健康科學院/人工智慧健康產業應用碩士學位學程 鄭成偉助理教授研究團隊

圖1：研究摘要

     對於剛出生的寶寶來說，「菌血症」（血液受細菌感染）是極其危險的隱形殺手。然而，新生兒感染時的症狀往往不明顯，傳統的血液培養檢查更像是在「種種子」，需要耗費數天才能得知結果，易錯過黃金治療時間。為了突破這項醫療困境，研究團隊與高雄榮總合作，分析了數千筆臨床案例，運用機器學習技術，試圖從日常最基礎、成本最低廉的血液檢查數據中，挖掘出預測感染的蛛絲馬跡。

    這項研究透過多種人工智慧模型的測試，探討了不同臨床生理指標對預測準確度的影響。為了確保AI的判斷不只是「死背」現有數據，而是真正具備推廣到不同病患的準確性，研究過程中採用了嚴謹的「巢狀交叉驗證」技術，大幅降低了模型過度擬合的問題，讓預測結果更具公信力。

    分析結果顯示，當AI整合了嬰兒的基本生理資訊與多項常規實驗室數據進行綜合判斷時，展現出了極高的預警能力。特定的發炎反應指標與代謝數據的異常波動，是AI判定菌血症最重要的判斷線索，而其他血液細胞比例的變化，也提供了關鍵的輔助資訊，讓醫師能更全面地評估孩子的健康狀況。

    這項技術的突破在於，它不需依賴昂貴的高階檢驗，僅憑醫師手邊現有的例行報告，就能透過AI建立起一道「預警雷達」。這套系統未來若能應用於臨床，將成為醫師精準決策的數位助手，幫助醫療團隊在細菌發威前搶先一步採取行動，守護新生兒的生命安全。

圖2：鄭成偉助理教授研究團隊合照水彩

Yao-Jen Dong and Cheng-Wei Cheng, Prediction of Bacteremia in Infants using Machine Learning based on Demographic Data, Complete Blood Cell Count with Differential, Glucose and C-Reactive Protein, Manuscript in Preparation (2025).