Browsing by Author "林源隆"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    老人與非老人急診住院預測與評分表發展之研究
    (2025) 林源隆; Lin, Yuan-Long
    無論是流感、大流行特殊傳染病疾病傳播事件，如: 新冠疫情（COVID-19）的傳播，屢屢會使逐年攀升的醫療需求更為加重，若能初步在急診檢傷階段精確地識別不同優先順序的患者進行看診，有益幫助患者縮短待診時間。本研究與台北馬偕紀念醫院急診部合作，以電子病歷系統（Electronic Health Record，EHR）的資料為分析對象，資料範圍在2019年至2022上半年，總計372,820筆就診紀錄。並拆分上、下半年與非老人、老人，共14個資料集相比較各時間區段的變化。欄位包含診斷關鍵的非結構化資料——主訴（Chief Complaint）和結構化資料（如：年齡、檢傷級數、到院方式、血壓等），試圖透過統計描述、自然語言處理技術（Natural Language Processing，NLP）之BERT模型和集成學習演算法（Ensemble Learning）中的XGBoost，推測疫情前、中、後不同時期之影響與住院患者的主要變數因子。後續藉由過往文獻或臨床研究、演算法變數篩選，初步探索建立非疫情期間（Non-Pandemic Periods）與疫情期間（COVID-19 Pandemic Periods）的住院風險評估表，以供急診實務上使用。主要結果發現本研究新增的三項變數（腦傷程度、呼吸頻率、供氧狀態）可以提高兩種模型的預測能力（BERT的AUROC: 0.8643-0.9815 提升至 0.9075-0.9879 ；XGBoost的AUROC: 0.7847-0.8603 提升至 0.7862-0.8605），多數時候「非老人」的預測結果是好於「老人組」。最佳的住院預測結果在「2021下半年」，推估疫情中後期患者的就診行為較為雷同，因此模型學習到相似的模式。由於BERT展現對文本資料的強大分析優勢，進而將BERT輸出層的住院機率值整合至XGBoost當成其中輸入變數。實驗結果發現能夠大幅度提高XGBoost的預測能力（AUROC: 0.7881-0.8605 提升至 0.9122-0.9858）。 住院評分表建立的探索，同樣也增加「主訴預測住院機率值」來達到區別非住院組及住院組兩群的驗證效果。由此可知合作醫院的主訴語料品質非常好，亦結合穩定性良好的BERT語言模型，達成準確度高的預測性。