學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73873
Browse
5 results
Search Results
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。Item 基於深度學習方法之急診心臟病患住院預測研究(2023) 晉良昊; Chin, Liang-Hao急診壅塞問題將增加病患等待時間和造成醫療資源配置的困難，故能於病患檢傷階段進行住院預測可將醫療資源配置給急需急診醫療資源之患者。本研究以「台北馬偕教學醫院」之2011年至2018年共計八個年度，1,065,480筆急診病患於檢傷階段可得之主訴、基本資料與診斷資料為研究資料，用以預測住院可能性。本研究是以XGBoost來進行結構化變數的篩選，然後以BERT來進行主訴和補充主訴的住院預測，最後再以深度學習的方法來對於主訴和補充主訴進行住院預測。本研究涵蓋一系列的深度學習的流程，包含了結構化資料與主訴資料前處理、主訴之否定詞處理、不平衡資料集處理、心臟疾病判別、結構化變數轉成補充主訴以及XGBoost、BERT、BiLSTM和CNN模型建立及評估。研究結果發現住院預XGBoost結果最高AUC為0.8182、BERT結果最高AUC為0.8859、BiLSTM結果最高AUC為0.9447、CNN結果最高AUC為0.9268。研究推論深度學習模型在住院預測方面有較好的預測結果。再加入心臟疾病後住院預測BERT結果最高AUC為0.8972、BiLSTM結果最高AUC為0.9361、CNN結果最高AUC為0.9341。研究推論心臟疾病對於住院預測是可以提升預測力。研究方法與發現提供急診住院預測參考並希冀提升急診室資源有效配置。Item 考量主訴之急診住院預測研究：BERT模型開發(2022) 林至柔; LIN, Zhi-rou近來大醫院急診持續嚴重壅塞，日益增加的病患人數造成急診醫療資源供不應求，長期以來急診壅塞的問題也導致延誤病患的就診或住院的時間。本研究以合作醫院「台北馬偕紀念醫院」之2011年至2018年之八年度急診室病歷資料，合計共1,065,480筆急診病患於檢傷階段之就醫紀錄，以預測住院之可能性。研究首先採用自然語言處理之BERT預訓練模型進行微調訓練，透過急診室病歷資料之主訴語進行住院預測。研究結果發現經過不平衡處理的BERT模型，期住院預測結果之AUC指標可達0.950、Accuracy指標可達0.891；此外，透過特定檢傷資料（檢傷一級與檢傷五級）進行預測結果AUC指標可達0.954、Accuracy指標可達0.960。然而單獨只考慮結構化變數，如：檢傷等級、年齡、體溫、到院時間與到院方式，並採用弱分類器XGBoost模型之預測效力，其不如以主訴透過BERT模型之預測結果。故研究進一步比較XGBoost透過篩選之病患五項結構化重要特徵所生成之擴充主訴，納入BERT模型預測之效力，透過BERT訓練後，其AUC指標可達0.958、Accuracy指標可達0.904，遠高於過去的相關研究。研究方法與發現提供急診住院預測參考，並期盼降低急診室病床等候時間，進而改善急診壅塞問題。Item 基於Word2vec與XGBoost方法之急診住院預測研究(2021) 陳彥伯; Chen, Yen-Po急診壅塞問題將增加病患等待時間與病患多樣性亦造成醫療資源配置的困難，故能於病患檢傷階段進行住院預測可將醫療資源配置給急需急診醫療資源之患者。本研究以「台北馬偕教學醫院」之2011年至2018年共計八個年度，1,065,480筆急診病患於檢傷階段可得之主訴、基本資料與診斷資料為研究資料，用以預測住院可能性。研究首先採用自然語言處理之Word2vec詞嵌入語言模型，由主訴篩選住院相關之語意關聯詞。研究進而將結果整合於集成演算法之XGBoost方法進行後續住院預測。本研究涵蓋一系列機器學習流程，包含了結構化資料與主訴資料前處理、主訴之否定詞處理、不平衡資料集處理、Word2vec與XGBoost模型建立及評估。研究結果發現透過整合Word2vec與XGBoost之結果，AUC指標可達0.77；此外，透過檢傷一與檢傷五級資料的整併甚至AUC可達0.89，遠高於過去相關研究。研究推論兩者極端的檢傷資料集可展現弱分類器XGBoost的優勢，因而可顯著提升預測力。研究方法與發現提供急診住院預測參考並希冀提升急診室資源有效配置。Item 基於主訴語料庫進行急診病患住院預測之研究(2020) 曹榮校; Tsao, Jung-Hsiao主訴(chief complaint, CC)為描述病患到緊急醫療部門之短文並為病情研判的重要依據，也成為醫令指示的核心內容之一。本研究以北部大型醫院提供之六個年度，共計824,614筆的急診主訴資料，藉由文字處理與文件探勘處理技術以建立五等級檢傷級數(triage)下的語料庫(corpus)；研究主要目的為探勘鑑別力強的主訴關鍵字並透過不同triage之語料庫在病患入院進行檢傷判定時即預測住院之可能性，以協助醫院可即早備床。故，本研究涵蓋主訴關鍵字萃取、關鍵字住院預測檢定與主訴語料庫建立。本研究初步結果可觀察到各年度間相同檢傷級數的關鍵字相似度高，表示資料中的主訴用語在各年度及各檢傷級數間有相當的穩定度，故主訴關鍵字應為預測住院之重要屬性，本研究並將基於TFIDF篩選之住院關鍵字進行卡方檢定，建立120個語料庫關鍵字及計算相關係數建立107個與資訊熵37個語料庫關鍵字以提供後續住院預測研究之依據。研究發現使用TFIDF與 採用資訊熵(Entropy)能以較少比例的主訴關鍵字得到較能兼顧住院與非住院的預測，其中又以檢傷級數一的表現最好。研究顯示主訴為進行症狀監測、住院預測等研究之重要資料，以便調配其醫療資源的運用，初步研究結果可提供未來相關醫療臨床決策研究參考。