孩子發燒三天，究竟是普通感染，還是川崎症？高雄長庚川崎症中心研發「川崎症 AI 早期預警系統」（KDpredictor），只靠一管常規血液數據，就能辨識肉眼難察的疾病訊號，提前標記高風險個案，讓AI成為醫師搶在心臟受損前發現川崎症的關鍵助手。

小孩發燒，究竟要不要緊張？對多數家長而言，真正令人焦慮的往往不是體溫數字，而是不知道眼前究竟只是一般病毒感染，還是某個不能錯過治療時機的疾病，而川崎症正是其中最棘手的一種。

在傳統診斷上，川崎症通常需要持續發燒5天，再搭配眼睛紅、嘴唇紅腫、皮疹、四肢變化、頸部淋巴結腫大等臨床表現判斷，但真正困難的是，不少孩子屬於「非典型川崎症」，症狀並不完整，若等到特徵逐一浮現，往往已錯過早期治療的黃金時間。

高雄長庚紀念醫院川崎症中心主任郭和昌醫師指出，臨床上發燒超過3天就需要提高警覺，「因此團隊一直在思考，能不能不要等到第5天，而是在第2、3天就看出風險？」而這也成為「川崎症 AI 早期預警系統」（KDpredictor）的研發起點。

郭和昌醫師分享KDpredictor如何從常規血液檢查，把少數高風險病童挑出來，又不製造大量假警報。

**不多抽一管血：AI從常規數據找出川崎症訊號**

在急診第一線工作超過20年的高雄長庚兒科主治醫師黃瀛賢教授，最熟悉的就是家長抱著高燒孩子衝進急診的場景，「因而對急診而言，抽血檢查越簡單越好，不可能為了篩檢川崎症，再額外抽十幾管血。」因此，團隊反過來思考：既然發燒兒童原本就會接受常規抽血，能不能不增加檢查負擔，直接從既有數據找出川崎症的早期訊號？

於是，研究團隊從全血球計數（CBC）、白血球分類、血紅素、血小板等常規檢驗項目出發，結合多年累積的臨床資料與經驗，交由AI分析不同數值之間的關聯，進一步辨識出可能被肉眼忽略的風險。但要讓AI真正讀懂兒童的血液數據，關鍵並不只是看數值高低，而是要先知道「這個數值對這個年齡的孩子而言，究竟代表什麼」。我們首先利用長庚紀念醫院98,572名曾至兒童急診就醫或住院的發燒兒童，並根據這個大型真實世界資料庫建立不同年齡兒童的血液學參考標準。郭和昌表示，兒童的檢驗數值會隨年齡而改變，因此團隊並非使用單一正常值，而是依不同年齡層建立參考曲線，再以 Z-score 計算每項檢驗值相對於同齡兒童正常分布的偏離程度。

黃瀛賢補充：「醫師看到血紅素是 10 g/dL，但AI看到的不只是『10』這個數字，而是這個數值對這個年齡的孩子而言，究竟偏離正常範圍多少。」

換句話說，AI判讀的重點不是「血紅素是多少」，而是「這個數值相較於同年齡兒童，是否異常、異常程度有多大」。黃瀛賢特別強調：「我們不是套用教科書上的單一正常值，而是利用 98,572 名發燒兒童的真實世界資料，建立 age-specific Z-score，讓AI真正理解不同年齡兒童檢驗數值的臨床意義。」當這些細微差異被整合後，原本散落在一張張檢驗報告上的數字，開始形成一幅川崎症的「數位指紋」，也成為KDpredictor辨識風險的重要基礎。

黃瀛賢醫師分享KDpredictor其實就像「旁邊多坐了一位川崎症專家」。

**在大量低風險案例中把真正值得追蹤的孩子篩選出來**

目前，KDpredictor以1,927例川崎症及45,274例發燒對照建立模型，並比較8種機器學習演算法，最終以LightGBM表現最佳。由於川崎症在大量發燒兒童中只占少數，是典型的「大海撈針」，因此團隊不只看準確率，更重視模型能否找出真正的高風險病童，又不產生過多假警報。

目前KDpredictor的AUROC為95.7%、recall為0.89、AUPRC約0.72。黃瀛賢表示，真正的臨床目標，是在大量一般發燒兒童中，盡可能早期找出可能的川崎症病人，減少漏診。

KDpredictor的核心並不是單靠某一項異常檢驗值，而是利用AI整合多項常規血液數據之間複雜的交互關係，辨識出川崎症特有的「數據指紋」。

根據團隊目前的臨床資料，KDpredictor在發燒第3天便可達約75%的辨識能力，第4天約85%，發燒5天以上則可超過90%，這大大改變了過去「等燒滿5天再判斷」的臨床節奏。日前他就在急診遇到一名發燒兩天多、伴隨皮疹、嘴唇與眼睛微紅的孩子，症狀並不典型，連家長都認為眼睛紅可能只是哭泣造成；但抽血後，KDpredictor算出的風險值超過0.9。「這時候你就更有信心把孩子留下來觀察，而不是跟家長說，回去等燒滿5天再來。」黃瀛賢說。

而回到醫療AI最敏感的問題，「如果AI和醫師意見不同，該相信誰？」對此，郭和昌強調，KDpredictor刻意只使用客觀血液數據，不要求醫師輸入「眼睛紅不紅」、「有沒有皮疹」等主觀判斷，「所以它扮演的是第一層風險篩檢，而不是最終診斷者。」

黃瀛賢則形容，AI其實就像「旁邊多坐了一位川崎症專家」，「如果模型跳出70%、90%的高風險，醫師會重新檢視臨床症狀，必要時安排住院、心臟超音波或轉診；但若AI與臨床表現不一致，最終仍由醫師綜合病史與檢查做決定。」

也正因如此，KDpredictor真正改變的並不是「誰來診斷」，而是醫師何時開始懷疑，畢竟川崎症若未及時治療，可能造成冠狀動脈瘤等永久性心血管傷害，「有些患者童年時未被診斷，直到成年後心導管檢查，才發現冠狀動脈留下多年病變。一個早幾天出現的警訊，可能改變的，是數十年後的人生，不可不慎！」黃瀛賢強調。

兩人不約而同希望能擴大川崎症的篩檢準確度，讓更多孩子能夠健康成長。

**從醫學中心走向偏鄉：AI真正的價值是拉近診斷落差**

目前KDpredictor已開始在長庚體系林口、高雄、基隆、嘉義等院區導入驗證，但兩位醫師真正期待的下一步，不只是在醫學中心使用。

由於KDpredictor只需要CBC等常規抽血數據，不必新增昂貴儀器，即使缺少部分檢驗項目，也可切換不同模型計算，因此未來若能透過API與院所資訊系統串接，基層診所、偏鄉甚至離島，都可能成為應用場域，這也讓AI醫療的意義，從「提高頂尖醫院效率」走向另一個問題，「能不能讓沒有川崎症專家的地方，也擁有接近專家的第一層判斷能力？」

郭和昌說，「我們的期待其實很單純，就是希望每一個川崎症孩子都能被精準找出來，不要因為診斷太晚，讓心臟留下終身傷害。」

AI不會替醫師聽診，也看不見孩子當下的神情；但當發燒第3天、一管原本再普通不過的血液，能多透露一個過去看不見的風險訊號，醫療真正被改變的，或許不是診斷本身，而是「等待答案」的時間。