臺灣博碩士論文加值系統

全民健保在民國九十一年實施總額預算制度後，對於國內醫療環境產生重大的改變，已往醫院看病是看愈多收入會增加愈多的情形，轉變為看愈多病人可能會導致虧損的狀況，因此醫院為了維持正常營運下大多不願接收急重症病患。而加護病房主要是專門治療病情嚴重患者，在治療過程中須耗費相當大的人力與物力，造成加護病房醫療費用佔醫院整體醫療費用的20%。為了能有效利用有限醫療資源，院方若能了解患者生理狀況並進行存活率預測，在考量醫療品質之下做為未來人力及醫療資源有效分配，將可讓每位患者得到妥善的治療。

本研究以台灣中部某醫學中心2001年12月至2003年12月期間內，針對進入內科加護病房病患共1496位進行存活率預測，以建立適合台灣內科加護病房患者存活率之模式。經由邏輯斯迴歸與類神經網路二種方法比較後得知，類神經網路對於存活者及整體病患有較高的預測能力，其正確率分別為86.42%及74.71%，而邏輯斯迴歸則對死亡者之預測正確率有50.36%，然而在整體病患上不論是邏輯斯迴歸或是類神經網路其正確率皆在70%以上，可見得目前國內內科加護病房相當適合以APACHE-Ⅱ、GCS二項指標衡量病患存活率，且經過本論文分析後認為類神經網路預測能力明顯較邏輯斯迴歸來得佳。而在醫療資源上性別、年齡及APACHE-Ⅱ分數分別對於住院日數、醫療費用皆有明顯之差異。

Since July 2003, National Health Insurance Bureau carry out the total control budget system, it has brought a great impact on domestic medical related environment. Situation in the past, the hospital income at most of the patient will increase, transition for it maybe result in suffering the loss if the hospital take care more patients. Thus, the hospital is in order to keep running that unwilling treatment critically ill patients. ICU mainly treats critically ill patients that in treating process must using much human resource and medicine resources. It’s to make ICU health care expenditure accounts for 20% of total health expenditure in hospital. In order to utilize limited medical resources effectively, if we can understanding the physiological of patients and going on predicted the survival rate. It’s considering medical quality to deal with effective distribution in human resource and medicine resources that patients can obtain appropriate treatment.

The study predicted the survival rate that observe 1496 patients on the medical ICU to set up the way of predicting in Taiwan medical ICU , with present from December of 2001 of 2003 in the medical center of central Taiwan. This study compared with Logistic regression model and Neural network that Neural network has higher prediction ability in predicted the survival rate and total patients. Neural network correct rate is respectively 86.42% and 74.71%.But, Logistic regression model correct rate is respectively 50.36% with regard to mortality prediction. However, no matter Logistic regression model or Neural network correct rate is respectively all above 70% in all patients. It is obvious that APACHE-Ⅱ and GCS suitable for measurement survival rate of patients in Taiwan medical ICU. In this study is analysis that the prediction ability of Neural Network is better than Logistic regression model. In medicine resources about sex, age, APACHE-Ⅱ is different from length of stay and health care expenditure.

摘 要 i
Abstract ii
誌 謝 iii
目 錄 iv
圖目錄 v
表目錄 vi
第一章 緒論 1
第二章 文獻探討 3
2.1加護病房簡介 3
2.2疾病嚴重程度之發展與應用 7
2.3預測存活率之相關文獻回顧 8
2.4醫療資源之相關文獻回顧 11
第三章 研究方法 14
3.1研究範圍與對象 14
3.2病患資料描述 14
3.3研究架構 15
3.4邏輯斯迴歸 16
3.5類神經網路 21
第四章 資料分析 25
4.1邏輯斯迴歸預測結果 25
4.2類神經網路模式預測結果 27
4.3結果比較 29
4.4醫療資源之研究 32
第五章 結論與建議 35
參考文獻 37
附錄 40

1.李中月(1997)，「加護病房分級認定之檢討」，衛生報導，第七卷，第三期，第22-
29 頁。
2.林純全、謝文斌(1999)，「重症醫療常用疾病嚴重度分數系統簡介」，胸腔醫學，第十
四期，第44－58頁。
3.邱豔芬(1995)，「應用APACHE SCORE於加護病房護理行政業務之探討，慈濟醫學」，
第十九卷，第187-193頁。
4.洪錦墩、李卓倫、梁亞文(2003)，「影響醫療費用上漲的因素探討」，中台學報，第十
四期，第121-136頁。
5.唐高駿(1998)，「加護病房之使用及成本效益」，臨床醫學，第四十一卷，第六期，第
434-437頁。
6.翁新惠、楊長興(2002)，「低體重早產兒的住院醫療資源耗用分析」，台灣衛誌，第二
十一卷，第六期，第397-402頁。
7.莊玉仙(2002)，「加護病房病患疾病嚴重度與護理人力需求之探討」，國立高雄醫學大
學公共衛生學研究所，碩士論文。
8.陳玉枝、林麗華、簡淑芬(2002)，「住院病患傷害性跌倒的影響因素與其醫療資源耗用
之相關性」，慈濟護理雜誌，第一卷，第三期，第66-77頁。
9.黃泓智、林家玉、余清祥(2004)，「癌症醫療費用之推估:馬可夫鏈模型之應用」，保
險專刊，第二十卷，第一期，第29-51頁。
10.陶阿倫(1998)，「怎麼確保加護病房之病患嚴重度資料完整正確」，醫療品質雜誌，
創刊號，第1-12頁。
11.陶阿倫、薛亞聖(2003)，「成人加護病房重返與非重返病人之資源耗用及住院日數差
異之研究」，行政院衛生署醫政業務補助計劃-台灣醫療品質指標計劃資料探討及運用
計劃。
12.黃昱瞳、翁新惠、楊長興、許玉君(2004)，「醫師服務量對極低出生體重新生兒醫療
費用的影響分析」，台灣衛誌，第二十三卷，第六期，第462-468頁。
13.張麗銀、林麗英、盧小玨、王曼溪、張美玉(2002)，「加護病房治療性措施計分系統
與護理人員活動之關係初探」，榮總護理，第十九卷，第三期，第254-262頁。
14.廖張京棣(1997)，「重症護理概論」，永大書局。
15.蔡君婷(2004)，「出院後重返加護病房病人之病人特性及其醫療資源耗用」，國立台
灣大學公共衛生學院醫療機構管理研究所，碩士論文。
16.劉雪娥(1999)，「成人內外科護理上冊」，匯華圖書出版有限公司。
17.顧乃平、黃經(1999)，「實用內外科護理上冊」，華杏機構叢書。
18.Anjana, A., P. O. Janus, M. Zobair, R. N. David, H. H. Lori and
C. A. Alejandro (2001), “Predictors of Mortality and Resource
Utilization in Cirrhotic Patients Admitted to the Medical ICU”,
Chest, Vol.119, pp.1489-1497.
19.Chao, C.L. (2002), “Comparison Of Predictive Accuracy Among Six
Prognosis Systems For Patient Mortality In Intensive Care Units”,
Journal of the Formosan Medical Association, Vol.101, No.6,
pp.406-415.
20.Civetta, J.M. (1989), “Introduction to Critical Care”,
Philadelphia.
21.Edmund, J.R., A.F. Mark, R.N. Craig, G.B. John, A.E. Virginia and
A.M. John, (1998), “Hypothermia In Critically Ill Trauma
Patients”, Injury, Vol.29, No.8, pp.605-608.
22.Ernest,P.G. and R. Harish (1998), “Survival Prediction in the
Intensive Care Unit: a Comparison of Neural Networks and Binary
Logit Regression ”, Socio-Economic Pianning Sciences, Vol.32,
No.3, pp.189-198.
23.James, P. M., D. A. Slonim, and M. M. Pollack (2001), “Long-Stay
Patient In The Pediatric Intensive Care Unit”, Critical Care
Medicine, Vol.29 No.3, pp.652-657.
24.Jeong, I., M. Kim and J. Kim (2003), “Predictive Accuracy of
Severity Scoring System: a Prospective Cohort Study Using APACHE
Ⅲ in a Korean Intensive Care Unit”, International Journal of
Nursing Studies, Vol. 40, pp.219-226.
25.Knaus,W.A., E.A Draper, D.P. Wagner and J.E. Zimmerman,
(1985), “APACHE-Ⅱ: Severity of Disease Classification System”,
Critical Care Medicine, Vol.13, pp.818-828.
26.Knaus, W.A., D.P. Wanger, E.A. Draper, J.E. Zimmerman, M.
Bergner, P.G. Bastos, C.A. Sirio, D.J. Murphy, T. Lotring, A.
Damiano and F.E. Harrell, (1991), “The APACHE-Ⅲ Prognostic
System: Risk Prediction Of Hospital Mortality For Critical Ⅲ
Hospitalized Adults”, Chest, Vol.100, No.6, pp.1619-1639.
27.Moreno R. and P.Morais(1997), “Outcome prediction in intensive
care:results of a prospective multicentre Portuguese study”,
Intensive Care Medicine, Vol.23, pp.177-186.
28.Runmelhart, D., G. Hinton, G. Hinton and R. Williams (1986), “in
Parallel Distributed Processing Exploration in the Microstructure
of Cognition ” 1,ed. D. E. Runmelhart and J. L. McClelland. MIT
Press, Cambridge, MA, pp.318-362.
29.Tesdale, G. and B. Jennett (1974), “Assessment of coma and
impaired consciousness. ”, Lancet, Vol.2 pp.81-83.
30.Wang, J. N., J. M. Wu and Y. J. Chen (2001), “Validity of the
Updated Pediatric Risk of Mortality Score (PRISM Ⅲ) in Predicting
the Probability of Mortality in a Pediatric Intensive Care
Unit,”, Acta Paediatr Tw, Vol. 42. No.6, pp.333-337.
31.Zhang, G., B. E. Patuwo and M. Y. Hu (1998), “Forecasting with
Artificial Neural Networks: The State of the Art”, International
Journal of Forecasting, Vol.14, pp.35-62.
32.中央健康保險局網站: http://www.nhi.gov.tw/