心血管疾病為台灣及全球十大死因的第二名。全球估算心血管疾病每年新增的病人數從1990年1200萬成長到2019年1800萬。其中最重要的疾病就是冠狀動脈疾病。目前診斷冠狀動脈疾病的方式包含心電圖(最普遍)、核子掃描(耗時、有放射線)、運動心電圖(體能限制、需專科醫師在場)、心臟電腦斷層(昂貴、有放射線)、及心導管檢查(侵入性)。本技術利用AI人工智慧提升心電圖診斷冠狀動脈疾病的準確度。可以及早發現無症狀病患的冠狀動脈阻塞病變,極具開發與應用潛力。本技術屬於醫療器材軟體(software as medical device; SaMD),含蓋3個專利:(1)處理原始心電圖訊號及重要預測冠狀動脈堵塞特徵的方法。(2)使用多階段機器學習的演算法與流程,預測冠狀動脈堵塞及發生在那一條冠狀動脈。(3)綜合深度學習與機器學習的方法,得到更精確的準確率,且提供重要特徵的正負向解釋性,並擴增應用格式XML檔至pdf向量檔,加大其未來的應用性與商業性。在心電圖訊號的處理,使用小波轉換,統計指標及個人化的心跳間距調整和標記心電圖中P、Q、R、S、T相對波峰與波谷的位置。在特徵工程的處理,考量各種單一心跳與相鄰心跳不同波峰與波谷的時間段、斜率及高度差,延伸出上百個特徵來找出細微異常之處,補足醫師不易觀察之處。在模型預測上,深度學習採用CNN + Residual Network設計,機器學習採用多種演算法進行特徵排名與建構預測模型,最後綜合考量深度學習與機器學習的結果,達到預測的穩定性與正確性。在產品應用上,除了原始XML格式(含數值訊號檔),亦將pdf向量檔進行格式化處理得到數值訊號,擴增後續臨床實用性。此外,提供模型特徵的正負向解釋,提醒醫師心電圖較異常的位置與導程。在效能驗證上,相較於過去心電圖對於冠狀動脈阻塞只有50%-60%的準確率,運動心電圖大約是70%的準確率。本技術的AI演算法在兩家醫院的實測結果,其AUC均達到84%-90%,已有很好的進展。過去對於冠狀動脈疾病預測,僅能在心肌梗塞時推斷相對應的冠狀動脈阻塞,但無法在心肌梗塞尚未發生時,在無症狀的病人身上及早發現冠狀動脈狹窄。本技術可將原本ECG訊號判讀為正常,但卻有冠狀動脈堵塞患者,經過AI的演算法判定後,可再找出其中80%的病人,提升及早利用ECG判讀冠狀動脈堵塞的準確率。