲之間 開發過程中採用以下手法確保公平性與可靠性 o 男女樣本平衡：在維持年齡分散的前提下隨機取用男性資料使其不多於女性 o 數值均勻涵蓋：在系統偵測範圍(40~120bpm)內每10bpm的區間內平均地取用資料 o 模型公平性/泛用性：採交叉驗證，藉由交叉比較各組間的性能表現，以確認模型產出無過擬合、符合公平性

外部驗證過程

External validation process
驗證方式
o 驗證資料不含於原始訓練、測試資料中
o 與多個不同場域合作，包含醫院與照護機構
(測試不同環境與病患群體，如健康、長期臥床、失智症等)

模型表現的量化指標

Quantitative measures of performance
通過外部驗證得到的性能指標如下 o 呼吸率 (偵測範圍 7-38 rpm) - MAE : 0.77 rpm - 最大誤差 ±5% 或 ±2 rpm (較大者為準) o 心率 (偵測範圍 40 – 120 bpm) - MAE : 1.93 bpm - 最大誤差 ±8 bpm

介入實施和使用的持續維護

Ongoing maintenance of intervention implementation and use
由專門團隊監控已佈署的系統，並隨時接收客戶回饋，系統也不定期 (最長一年) 更新。

更新和持續驗證公平性評估計劃

Update and continued validation or fairness assessment schedule
開發團隊會每一至二年以人體臨床試驗收集新樣本進行效能評估與訓練，以確保 效能維持水準。若發現模型效能下降低於原經主管機關核定之效能，則立即通報機構端建請停用，待模型重新訓練並通過內部/外部驗證後方得恢復使用

心率AI模型可解釋性

  • 模型採用卷積神經網路 (Convolution Neural Network, CNN)，其特性在於使用卷積層理解輸入資料並從中提取用於判斷的特徵
  • 感測器的反射波形中較大的振動乃是反映呼吸胸腔起伏，CNN模型從中提取細微振動的幅度、速度、加速度等特徵，並以之為判斷心搏發生的時點與換算成心率(每分鐘心跳次數)的依據
無線射頻感測器反射波形示意圖
心跳特徵示意圖 (僅節錄短時間區間)

SHAP 可解釋性分析

人體臨床試驗，以雷達收集居家、長照機構、睡眠中心及病房資料並進行模型訓練及驗證，該試驗以ECG取得之心率標註作為Ground Truth，共392,470筆資料，心率範圍約40~120bpm，其中70%為訓練資料集，30%為測試資料集，訓練集資料及測試集資料有相近的心率分布比例。
並再以人體臨床試驗資料不含於原始訓練、測試資料46,320進行驗證，心率範圍約40~110bpm ，以確認在不同環境與病患群體中的效能。

回歸模型成效：測試資料集117,741，心率範圍約40~120bpm，平均絕對誤差(MAE)：2.98bpm ，平均絕對誤差百分比(MAPE)：4% 。

人體臨床試驗資料集46,320， 以Bland-Altman分析效能，驗證模型預測與Ground Truth的一致姓。驗證集心率範圍約40~110bpm ，平均誤差0.31bpm， 95%信心水準上下限誤差為4.1bpm及-3.49bpm 。

基於 SHAP 全部測試資料分析，「 0th apd1_features」是最具影響力特徵，對模型的預測有顯著的正面影響。該特徵為雷達捕捉受測者胸腔回波，經由濾波、微分以凸顯心跳物理運動的時域特徵，這表明時間域特性對於預測目標變數至關重要。
其中「第 22 個 apd1_features 」、「第 23 個 apd1_features」和「第 7 個 apd1_features」分別為頻域特徵中最強諧波、次強諧波及兩諧波的頻率差， 皆具正向且重要的貢獻。
「第 13 個 apd1_features 」、「第 35 個 apd1_features」和「第 73 個 apd1_features」分別為相位、震幅第三強諧波與最強諧波之比值及乘積呈現
負 SHAP 值，表示第三強諧波特徵及最強諧波之交互作用可能降低特定實例的預測，但這並不意味著該特徵總體上不重要或有害。某個特徵在某些資料子集中的負面影響可能會提供有價值的訊息，從而提高模型的準確性和泛化能力。