一、 技術背景：急重症（如心律不整、敗血症、心跳驟停等）病患常因為無法及時救護而造成無法挽回之後果，因此目前智慧醫療之國際趨勢正朝向預防性醫療發展，以早期偵測及預測急重症之發生為目標，使醫護人員能及早介入進行最佳之醫療照護。然而，如何兼顧準確性與及時性為一大挑戰。
本研究團隊基於國科會「回應國家重要挑戰之AI主題研究專案」項下核心技術攻堅計畫「前瞻性時間序列機器學習核心技術及整合工具之研發」，發展出多目標時間序列早期預測技術及急重症預警應用系統，包含一系列基於深度強化學習以及多目標優化之早期預測演算法，運用心電圖等各類生理訊號資料，建構早期預測模型及預警系統，可解決緊急醫療場域中兼顧準確性與及早性需求之挑戰，將能改變緊急醫療之急重症照護模式，由被動式轉變為主動式介入照護。
二、技術內容：本多目標時間序列早期預測技術及急重症預警應用系統之核心架構包含多項創新之演算法及模組：1）片段政策網路：可由ECG等生理訊號時間序列中萃取出各時序片段之細微特徵，結合深度學習網路建構出高精準度之預測模型；2）膝引導神經進化演算法：針對準確性與及早性進行多目標優化，以達到高準確性之早期預測效能；3）基於約束性膝引導神經進化演算法：可讓使用者針對不同應用場域設定預測目標之優先次序；4）控制代理人模組：使用強化學習技術控制整個決策流程，以達成最佳決策；5）鑑別器：根據控制代理人決策輸出最佳之預測結果。最後，透過整合上述核心模組，並完成一套急重症預警應用系統。
三、技術總結：本團隊所發展之多目標時間序列早期預測技術及急重症預警應用系統，已於公開資料集及實際醫療場域進行驗證。在公開資料集方面，基於多個大規模之醫療時間序列資料集採用多項指標進行驗證，包含準確度、及早性、召回率、精確度、F1-score、調和平均等指標，驗證結果顯示本技術之效能遠優於其他最前沿之技術，居全球之冠。本團隊已將研究成果發表4篇論文於頂尖國際期刊IEEE TKDE（IF=9.235）、IEEE TNNLS（IF=14.255）以及IEEE JBHI（IF=7.021）；同時，本技術成果亦受邀刊載於臺灣AI卓越中心（AICoE）網站（原INNO AI網站）展示。另外，本技術並已與聯新國際醫院進行技轉及臨床場域試驗產學合作，顯示本技術於實際醫療場域應用之可行性。