跳到主要內容

臺灣博碩士論文加值系統

(3.235.60.144) 您好!臺灣時間:2021/07/27 01:34
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:余珮瑩
研究生(外文):Pei-Ying Yu
論文名稱:台灣某區醫療體系急性燒燙傷病患住院日預測模式之探討
論文名稱(外文):A Study of Predicting Models of the Length of Hospital Stay for Acute Burn Patients at a Medical System in Taiwan
指導教授:陳麗菁陳麗菁引用關係
口試委員:王俊毅鄧文舜
口試日期:2013-06-07
學位類別:碩士
校院名稱:淡江大學
系所名稱:統計學系碩士班
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:88
中文關鍵詞:燒燙傷住院日中位數迴歸預後因子
外文關鍵詞:burnslength of hospital staymedian regressionprognostic factors
相關次數:
  • 被引用被引用:0
  • 點閱點閱:96
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
燒燙傷對於病患本身、病患家屬甚至對於社會經濟皆造成巨大的負擔及傷害。當燒燙傷病患需住院治療時,準確的預測住院日數不僅可以減少病患在心理以及精神上的壓力,對於病患家屬也可以有照顧病患的事先準備。除此之外,醫師在規劃治療病患的程序上能更加完善並且可以有效地分配醫療資源。本研究分析台灣某醫療體系自1997年1月13日至2010年11月1日的急性燒燙傷病患資料庫,分別以預後因子、總燒傷面積、燒傷指標和預後性燒傷指標四種模式建立中位數迴歸,並針對四種模式以AIC向後選取法選取模式,再以 適合度檢定對模式進行評估。最後選出預測急性燒燙傷病患其住院日數的最佳模式為預後因子模式,該模式包含的變數為二度燒傷面積、三度燒傷面積、受傷年齡、頭頸部位是否有燒傷和是否進入加護病房。

Burn trauma could deeply affect patients and their family members, as well as the social economic burden. According to patients’ condition of burn trauma, they might need hospitalizations. Once one can predict the length of hospital stay more precise, it could lower the stress of uncertainty in the mental or spiritual health for patients and let patients’ family members be prepared for caring the patients. Besides, physicians could be more confidential to evaluate the treatment plan and allocate the medical resources. This study analyzed the data of acute burn injury patients of a medical system in Taiwan collected between January 13, 1997 and November 1, 2010. The following four predictive models are constructed: prognostic factors, total burn surface area, burn index and prognostic burn index models on the basic of median regressions. Model selection was processed by use of backward elimination procedure with AIC index and the goodness-of-fit test statistic Pseudo-R square. Eventually, prognostic factors model had better predictive ability than other models to predict the length of hospital stay. Variables included in the model were second degree of burned area, third degree of burned area, age, burn area 1(head and neck) and admission to intensive care unit.

目錄
第一章 緒論 1
1.1 研究背景與動機 1
1.2 文獻探討 2
1.3 研究目的 3
1.4 論文架構 3
第二章 研究方法與資料整理 4
2.1 研究架構 4
2.2 研究方法 5
2.2.1 中位數迴歸 5
2.2.2 Pseudo-R square適合度檢定與中位數迴歸模式選取準 則 6
2.3 研究對象 7
2.4 資料處理與變數操作型定義 8
2.5 基本敘述統計 11
第三章 實證分析 19
3.1對數常態迴歸 19
3.1.1 殘差分析 19
3.1.2 迴歸模式的適合度檢定 20
3.1.3 預後因子的對數常態迴歸模式 20
3.2卜瓦松迴歸 24
3.2.1 卜瓦松迴歸模式的適合度檢定 25
3.2.2 預後因子的卜瓦松迴歸模式 25
3.3 預後因子的中位數迴歸模式 27
3.3.1 預後因子全模式 27
3.3.2 預後因子模式選取 31
3.4 總燒傷面積的中位數迴歸模式 35
3.4.1 總燒傷面積全模式 35
3.4.2 總燒傷面積模式選取 39
3.5 燒傷指標的中位數迴歸模式 43
3.5.1 燒傷指標全模式 43
3.5.2 燒傷指標模式選取 47
3.6 預後性燒傷指標的中位數迴歸模式 50
3.6.1 預後性燒傷指標全模式 50
3.6.2 預後性燒傷指標模式選取 54
3.7 小結 57
第四章 結論 58
參考文獻 60
附錄 63
附錄一 預後因子模式配適中位數迴歸變數選取順序表 63
附錄二 TBSA模式配適中位數迴歸變數選取順序表 71
附錄三 BI模式配適中位數迴歸變數選取順序表 77
附錄四 PBI模式配適中位數迴歸變數選取順序表 84


表目錄
表2- 1 反應變數之操作型定義 9
表2- 2 解釋變數之操作型定義 10
表2- 3 比較燒燙傷指標模式預測力 11
表2- 4 燒燙傷病患住院日數基本敘述統計量 11
表2- 5 變數敘述統計量 14
表3- 1 預後因子對數常態迴歸全模式之參數估計 22
表3- 2 預後因子對數常態迴歸全模式之殘差檢定 22
表3- 3 預後因子卜瓦松迴歸全模式之參數估計 26
表3- 4 預後因子卜瓦松迴歸全模式之適合度檢定 26
表3- 5 預後因子中位數迴歸全模式之參數估計 29
表3- 6 預後因子模式變數選取順序表 32
表3- 7 預後因子中位數迴歸變數刪減之參數估計 33
表3- 8 TBSA中位數迴歸全變數之參數估計 37
表3- 9 TBSA模式變數選取順序表 40
表3- 10 TBSA中位數迴歸變數刪減模式之參數估計 41
表3- 11 BI中位數迴歸全模式之參數估計 45
表3- 12 BI模式變數選取順序表 48
表3- 13 BI中位數迴歸變數刪減模式之參數估計 48
表3- 14 PBI中位數迴歸全模式之參數估計 52
表3- 15 PBI模式變數選取順序表 55
表3- 16 PBI中位數迴歸變數刪減模式之參數估計 55
表3- 17 各模式與Pseudo-R square適合度檢定 57


圖目錄
圖2- 1 研究流程圖 4
圖2- 2 燒燙傷病患住院日數直方圖 12
圖2- 3 二度燒傷面積直方圖 15
圖2- 4 三度燒傷面積直方圖 16
圖2- 5 年齡直方圖 16
圖2- 6 總燒傷面積直方圖 17
圖2- 7 燒傷指標直方圖 17
圖2- 8 預後性燒傷指標直方圖 18
圖3- 1 配適值與殘差圖形 23
圖3- 2 殘差常態機率圖 23
圖3- 3 預後因子全模式之住院日數分量迴歸趨勢 30
圖3- 4 以預後因子模式刪減變數之住院日數分量迴歸趨勢 34
圖3- 5 TBSA全模式之住院日數分量迴歸趨勢 38
圖3- 6 以TBSA模式刪減變數之住院日數分量迴歸趨勢 42
圖3- 7 BI全模式之住院日數分量迴歸趨勢 46
圖3- 8 以BI模式刪減變數之住院日數分量迴歸趨勢 49
圖3- 9 PBI全模式之住院日數分量迴歸趨勢 53
圖3- 10 以PBI模式刪減變數之住院日數分量迴歸趨勢 56





參考文獻
英文部分
[1]Agresti, A. (2002). Categorical Data Analysis, 2nd . New York: John Wiley.
[2]Annette, J., Adrian, G. (2008). An introduce to generalized linear models, 3rd. Boca Raton: CRC Press.
[3]Allison P. D. (1999). Multiple Regression: A Primer. Sage Pubns.
[4]Attia A.F., Reda A.A., Mandi A.M., Arafa M.A., and Massoud N. (2000). Predictive models for mortality and length of hospital stay in an Egyptian burns centre. Eastern Mediterranean Health Journal; 6:1055-1061.
[5]Chen C.M., Scoung J.Y., Su C.Y., and Hcieh C.H. (2003). An investigation of age, causes and locations associated with moderate to severe burns in infants and young children. Journal of Rehabilitation Medicine Association; 31:147-154.
[6]Chien W.C., Pai L., Lin C.C., and Chen H.C. (2003). Epidemiology of hospitalized burns patients in Taiwan. Burns; 29:582-588.
[7]Durbin, J., and Watson, G. S. (1950). Testing for Serial Correlation in Least Squares Regression, I. Biometrika;37:409-428.
[8]Durbin, J., and Watson, G. S. (1951).Testing for Serial Correlation in Least Squares Regression, II. Biometrika;38:159-179.
[9]Gauss, C.F. (1805). Theoria Motus Corporum Colelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Frid. Perthes & I.H.
[10]Hardin J.W., and Hilbe J.m. (2007). Generlized Linear Models and Extentions, 2nd . Stata Press.
[11]Ho W.S., Ying S.Y., and Burd A. (2002). Outcome analysis of 286 severely burned patients: retrospective study. Hong Kong Medical Journal; 8:235-239.
[12]Koenker R., and Bassett G. J. (1978). Regression Quantiles. Econometrica; 46:33-50.
[13]Koenker R., and Machado J.A.F. (1999). Goodness of fit and related inference processes for quantile regression. Journal of Econometrics; 93:327-344.
[14]Kutner M.H., Nachtsheim C.J., and Neter J. (2004). Applied Linear Regression Models, 4th. Boston: McGraw-Hill.
[15]Lv K.Y., Zhu S.H, Tang H.T., Jia Y.T., Xia Z.F., Ben D.F., Lu W., Wang G.Q., Wang G.Y., Xiao S.C., Cheng D.S., Ma B., and Zhang J.R. (2009). The direct hospitalization costs of paediatric scalds scalds: 2-year results of a prospective case series. Burns; 35:738-745.
[16]Machado A.F. (1993). Robust model selection and M-estimation. Econometric Theory; 9:478-493.
[17]McCullagh P., and Nelder J A.(1989). Generalized Linear Models,2nd.Chapman & Hall.
[18]Pearson K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. Philosophical Magazine Series;50: 157-175.
[19]Pagano M., and Gauvreau K. (2000). Principles of biostatistics, 2nd. Pacific Grove, Calif: Duxbury.
[20]Ryan C.M., Schoenfeld W.P., Thorpe R.L., Sheridan E.H., Cassem R.G., and Tompkins R.G.(1998). Objective estimates of the probability of death from burn injuries. New England Journal of Medicine;338:362-366.
[21]Sokal R. R., and Rohlf F. J. (1981). Biometry: the principles and practice of statistics in biological research. New York: Freeman.
[22]Steel R.G.D., and Torrie J. H. (1960). Principles and Procedures of Statistics with Special Reference to the Biological Sciences. McGraw Hill.
[23]Stigler G. (1984). Boscovich, Simpon and a 1760 manuscript note on fitting a linear relation. Biometrika;71:615-620.
[24]Wong M.K., and Ngim R.C.K. (1995). Burns mortality and hospitalization time-a prospective statistical study of 352 patients in an Asian national burn center. Burns; 21:39-46.
[25]Yang C.S., Wei C.P., Yuan C.C., and Schoung J.Y. (2010). Predicting the length of hospital stay of burn patients: Comparisons of prediction accuracy among different clinical stages. Decision Support Systems; 50:325-335.

中文部分
[26]孫嘉楠(2010),呼吸系統疾病患者自身因素對住院費用與住院日影響分析,中國醫院統計;17(3)233-234。


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top