張長元、高志豪、劉彥宏

中國醫藥大學附設醫院急診部

    在高齡化社會中，急診面對的外傷型態正在改變。對年輕人而言，平地跌倒多半屬於低能量外傷；但對高齡者而言，同樣一次跌倒，卻可能引發顱內出血、隱匿性骨折、臥床後肺炎、泌尿道感染、譫妄、血栓、功能退化，甚至死亡。高齡外傷的困難，不只是診斷當下有沒有明顯傷害，而是如何辨認那些「看起來穩定，實際上正在惡化」的病人。高齡與衰弱外傷指引也提醒，急診評估不應只依受傷機轉或傳統生命徵象判斷，而應納入衰弱程度、用藥史、營養狀態與生理代償能力 [1]。

    高齡輕微外傷的隱形殺手，主要來自三條惡化鏈。第一是腦部外傷。高齡者因腦萎縮與抗凝血或抗血小板藥物使用，即使初始意識清楚，也可能發生顱內出血或延遲性顱內出血 [2,3]。第二是隱匿性骨折，尤其是髖部、骨盆與脊椎骨折。若病人止痛後仍無法負重或恢復原本步態，即使Ｘ光未見明顯骨折，也不能輕易判定安全。第三是外傷後臥床。疼痛、恐懼與功能下降會使病人活動量減少，進而增加肺炎、泌尿道感染、壓瘡、譫妄與血栓風險。高齡髖部骨折研究也顯示，共病與術後併發症會明顯影響死亡風險 [4,5]。

因此，急診醫師真正需要解決的問題，不只是「有沒有出血」或「有沒有骨折」，而是如何及早預測病人在未來七十二小時到七天內是否會惡化。這正是人工智慧可以介入的重要場景。

    目前人工智慧最成熟的應用是影像輔助判讀。腦部外傷方面，深度學習已被用於非顯影頭部電腦斷層的顱內出血偵測。台灣急診研究顯示，導入深度學習系統後，可協助急診流程分流，並可能縮短顱內出血病人的急診停留時間 [6]。國外研究也顯示，機器學習模型在頭部電腦斷層偵測顱內出血方面具有良好外部驗證表現 [7]。骨折偵測方面，台灣長庚團隊發表的骨盆外傷深度學習模型，可偵測髖部骨折、骨盆骨折、髖關節脫臼、人工關節周邊骨折與股骨幹骨折等多種外傷影像表現 [8]。另有研究顯示，深度學習可自動辨認並分類髖部骨折，並在輔助醫師判讀時提升表現 [9]。

    然而，若人工智慧只停留在影像判讀，仍無法完整解決高齡外傷的核心問題。真正的危險常發生在影像檢查之後：疼痛控制不足導致臥床，臥床造成咳痰能力下降與肺炎，導尿與尿滯留增加泌尿道感染，衰弱與營養不良造成復原失敗。已有研究使用機器學習預測高齡髖部骨折術後肺炎，並將衰弱程度、發炎指標與麻醉風險納入模型，顯示人工智慧在感染併發症早期預測上具有潛力 [10]。

    未來更有價值的方向，應是建立「高齡外傷整合式早期警示系統」。此系統可整合急診檢傷資料、生命徵象、用藥史、凝血功能、腎功能、白蛋白、發炎指標、疼痛分數、衰弱程度、原本日常活動能力、負重能力、影像結果與照護資源，預測病人是否會發生神經學惡化、隱匿性骨折、肺炎、泌尿道感染、譫妄、非預期住院或死亡。

    總結而言，在銀髮海嘯下，高齡輕微外傷不再只是「跌倒後有沒有骨折」或「撞到頭有沒有出血」。真正的挑戰，是辨認尚未明顯惡化、卻即將進入臥床、感染、譫妄與失能鏈的病人。人工智慧的價值，也不應只停留在幫忙看影像，而應進一步協助急診醫師在第一時間看見那些肉眼尚未看見的隱形殺手。

參考文獻

1. De Simone B, Chouillard E, Podda M, et al. The 2023 WSES guidelines on the management of trauma in elderly and frail patients. World Journal of Emergency Surgery. 2024;19(1):18. doi:10.1186/s13017-024-00537-8

2. Chenoweth JA, Gaona SD, Faul M, Holmes JF, Nishijima DK. Incidence of delayed intracranial hemorrhage in older patients after blunt head trauma. JAMA Surgery. 2018;153(6):570-575. doi:10.1001/jamasurg.2017.6159

3. Kwon H, Kim YJ, Lee JH, Kim S, Kim YJ, Kim WY. Incidence and outcomes of delayed intracranial hemorrhage: a population-based cohort study. Scientific Reports. 2024;14:19502. doi:10.1038/s41598-024-70553-w

4. Roche JJW, Wenn RT, Sahota O, Moran CG. Effect of comorbidities and postoperative complications on mortality after hip fracture in elderly people. BMJ. 2005;331(7529):1374. doi:10.1136/bmj.38643.663843.55

5. Wang W, Yao W, Tang W, Li Y, Sun H, Ding W. Risk factors for urinary tract infection in geriatric hip fracture patients: a systematic review and meta-analysis. Frontiers in Medicine. 2024;11:1360058. doi:10.3389/fmed.2024.1360058

6. Chien HWC, Yang TL, Juang WC, Chen YYA, Li YCJ, Chen CY. Pilot Report for Intracranial Hemorrhage Detection with Deep Learning Implanted Head Computed Tomography Images at Emergency Department. Journal of Medical Systems. 2022;46(7):49. doi:10.1007/s10916-022-01833-z

7. Salehinejad H, Kitamura J, Ditkofsky N, et al. A real-world demonstration of machine learning generalizability in the detection of intracranial hemorrhage on head computerized tomography. Scientific Reports. 2021;11:17051. doi:10.1038/s41598-021-95533-2

8. Cheng CT, Wang Y, Chen HW, et al. A scalable physician-level deep learning algorithm detects universal trauma on pelvic radiographs. Nature Communications. 2021;12(1):1066. doi:10.1038/s41467-021-21311-3

9. Krogue JD, Cheng KV, Hwang KM, et al. Automatic hip fracture identification and functional subclassification with deep learning. Radiology: Artificial Intelligence. 2020;2(2):e190023. doi:10.1148/ryai.2020190023

10. Dai A, Liu H, Shen P, et al. Incorporating preoperative frailty to assist in early prediction of postoperative pneumonia in elderly patients with hip fractures. BMC Geriatrics. 2024;24(1):472. doi:10.1186/s12877-024-05050-w