Cardiovascular Suite (CVS)

心房顫動是臨床上最常見的一種心律不整(Arrhythmia)，約有 2% 的人曾經有發生過心房顫動。一般而言，該疾病是因為心房組織內有不正常放電，導致心房無法正常的收縮且心跳數不規律所產生的。

心房顫動發生時，可能造成心臟的血液輸出量減少，患者血壓下降，產生心悸、頭暈、疲倦、胸悶或喘不過氣等症狀，更嚴重的可能導致心臟功能惡化，出現心衰竭等現象。另一方面，由於心房組織不正常的放電，心房無法有效的收縮，導致血液無法有效且正常的移動，因而容易於左心房產生血栓，當血栓隨著動脈流至全身，便可能造成動脈栓塞，如栓塞發生於大腦時，將引起缺血性腦中風。因此，心房顫動早期的診斷與治療刻不容緩。

目前心房顫動的診斷方式大多是依靠 12 個導程的心電圖來判斷，然而該測量方式只能抓取 10 秒鐘的心臟資訊，對於陣發性、無症狀的心房顫動無法有效地偵測，會造成延誤治療使得病灶加重。因此，在醫療上經常會請患者做霍特二十四小時連續心電圖 (Holter monitor)，觀測患者一整天的心跳狀況，以防上述情況發生。但即便拿到了 24 小時的資訊，要請醫師檢查需要花費極大的精力，因此醫療流程上經常會請機器做第一步的篩檢、有證照的技師做第二步確認，再讓醫師看第三遍。已經做過兩輪確認的標註，醫師拿到時仍認為判讀不夠準確，需要再進一步的修改，整個流程既費時又費力。

因此，本團隊預計透過訊號處理的方式清理資料，利用統計分析與深度學習(Deep Learning) 、機器學習(Machine Learning) 等方法進行判讀，建立準確的 AI 判讀模型，能夠抓取心房顫動的病徵，精準判讀疾病的發生，像一位智能判讀醫生，即使資料有些許雜訊，也可以正確判讀出病灶，省去繁瑣又低效率的醫療流程。

無症狀左心室收縮功能障礙與心臟衰竭的發生息息相關，初期發現的無症狀左心室收縮功能障礙能夠透過療程與植入式裝置的方式來控制，因此，即時地診斷與治療至關重要。

然而，要達到早期預防治療具有相當挑戰性。該疾病的診斷方式，目前在醫療流程上只能透過心臟超音波確認。但超音播檢查往往只能在醫院進行，而只有在一般診所就診的病人則難以被察覺，經常延誤了治療的黃金時期。

本團隊計畫能夠開發一個 AI 輔助偵測系統，不用透過心臟超音波與高維度的導程，而是讓患者配戴三維度霍特二十四小時連續心電圖 (Holter monitor) 以協助偵測與預防無症狀左心室收縮功能障礙。透過結合統計分析、深度學習 (Deep Learning) 與訊號處理的方式達到目標，使得尚未出現症狀，或者無法到醫院進行超音波檢查的病患，也可以透過配戴霍特監測器達到早期發現、早期治療。