學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73873
Browse
3 results
Search Results
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 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。