臺灣博碩士論文加值系統

為了凸顯醫療人員和醫療管理人員需要更有效地善用醫療資源，漫長的等候看診時間和醫療資源的有效分配已經是常見的現象。若是能夠了解醫療人員治療的病患類型，以及他們所帶給醫療人員的工作量，便能達成有效地利用醫療資源的目標。而醫院的急診部門在大多醫療保健系統中扮演著重要的角色，因急診部門是急性護理的前線與病患入院的主要途徑，同時也是屬於高度機動性容易受到影響和知識密集的工作。然而，醫院的醫療資源若沒有適當地分配，會造成急診室滯留時間增長與病患壅塞的情況發生。
為此，本研究以滯留時間(LOS)與TTAS急診五級檢傷分級標準探討病患族群之間的ICD-9診斷碼特性作為研究屬性因子之一。研究透過Apriori 演算法找尋影響急診壅塞的診斷碼關聯性，評估加入ICD-9診斷碼是否提高對急診滯留時間預測的準確度，並診斷碼增加對規則的解釋性。研究以支援向量機（SMO）、決策樹J48、決策樹CART作為預測模型，研究結果顯示納入診斷碼（Code1/ Code1-5）和診斷碼樣式（code pattern）其預測準確度，較未含ICD-9診斷碼的預測準確度相較之下有明顯提高。

In order to highlight the medical personnel and medical management need to be more effective use of medical service, that people spend much time on waiting to seek medical advice, and effectively distribute is already a common phenomenon. If we can understand the patients type and the workload of medical personnel, that will be able to achieve the goal of medical service effectively. Emergency department (ED) is the main way to patient go to hospital and the acute care frontline, but also are highly mobility and knowledge-intensive work. And so the emergency department plays an important role in most of the health insurance system. However, if the medical service is not properly allocated, will cause the problems of ED overcrowding and increase length of stay (LOS) in hospital.
For this purpose, this research analyzed the patients’ characteristics via International Classification of Diseases, Ninth revision, (ICD-9) Codes based on length of stay (LOS) and Triage and Acuity Scale (TTAS) of Taiwan. We incoprated the ICD-9 codes into mining patients’ behaviors process to increase the prediction capability of LOS. In addition, it can increase the explanation capability of the model through the codes. Accordingly, we used the Apriori algorithm to analyze the relationship between codes derived from the association rules. Then, codes with the assicaiton will be expressed as a code pattern. The pattern will become one of the arrtibures of the prediction model.This research adopted SMO, J48, and CART to build the prediction models. The experments result reveal that incorporate the ICD-9 codes and the code pattern into the model can increase the accuracy of the predition restuls.

表　　次 vi
圖　　次 viii
第壹章 緒　　論 1
第一節 研究背景 1
第二節 研究動機 4
第三節 研究目的 5
第貳章 文獻探討 7
第一節 領域導向資料探勘 7
第二節 ICD-9診斷碼於研究應用 10
第參章 研究方法 13
第一節 研究問題定義 13
第二節 研究架構與流程 18
第三節 不同檢傷級數之ICD-9診斷碼分析 21
一、以單一ICD-9診斷碼統計不同檢傷級數之診斷碼次數 21
二、以ICD-9編碼列表合併診斷碼，統計不同檢傷級數之診斷碼次數 29
三、分析結果討論 36
第四節 以Apriori 演算法探勘ICD-9診斷碼關聯 38
一、尋找高頻項目組 39
二、實例說明 39
三、ICD-9診斷碼如何納入預測模型分析 41
第肆章 預測模型與實驗方法 43
第一節 建立診斷碼分類模型 43
一、Phase 1：資料處理 43
二、Phase 2：分析醫療行為和檢傷級數之診斷碼 46
三、Phase 3：加入ICD-9診斷碼進行分類 47
四、Phase 4：LOS分群評估比較 48
五、ICD-9診斷碼關聯規則 48
第伍章 研究模型驗證 55
第一節 模型分類與評估指標 55
一、建立預測模型 55
二、分類評估方式 56
第二節 含ICD-9診斷碼(Code1-5)之預測能力 60
一、實驗組一：不區分檢傷級數及醫療行為（A-A-X-X） 60
二、實驗組二：不區分檢傷級數；區分醫療行為（A-E-X-X、A-R-X-X） 61
三、實驗組三：區分檢傷級數；不區分醫療行為（T1~T5-A-X-X） 63
四、實驗組四：區分檢傷級數及區分醫療行為（T1~T5-E/R-X-X） 66
第三節 LOS預測模型(Code1-5/ Code1/ Pattern)綜合評估與比較 73
一、實驗組一綜合評估與比較： 73
二、實驗組二綜合評估與比較： 77
三、實驗組三綜合評估與比較： 84
四、實驗組四綜合評估與比較： 105
第陸章 結論與未來展望 137
參考文獻 139
附錄一、ICD-9-CM編碼列表 143

1.李玉春、藍忠孚，中華民國醫院系統現況與發展之規畫研究，行政院科技顧問組委託研究，1984。
2.李安唐，電子病歷自動分類於ICD-9-CM：以類神經網路技術為基礎，慈濟大學醫學資訊研究所碩士論文，2006。
3.周芳正，急診室滯留時間預測與分析之實證研究，輔仁大學資訊管理研究所碩士論文，2013。
4.張伶，健保資料中既有疾病診斷正確性之研究，國立陽明大學公共衛生研究所碩士論文，2004。
5.陳紹佩，以領域用詞擴充病摘協助國際疾病碼判斷，雲林科技大學資訊管理研究所碩士論文，2008。
6.楊正銘，以文字探勘技術應用於疾病分類之輔助系統-以出入院病歷摘要為例，臺北醫學大學醫學資訊研究所碩士論文，2004。
7.楊昌倫，以滯留時間（LOS）為基礎之急診室壅塞行為探勘，輔仁大學資訊管理研究所碩士論文，2012。
8.楊明憲，利用症狀分群建置病患罹患疾病探勘系統，南台科技大學資訊管理系碩士論文，2011。 
9.鄭凱今，應用文字探勘技術於疾病分類碼之研究–以胃腸科病歷摘要為例，雲林科技大學工業工程與管理研究所碩士論文，2011。
10.謝玉玲，序列型態應用於疾病分類碼之分析研究，國立東華大學資訊工程學系碩士論文，2004。
11.Agrawal, R., & Srikant, R., Fast Algorithms for Mining Association Rules. Proceedings of 20th International Conference on Very Large Data Bases, VLDB (Vol. 1215)1994, pp. 487-499.
12.Bellazzi, R., & Zupan, B., Predictive data mining in clinical medicine: current issues and guidelines. International Journal of Medical Informatics, 77(2), 2008, pp. 81-97.
13.Berry, M. J., & Linoff, G. S., Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, John Wiley & Sons., 2004.
14.Delen, D., Walker, G., & Kadam, A., Predicting Breast Cancer Survivability: A Comparison of Three Data Mining Methods, Artificial Intelligence in Medicine, 34(2), 2005, pp. 113-127.
15.El-Darzi, E., Abbi, R., Vasilakis, C., Gorunescu, F., Gorunescu, M., & Millard, P. , Length of Stay-Based Clustering Methods for Patient Grouping, InIntelligent Patient Management, Springer Berlin Heidelberg, 2009, pp. 39-56.
16.Hunt, R.P., Hackman, H., Berenholz, G., McKeown, L., Davis, L., & Ozonoff, V., Completeness and Accuracy of International Classification of Disease (ICD) External Cause of Injury Codes in Emergency Department Electronic Data, Injury Prevention, 13(6), 2007, pp. 422-425.
17.Pereira, L., Rijo, R., Silva, C., & Agostinho, M., ICD9-Based Text Mining Approach to Children Epilepsy Classification, Procedia Technology, 9, 2007, 2013, pp. 1351-1360.
18.Schnitzer, G. P., Slusher, L. P., Kruse, L.R., & Tarleton, M. M., Identification of ICD Codes Suggestive of Child Maltreatment. Child Abuse & Neglect, 35(1), 2011, pp. 3-17.
19.Scott, D., Tonmyr, L., Fraser, J., Walker, S., & McKenzie, K., The Utility and Challenges of Using ICD codes in Child Maltreatment Research: A Review of Existing Literature. Child Abuse & Neglect, 33(11), 2009, pp. 791-808.
20.Wang, C.H., Huang, H.T., & Liu, L.T., Exploring Text-Mining Methods to Predict ICD-9-CM Codes Using Electronic Patient Records, The Journal of Taiwan Association for Medical Informatics, 22(1), 2013, pp. 35-50.
21.Yu, C.A., & Cimino, J.J., (2011). A Comparison of Two Methods for Retrieving ICD-9-CM Data: The Effect of Using an Ontology-Based Method for Handling Terminology Changes. Journal of Biomedical Informatics, 44(2), 2011, pp. 289-298.