孩子发烧三天，究竟是普通感染，还是川崎症？高雄长庚川崎症中心研发「川崎症 AI 早期预警系统」（KDpredictor），只靠一管常规血液数据，就能辨识肉眼难察的疾病信号，提前标记高风险个案，让AI成为医师抢在心脏受损前发现川崎症的关键助手。

小孩发烧，究竟要不要紧张？对多数家长而言，真正令人焦虑的往往不是体温数字，而是不知道眼前究竟只是一般病毒感染，还是某个不能错过治疗时机的疾病，而川崎症正是其中最棘手的一种。

在传统诊断上，川崎症通常需要持续发烧5天，再搭配眼睛红、嘴唇红肿、皮疹、四肢变化、颈部淋巴结肿大等临床表现判断，但真正困难的是，不少孩子属于「非典型川崎症」，症状并不完整，若等到特征逐一浮现，往往已错过早期治疗的黄金时间。

高雄长庚纪念医院川崎症中心主任郭和昌医师指出，临床上发烧超过3天就需要提高警觉，「因此团队一直在思考，能不能不要等到第5天，而是在第2、3天就看出风险？」而这也成为「川崎症 AI 早期预警系统」（KDpredictor）的研发起点。

郭和昌医师分享KDpredictor如何从常规血液检查，把少数高风险病童挑出来，又不制造大量假警报。

**不多抽一管血：AI从常规数据找出川崎症信号**

在急诊第一线工作超过20年的高雄长庚儿科主治医师黄瀛贤教授，最熟悉的就是家长抱着高烧孩子冲进急诊的场景，「因而对急诊而言，抽血检查越简单越好，不可能为了筛检川崎症，再额外抽十几管血。」因此，团队反过来思考：既然发烧儿童原本就会接受常规抽血，能不能不增加检查负担，直接从既有数据找出川崎症的早期信号？

于是，研究团队从全血球计数（CBC）、白血球分类、血红素、血小板等常规检验项目出发，结合多年累积的临床数据与经验，交由AI分析不同数值之间的关联，进一步辨识出可能被肉眼忽略的风险。但要让AI真正读懂儿童的血液数据，关键并不只是看数值高低，而是要先知道「这个数值对这个年龄的孩子而言，究竟代表什么」。我们首先利用长庚纪念医院98,572名曾至儿童急诊就医或住院的发烧儿童，并根据这个大型真实世界数据库创建不同年龄儿童的血液学参考标准。郭和昌表示，儿童的检验数值会随年龄而改变，因此团队并非使用单一正常值，而是依不同年龄层创建参考曲线，再以 Z-score 计算每项检验值相对于同龄儿童正常分布的偏离程度。

黄瀛贤补充：「医师看到血红素是 10 g/dL，但AI看到的不只是『10』这个数字，而是这个数值对这个年龄的孩子而言，究竟偏离正常范围多少。」

换句话说，AI判读的重点不是「血红素是多少」，而是「这个数值相较于同年龄儿童，是否异常、异常程度有多大」。黄瀛贤特别强调：「我们不是套用教科书上的单一正常值，而是利用 98,572 名发烧儿童的真实世界数据，创建 age-specific Z-score，让AI真正理解不同年龄儿童检验数值的临床意义。」当这些细微差异被集成后，原本散落在一张张检验报告上的数字，开始形成一幅川崎症的「数字指纹」，也成为KDpredictor辨识风险的重要基础。

黄瀛贤医师分享KDpredictor其实就像「旁边多坐了一位川崎症专家」。

**在大量低风险案例中把真正值得追踪的孩子筛选出来**

目前，KDpredictor以1,927例川崎症及45,274例发烧对照创建模型，并比较8种机器学习算法，最终以LightGBM表现最佳。由于川崎症在大量发烧儿童中只占少数，是典型的「大海捞针」，因此团队不只看准确率，更重视模型能否找出真正的高风险病童，又不产生过多假警报。

目前KDpredictor的AUROC为95.7%、recall为0.89、AUPRC约0.72。黄瀛贤表示，真正的临床目标，是在大量一般发烧儿童中，尽可能早期找出可能的川崎症病人，减少漏诊。

KDpredictor的内核并不是单靠某一项异常检验值，而是利用AI集成多项常规血液数据之间复杂的交互关系，辨识出川崎症特有的「数据指纹」。

根据团队目前的临床数据，KDpredictor在发烧第3天便可达约75%的辨识能力，第4天约85%，发烧5天以上则可超过90%，这大大改变了过去「等烧满5天再判断」的临床节奏。日前他就在急诊遇到一名发烧两天多、伴随皮疹、嘴唇与眼睛微红的孩子，症状并不典型，连家长都认为眼睛红可能只是哭泣造成；但抽血后，KDpredictor算出的风险值超过0.9。「这时候你就更有信心把孩子留下来观察，而不是跟家长说，回去等烧满5天再来。」黄瀛贤说。

而回到医疗AI最敏感的问题，「如果AI和医师意见不同，该相信谁？」对此，郭和昌强调，KDpredictor刻意只使用客观血液数据，不要求医师输入「眼睛红不红」、「有没有皮疹」等主观判断，「所以它扮演的是第一层风险筛检，而不是最终诊断者。」

黄瀛贤则形容，AI其实就像「旁边多坐了一位川崎症专家」，「如果模型跳出70%、90%的高风险，医师会重新查看临床症状，必要时安排住院、心脏超音波或转诊；但若AI与临床表现不一致，最终仍由医师综合病史与检查做决定。」

也正因如此，KDpredictor真正改变的并不是「谁来诊断」，而是医师何时开始怀疑，毕竟川崎症若未及时治疗，可能造成冠状动脉瘤等永久性心血管伤害，「有些患者童年时未被诊断，直到成年后心导管检查，才发现冠状动脉留下多年病变。一个早几天出现的警讯，可能改变的，是数十年后的人生，不可不慎！」黄瀛贤强调。

两人不约而同希望能扩大川崎症的筛检准确度，让更多孩子能够健康成长。

**从医学中心走向偏乡：AI真正的价值是拉近诊断落差**

目前KDpredictor已开始在长庚体系林口、高雄、基隆、嘉义等院区导入验证，但两位医师真正期待的下一步，不只是在医学中心使用。

由于KDpredictor只需要CBC等常规抽血数据，不必添加昂贵仪器，即使缺少部分检验项目，也可切换不同模型计算，因此未来若能通过API与院所信息系统串接，基层诊所、偏乡甚至离岛，都可能成为应用场域，这也让AI医疗的意义，从「提高顶尖医院效率」走向另一个问题，「能不能让没有川崎症专家的地方，也拥有接近专家的第一层判断能力？」

郭和昌说，「我们的期待其实很单纯，就是希望每一个川崎症孩子都能被精准找出来，不要因为诊断太晚，让心脏留下终身伤害。」

AI不会替医师听诊，也看不见孩子当下的神情；但当发烧第3天、一管原本再普通不过的血液，能多透露一个过去看不见的风险信号，医疗真正被改变的，或许不是诊断本身，而是「等待答案」的时间。