嬰兒孩童手術期間的輸血相關指引及資料,相對於成人的指引有限, 臨床上目前指引大部分為參考自成人指引及孩童病房臨床輸血指引,劑量根據體重計算。 輸血相關併發症的盛行率在孩童可能相對成人的盛行率較高 。所以謹慎考量輸血時機是重要的。 目前在麻醉醫學及小兒外科醫學理,相對嚴格的輸血限制Restrictive thresholds(血色素小於 7 g/dL即可輸血)在大於3個月的孩童皆適用。 若在嬰兒[2]或有先天性心臟病的孩童有較寬鬆的限制(血色素相對較高的時候就可以輸血,由新生兒科醫師、兒童心臟內科或小兒心臟外科醫師評估) 在患有急重症的孩童,血行動力學相對穩定但沒有失血的情況(包含了敗血性休克、急性外傷性腦損傷、心臟手術過後),維持血色素大於7 g/dL。[3] 嬰兒孩童正常範圍血色素如下表列[4] | 年齡 | 血色素(g/dL) | | Birth | 14–24 | | 2 weeks | 13–19 | | 4 weeks | 13.4–19.8 | | 2–6 months | 9.4–13.0 | | 6–12 months | 11.1–14.1 | | 1–6 years | 11.5–14.0 | | 6–12 years ...
AI時代,或更精確的說,通用人工智慧範疇底下大型語言模型(Large Language models, LLMs)的盛行時代, 身為醫療相關人員的我,如何具體、有效地將其融入日常工作仍是重要的課題。其中,面對醫療領域的問題是這篇文章所要分享的。 將LLM所提供的資訊,作為一個額外的視角或驗證工具[1],與您自己透過其他方式獲得的資訊進行比較和整合。 就如同以前用Google醫療問題,網站查到的網頁,你也不會將搜尋後第一項的資料都拿來用,而是將第一項到第十項評估統整後給出最後資訊,這也是我們人腦要去做判斷及思考的。 以下我會以四個步驟來說明我的方式。(這個方法也是 國外知名重症資源分享網站 的重症醫師Josh Farkas也在使用[2]) 第一,制定您自己的答案 。 諮詢LLM之前,先透過自己的知識和傳統資源形成一個初步的看法,避免盲目遵循LLM的建議。 查閱您慣用的傳統醫學資源,例如教科書、 UpToDate 、 Dynamed 等,以形成您對問題的初步判斷或意見。使您對答案不完全確定,但至少形成一個初步的意見至關重要。 這有助於您在後續步驟中批判性地評估LLM的輸出。 在此我會將傳統醫學資源或者查詢的文獻,全部放到 NotebookLM 來統合(NotebookLM會基於我已認可的資料進行統合,換句話說,以我提供的資料閱讀,畢竟有些資料量適很大的),協助我形成我的意見。 第二,使用窄頻LLM(以搜尋資料範圍的寬窄來分類)來取得問題解答。 目前比較可靠的工具在醫學領域應該是 OpenEvidence ,(其他科學領域的 SciSpace ?或者 Co-storm ?)可獲得較好的文獻品質,以確保資訊的嚴謹性。此外,因為有被適當的調校,AI幻覺(AI Hallucination)率可能極低。 但由於其範圍專一,可能存在盲點,忽略其他高品質但非學術期刊的資訊來源,這也是其侷限性。 第三,使用寬頻LLM並帶有密集參考資料來取得問題解答。 使用工具常見的大語言模型 Gemini (其中的Deep Reasearch,是我常使用的模式)、 Perplexity (前述重症醫師Josh Farkas推薦使用)、 ChatGPT (也是用它的Deep Research模式) 這類LLM檢視的資訊來源更為廣泛,除了學術文獻,還包括醫院協議、衛生部門網站、FDA藥品包裝說明書等,這...