演算法，是將臨床資料轉成行動洞見的主要驅動力，對病患本人和負責治療的醫師來說，都極有用處與深意。但是要寫出一篇關於演算法這種既「無形」又抽象主題的文章，來讓讀者相信演算法作為一種裝置構件，在醫療裝置、穿戴裝置和其他醫療照護產品（例如結合藥物和醫療器材的複合性藥物）中有多麼潛力無窮，其實很難。

因此，愛美科的首席科學家Willemijn Groenendaal與Evelien Hermeling決定利用愛美科針對特定疾病與治療的具體研究，來說明他們在這個領域的轉換方法。現在，就來深入探討四項創新研究，主題為心臟監測、心臟復健、壓力管理與鬱血性疾病治療，藉以說明奠定愛美科轉換公式的五大基石：

● 演算法輔助標記：透過識別所謂的基準點（fiducial），例如心電圖的R波，以演算法為輔助來標記原始資料。

● 識別新的生物指標（biomarker）

● 數據轉換：將數據轉換成可付諸行動的洞察力

● 品質評估：評估訊號、生物指標以及行動洞見的品質

● 與醫療院所建立合作：攜手醫院，與病患進行研究，進一步評估新的（感測）技術與演算法。

1. 演算法輔助的時序標記

醫療新工具

要將數據轉換成洞察力，第一步通常就是偵測數據的基準點（fiducial point），例如心電圖訊號中的R波。比如，利用R波出現的位置，可以計算出病患的心率。近期，愛美科在這塊研究領域開發出一種關鍵的發展基礎要件。

Evenlien Hermeling對此解釋：「愛美科開發出一個獨特且使用者友善的平台，用來分析和標記醫療訊號，這是一種新工具，在Python上設計，對開發、訓練和驗證新的演算法有化繁為簡的作用。」

這個平台的核心，在於其圖形化使用者介面，方便進行三種主要的人工標記：

1. 時間與／或振幅基準點：例如心電圖的R波。

2. 持續一定時間的事件：例如心律不整發作。

3. 訊號品質：例如受到動作雜訊影響的資料片段。

「這個介面可以針對同一訊號同時完成所有標記，而且過程符合人體工學，對使用者十分友善。這個平台還能直接連結現有的演算法，並依照實際需求進行手動調整，不僅實現了快速標記數個訊號模態（心臟、呼吸和其他訊號），還能用來進一步精進演算法，更甚者，還能驗證演算法。」Hermeling進一步說明。

圖一 : 上方為兩張光體積變化描記圖（PPG），某一PPG訊號（上圖）依照進行的活動、動作雜訊以及其他相關的重點區域進行標記、（下圖）根據訊號品質進行標記，其中橫條的藍色、綠色、紅色，以10秒為區間分段，代表不同的訊號品質分級。

應用案例：心臟監測裝置：用AI標記心電圖

病患在進行日常活動時，持續監測他們的心電圖，能在診斷或追蹤心臟病時派上用場。在心電圖裡，偵測並標記R波很重要，藉由R波，就能計算出心率和其他重要的心臟參數，它也是診斷心律不整的重要衡量標準。

Willemijn Groenendaal表示：「愛美科已經發表了幾篇有關心電圖心跳偵測器與演算法的論文，那些演算法不僅能偵測R波和心電圖的五種波形（P-Q-R-S-T波組），還能偵測心跳之間的時間間距。這項研究有部分是和比利時林堡省的一間超區域（supra-regional）醫院—東林堡醫院合作的成果。」

這項研究的焦點，在於實現低功耗、快速（即時運作）、準確且智慧化的心跳偵測器。如果要將這套演算法嵌入至小型穿戴裝置，這些性能特點很重要。而「智慧化」指的是深度學習和非監督式學習技術在心跳偵測器的應用， Groenendaal解釋。

「在穿戴裝置導入智慧功能，也就是所謂的邊緣運算，帶來很多優勢。」Hermeling則補充：「首先，它能規避隱私權的問題，現在的穿戴裝置利用雲端服務進行資料分析時就會遇到這個問題；除此之外，智慧化可以提供更具規模化的解決方案，因為必須從裝置端傳到雲端的資料量更少。最後一點，邊緣運算比雲端運算具備還要高的能源效率。」

2. 識別新的生物指標

在資料流中標記出重要的基準點後，演算法還需識別生物指標，這些指標能提供有關體內單一或多個生理系統的資訊。例如，心率是一種生物指標，從心電圖訊號中擷取出來，這也是剛剛轉換公式第一步，標記P-Q-R-S-T波組作為基準點時也同步進行自動標記的指標，能提供關於病患健康和身體狀況的資訊。另一種生物指標是呼吸時間、呼吸量或呼吸頻率，用於慢性肺病的患者。

應用案例：鬱血性疾病治療：以胸腔生物阻抗作為偵測體液變化的生物指標

心臟衰竭（heart failure）是全球主要的公共衛生問題，因為鬱血（水分和鹽分滯留體內）而頻繁住院或再住院是該疾病的特徵。

處理鬱血問題的治療策略包含利尿劑、血管舒張劑、超過濾作用等。問題在於找出最適合個別病患的脫水策略。有沒有可能利用穿戴裝置和演算法監測治療有效性，來協助打造個人化療程？

研究人員過去在東林堡醫院監測了36位進行鬱血性疾病治療的病患。他們的胸上放了一種監測生物阻抗的穿戴裝置。結果顯示，基於生物阻抗的監測可用來評估病患體液狀況的變化，亦即住院期間鬱血性疾病治療的有效性。

生物阻抗這項生物指標甚至還能獲取療程的其他洞見：在初始治療時，胸腔阻抗增加的病患，比胸腔阻抗沒有增加的病患，通常會獲得更好的臨床成效。這項臨床結果在病患出院的30天和1年後皆有紀錄。

Groenendaal解釋：「和我們很多其他研究一樣，在這項鬱血性疾病治療的研究中，我們用了自己的晶片和穿戴監測裝置，來監測心電圖、皮膚溫度和生物阻抗等。我們自己開發了軟硬體，也因為這種整合的開發方式，我們才能打造出一套獨特的專業組合，這對發展真正實現創新的醫療解決方案來說是關鍵，尤其在未來，更多智慧會被導入穿戴、可插入式或植入式裝置，勢必要強化軟硬體與應用專家三方之間的整合。」

未來展望：更複雜的生物指標

「新興生物指標的發展，是愛美科密切關注的焦點。所謂較典型的生物指標包含心率、心率變異度和皮膚溫度等。」Evelien Hermeling指出：「但要是我們能設計出更複雜的生物指標，像是發炎、氧化壓力或內皮功能異常，並用非侵入式的方式進行測量呢？」

其中，內皮細胞功能異常和內皮層有關，內皮層是心臟或血管內的細胞薄膜，當它運作失常時，動脈就不能完全擴張，問題就會出現。

「對預測中風、心臟病發作和其他心血管疾病來說，這些生物指標相當重要。」Hermeling強調：「為了能用非侵入式方式來測量這些參數，我們就需要透過穿戴裝置，例如貼片，來蒐集數據，並利用演算法來計算特定生物指標，以作為判斷像是內皮功能異常的測量方法。」

Hermeling接著說明，首先，當然就是針對內皮功能異常設計出新的生物指標，透過在臨床蒐集數據，並與醫師和其他應用領域（例如醫療裝置公司）的專家合作。就這點，科學相關出版已經準備就緒，要讓醫學界相信這項全新生物指標的價值，還有穿戴裝置和演算法的測量可靠度。

下一步，也是最終目標，要進一步開發能用在行動或家用場景的解決方案。

圖二 : 多模態監測心臟衰竭患者能獲取有關病患身體安康與疾病現狀的全面性洞見。

3.從數據到行動洞見的轉換

除了識別基準點和計算生物指標，第三種演算法的開發是為了獲取資料中能付諸於實踐的行動洞見。

Willemijn Groenendaal表示：「在這個轉換階層，我們整合所有數據，包含來自多個生物指標、生理系統和身體子系統，例如心臟、呼吸和運動系統等，用來針對特定疾病做出決策。」

她以愛美科團隊過去進行的研究為例，在一項針對慢性阻塞性肺病（Chronic Obstrctive Pulmonary Disease；COPD）患者的研究中，生物阻抗以及肌動參數的創新整合，能夠顯示出不同患病嚴重程度的病患之間存在的差異。未來，這種創新指標可以用來持續不間斷地監測疾病進展，而且是在病患家中。當然，這還需要更多的研究和開發。

應用案例：心臟復健：演算法預測治療結果，為依照病患量身打造的醫療方法鋪路

對經歷過心臟病發、心臟衰竭、動脈成形手術或心臟手術的人來說，心臟復健（cardiac rehabilitation）計畫常被用來改善他們的心臟健康。這種治療的關鍵要素之一，就是運動輔導與訓練。但不是所有病患都對心臟復甦的反應相似，而且目前對於是什麼機制造成病患之間的巨大變異性，所知甚少。演算法可不可能協助醫師獲取更多心臟復健的見解，用來預測特定病患的治療結果，並實現為病患量身打造的治療方式？

為了研究這項應用，研究人員蒐集了129位病患的資料，在東林堡醫院進行一項心臟復健計畫。這些病患配戴了愛美科的穿戴心電圖原型裝置，同時在為期15週的計畫中，定期進行五次的6分鐘行走測試。

根據心電圖的數據，像是靜止心率、最大心率和心跳恢復率等的參數都進行了運算。接著，該團隊研究了不同病患之間的心臟反應是否存在差異，顯示出高反應組的病患在身體機能上出現明顯改善，而低反應組的病患在進行心臟復健治療後只有些微進步。

Groenendaal表示：「在這項研究中，我們定義了全新的數位生物指標，也就是曲線的形狀和陡度，這些曲線描繪了病患在進行6分鐘行走測試時的心率。而針對心臟病患者在典型活動中的心臟反應，新的生物指標能提供更深入的見解，還能區別高反應與低反應組。」

此外，區別病患差異的這個步驟已經能在治療開始時進行，建立基線

（baseline），低反應組在行走時基線的心率增加較陡。如此一來，新興的生物指標就能用來預測個別病患將對心臟復健療程做出什麼反應，還能將治療策略個人化。

圖三 : 利用穿戴心電圖裝置，就能在心臟復健病人進行五次行走測試時，測量他們的心率。（source：De Canniere et al.）

圖中的二次多項式模型被當作配適度（fit）指標，曲線代表平均配適度，陰影區域代表標準差。曲線形狀與陡度之間的係數被提議當作心的數位生物指標，用來預測心臟復健治療的結果。

Groenendaal指出：「或許你也有發現，這項研究進行時與東林堡醫院有密切合作，而臨床合作在我們每個研究中都是重要基石。我們的演算法必須先在臨床情境下經過驗證，應用領域專家也參與其中，這些都在演算法應用到家用監測穿戴裝置之前進行。」

4. 從各層面評估數據品質

前面提到識別基準點、定義生物指標與從數據得到洞見，和這三點相同，專注在數據分析結果的品質也很重要。愛美科開發了一些演算法，能指出演算法在各層面的品質。醫師在為病患設計治療策略時，數據分析結果的品質是重要資訊，在家用場景這種不受醫院監管的環境中，品質指示更是所有測量中最重要的一環。

應用案例：日常活動時的壓力監控

壓力對人們的健康和安康有負面影響。研究顯示，壓力和憂鬱症、心血管疾病、猝死以及心肌梗塞都有關聯。及早偵測並預防壓力因此至關重要。

演算法與穿戴裝置，對協助個人化預防與治療策略能提供一定的保證，將個人在壓力參數上的變異性納入考量。愛美科進行了一項大型研究，共有1002位受試者在從事日常活動時接受為期5天的監控。該研究透過穿戴式裝置來測量心電圖、心率、皮膚導電、皮膚溫度和動作，並利用手機來獲取使用情境，以及在手機上發放問卷，最後蒐集到在行動情境下進行壓力監控的資料組，規模為目前已知最大。

演算法與機器學習被用來分析這些數據，結果顯示，在不同壓力程度下，心電圖參數、皮膚溫度、皮膚導電之間有明顯差異。不僅如此，這項研究還推斷，不同人對壓力的生理反應其實大不相同：就生理特徵的動態範圍來說，有些人的範圍小，其他人的範圍大。

換句話說，所有人對生理壓力的反應程度和類型不同。該研究發現，與生理壓力反應度較明顯的受試族群（大動態範圍組）相比，反應度較和緩的受試族群（小動態範圍組），傾向擁有較不健康的生活方式，以及更高的憂鬱、焦慮和壓力指數。

Evelien Hermeling表示：「這項研究樹立了很好的典範，展現了穿戴式監測能在現實生活情境中提供有關疾病和心理疾病的全新觀點。這也進而建構了全新治療策略的基礎，可能藉由穿戴式技術提供輔助。」

Willemijn Groenendaal接著說道：「在這項研究中，我們的重點之一是將訊號品質納入考量。在愛美科，我們相信品質指標應該用在演算法的各個層面，包含訊號、生物指標和洞見的層面，以幫助正確詮釋這些數據。此外，我們也嘗試使用不同方法來測量單一參數，並利用訊號融合（signal fusion）來改進測量可靠度。」

病患本位的醫療照護：下個里程碑是全人醫療

「目前我們關注的通常是單一健康參數，以及如何對此進行優化。」Hermeling指出：「例如血壓，心臟專科醫師未來可以利用穿戴式或醫院的裝置來監測病患，調整用藥，或許還能應用結合藥物與醫療器材的複合性藥物（drug-device combination）來完美平衡並為個人量身打造用藥劑量。」

不過理想的血壓並不一定代表最佳的整體健康狀康，她也強調，血壓藥確實可ˇ以降壓及降低心率，但這也讓維持藥性更加困難。

「如果有一種穿戴裝置能測量不同參數，還有不同演算法能協助找出實現整體健康優良狀態的完美平衡，不是會更理想嗎？」Hermeling說道：「愛美科相信這種全人醫療的做法，將會是奠基病患本位醫療照護（patient-centric healthcare）的基礎。」

圖四 : 全人醫療鎖定測量不同參數，隨後，演算法協助找出實現整體健康狀態良好的完美平衡。

結語

儘管愛美科最為人知的是半導體技術，但在演算法、人工智慧和機器學習，我們也具備大量專業知識。本文展示了這點，在醫療照護領域，愛美科進行了有關壓力管理、心臟監測、心臟復健和鬱血性疾病治療的卓越研究。

愛美科將持續鎖定幾項研究重點，包含利用大量且多元的資料組加強演算法的驗證、與醫療院所合作以達成演算法的臨床驗證、進行各層面的品質評估、實現可解釋的人工智慧（explainable AI；XAI）—這是獲得臨床認可的唯一方式、採取協調晶片設計、系統建構與軟體的整合方式、採取全方位做法以同步優化不同的生物指標。

（本文由愛美科授權刊登；作者Willemijn Groenendaal、Evelien Hermeling為愛美科首席科學家／編譯：吳雅婷）

**刊頭圖（source：spectrum.ieee.org）