投稿分類 感控監測

主委發表種類: 口頭

投稿標題(中): 運用大型語言模型（LLM）輔助感染監測：NHSN 客觀性指令鎖定與實務故障排除經驗分享

投稿標題(英): Application of Large Language Models (LLM) in Infection Surveillance: NHSN Objectivity Instruction Locking and Practical Troubleshooting Experience Sharing

投稿摘要(前言): 本院為提升醫院感染監測的準確性與效率，已於HIS系統內部架設本地部署的 AI 網頁，ICN為主要使用者之一。此網頁有提示詞編寫、AI回應框與資料瀏覽區，資料源為電子病歷與轉床歷程等。首先建置系統基礎知識庫，目前處於開發階段，透過單一案例進行提示詞反覆精煉。

投稿摘要(方法): AI 最大的挑戰在其通用臨床直覺與 NHSN 的極端客觀標準之間的衝突。因此必須採用防禦性策略，利用AI擅長理解強勢語氣的特性，反制其預設的通用性傾向。我們稱為「通用性悖論鎖定」。
指令優化重點包括：
1. 語言優先級：英文指令優先（如 ABSOLUTE MANDATE），以減少 AI 進行中英轉換時的算力損耗與語義損失，提升指令執行效率。
2. 規則順序：越重要規則越前置。我們將基礎的篩選框架置於提示詞的最高層級。
3. 嚴禁臆測：設定 CRITICAL EXCLUSION，例如 「The AI MUST NEVER use clinical diagnoses (e.g., "probable infection") as a substitute for meeting the required OBJECTIVE NHSN criteria.」，強制 AI 排除所有臨床推論和經驗性用藥紀錄。

投稿摘要(結果): 關鍵部位鎖定與故障排除：
1. 數據邊界與定義鎖定：針對AI傾向歸因追溯期外舊手術的錯誤，我們實施絕對零點過濾。使用 ABSOLUTE EXCLUSION MANDATE，強制在提取處置列表時完全排除舊數據。同時，透過 CRITICAL EXCLUSION 強制禁止將血腫視為膿液。此外，當AI忽略清創術時，我們使用 ABSOLUTE LISTING MANDATE 舉例點名特定處置，以克服其識別錯誤。
2. 定量與時間軸鎖定：針對UTI強制 AI 提取並核對定量菌落數 (10^5 CFU/mL)，並執行相符微生物鎖定，確保DOE的正確性。針對 VAP，強制AI建立生理參數時間軸，核對連續兩天 FiO2 或 PEEP 的高值，並強制比對新發生的肺部影像報告。
3. 多重感染衝突與續發性 BSI 判定：同一案例多部位感染，必須遵循最高級別優先原則進行歸併。例如續發性判定，AI 必須先確認初級感染源是否存在，若初級感染源（如 SSI）存在且微生物相符，則 BSI 必須判定為續發性並歸因於初級部位。【提示詞實例】 我們強制 AI 輸出 "BSI\_Secondary\_Attribution": "IsSecondaryBSI": "true/false", ...，要求 AI 明確完成 BSI 的衝突判斷。

投稿摘要(討論): 透過系統性的指令鎖定，成功將 AI 從容易受通用臨床直覺干擾的「推論者」，轉變為嚴守 NHSN 標準的客觀數據處理器。此外，透過詞彙擴增鎖定（如抽痰有食物殘渣）為 RCA 提供高價值輔助。這種將臨床經驗與提示詞語法結合的方法論，是系統穩定性的基石。我們的經驗包括如何將 NHSN 的複雜邏輯精確轉譯給 AI、感染部位衝突歸併程序等。我們計劃在完成提示詞精煉後，將分層抽樣驗證，系統性評估 AI 判讀結果與 ICN 人工判讀的一致性與準確性，確保系統在全院批次處理時的可靠性，方落地輔助 ICN 作業。

稿件檔: