投稿分類 感控監測

主委發表種類: 壁報

投稿標題(中): 運用大型語言模型與檢索增強生成技術提升醫療照護相關感染判讀準確性

投稿標題(英): Enhancing the Accuracy of Healthcare-Associated Infection (HAI) Identification Using Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) Technology

投稿摘要(前言): 隨著人工智慧（artificial intelligence, AI）快速發展，在臨床醫療中的應用日益廣泛，尤其在醫學影像辨識與疾病風險預測等領域，已成為提升診斷精準度與醫療效率的重要工具。然而，大型語言模型（large language models, LLMs）在醫療場域仍面臨挑戰，其中最典型的問題是「幻覺」（hallucination），即生成虛構但似合理的內容。研究指出，幻覺源於訓練與評估偏重模型「給出答案」的能力。為此本文採用檢索增強生成（Retrieval Augmented Generation, RAG）技術，建立醫療照護相關感染(Healthcare-Associated Infection, HAI)的輔助診斷工具，以降低幻覺發生率並提升模型在專業領域的判讀可信度。

投稿摘要(方法): 本研究使用CDC感染監測定義等資料做為唯一的知識庫，透過檢索知識庫相關片段並交由大語言模型(Gemini 1.5 Pro)進行生成，為排除輸入資料差異，使用者將臨床資料轉化為結構化輸入，涵蓋入院日期、潛伏感染病史、症狀體徵、實驗室與影像結果、微生物檢驗及導管留置狀態。系統推論時會優先檢索對應之指引準則，確保生成建議具備實證基礎。在模型評估方面，本研究採概念驗證(Proof of Concept, PoC)形式自114年院內通報資料，隨機抽取9份HAI個案。由兩位感管師與一位感染科醫師，分別在未參考AI結果的情況下進行獨立判讀；同時，AI系統亦針對相同資料進行推論。最終將三方判讀結果進行交叉比對，以評估模型在HAI診斷輔助上的正確率與一致性。

投稿摘要(結果): AI與團隊最終結論為77.8%(7/9)的一致性，顯示模型具備良好準確度，及對時序性臨床資料具有優異的解析能力，能清楚判定入院時發生 (Present on Admission, POA)、發生日期((Date of Event, DOE) 或可歸因感染日(Repeat Infection Timeframe, RIT)，在血流與泌尿道感染案例中，展現一致結果。然而在22.2%(2/9)的不一致案例中，AI未出現臆測性結論，而是在資訊不足時，客觀地提示需補充臨床症狀資料，顯示RAG架構有效降低模型在不確定情境下產生「幻覺」的風險。在肺炎案例中，AI亦提醒需提供影像與臨床徵象，並正確辨識不同檢體來源（如BAL、Sputum）在診斷標準中的差異，反映模型的準確性。

投稿摘要(討論): 本研究證實 RAG 技術建置的 HAI 輔助診斷工具具備高度可行性，能有效抑制幻覺並幫助感控業務。其具備清晰時序推論與條件判別能力，除用於收案確效、降低判讀負荷與人為錯誤外，亦能提供詳盡解釋與關鍵提醒，作為新進人員培訓的標準化工具。
然而，工具精準度仍依賴輸入資料品質，須由感控人員把關並定期更新知識庫。本研究目前處於概念驗證(PoC)階段，樣本數有限但具備智慧化潛力，未來將導入資訊自動化流程，發展為智慧監測工具，以持續提升醫療照護品質。

稿件檔: