學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73873

Browse

Has files: NoSubject: search.filters.subject.Triage

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    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。
  • No Thumbnail Available
    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。
  • No Thumbnail Available
    Item
    探勘不同檢傷級數之診斷碼樣式進行急診滯留時間預測
    (2019) 陳柏勲; Chen, Bo-Xun
    本研究以台灣代表性醫院之一的急診室資料分析近幾年的急診醫療資源情 況及問題。在健保制度的實施下,民眾對醫療資源的仰賴也逐漸提高,造成近 幾年全台急診室醫療費用的增加及滯留與壅塞的情況。因此透過急診室資料, 將病患的病情以 TTAS 急診五級檢傷分類標準,並分析病患醫療診斷碼之關聯 性,進而去探討病患在急診室中的滯留情況與行為。研究主要以關聯規則探勘 診斷碼樣式,對病患的 ICD-9 診斷碼以演算法 FP-Growth 找出具有相關性的醫 療診斷碼樣式。接著建立 J48 決策樹模型,預測病患滯留時間,再加入醫療診 斷屬性和病患屬性。分組探討在不同檢傷級數下病患的滯留行為,分析決策樹 規則和醫療與病患屬性的重要程度及正確率。研究結果發現,加入醫療診斷碼 樣式在決策樹預測分析中,能更容易了解急診室病患的情況。從決策樹規則可 以發現有些病情相當分散,且大部分會滯留的原因可能屬於個人行為。與醫師 的討論分析後,可能只有在病情中度嚴重的病患是較急需要急診醫療資源的群 眾。因此現今急診室的壅塞情況,目前大部分的急診室壅塞問題可能是病患。 所以多跟民眾溝通和宣導,建立正確的醫療觀念與制度,並協助醫院了解不同 病患的情況,才能將醫療資源用在真正有需要的人身上。