跳到主要內容

臺灣博碩士論文加值系統

(44.200.169.3) 您好!臺灣時間:2022/12/04 19:50
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

: 
twitterline
研究生:李傳博
研究生(外文):Chuan-Po Lee
論文名稱:院內感染監控之商業智能系統建置
論文名稱(外文):A Novel Business Intelligence Model for Monitoring Nosocomial Infection
指導教授:蘇家玉蘇家玉引用關係
指導教授(外文):Emily Chia-Yu Su
口試委員:羅崇銘吳漢銘
口試委員(外文):Chung-Ming LoHan-Ming Wu
口試日期:2017-07-17
學位類別:碩士
校院名稱:臺北醫學大學
系所名稱:醫學資訊研究所
學門:醫藥衛生學門
學類:醫學技術及檢驗學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:72
中文關鍵詞:院內感染視覺化支持向量機決策樹
外文關鍵詞:healthcare-associated infectionvisualizationsupport vector machinesdecision tree
相關次數:
  • 被引用被引用:0
  • 點閱點閱:104
  • 評分評分:
  • 下載下載:18
  • 收藏至我的研究室書目清單書目收藏:0
背景:在一次 20mL生理食鹽水注射液污染 Ralstonia pickettii菌種,造成的院內感染案件中,我們發現類似的案例有可能因為臨床微生物醫檢師對報告資訊的不連貫,或是人員的工作輪替而遺漏了發現案件的機會,因此本研究以建立系統的方式,提供警示服務。
方法:系統收集2013年 9月至 2015年 3月的細菌培養結果,期間共有 260,779份報告,陽性結果佔66,446份,平均每日118 ± 30份報告。統計每日菌種培養數平均值及標準差,設立各菌種的警示門檻為平均值加上 1.28標準差,然後排程程式每日自動統計培養數量與判斷是否超出門檻。對於超出警示值的菌種即以email寄發通知簡訊給細菌室及管染管控人員。資料使用Google chart做視覺化的網頁呈現,包括菌種每日培養數量趨勢圖、檢體分佈圖及病房分佈圖等。本研究也利用此系統建置的資料中,以 SAS Enterprise Miner High-Performance Data Mining 的 Support Vector Machines, SVM及 Decision tree 模型測試 6種院內感染常見菌種,評估是否可以預測院內感染的發生。
結果:視覺化介面經問卷統計,評估使用者認為系統的實用性,在滿分 5分的標準中,得到平均 4.1分以上的成績。預測模型的測試結果在不同菌種間差異性很大,在 SVM模型中驗證組的靈敏度從20.4%~96.2%;Decision tree模型靈敏度則從25.0%~82.1%之間。
結論:藉由程式自動化收集、彙整資料與視覺化的圖表趨勢呈現,使得醫院醫療照護相關感染的作業更有效率。彙整後的資料,也有機會使用於院內感染的預測。
BACKGROUND: Recently, there was a healthcare-associated infection (HAI) event which induced by 20 ml injection normal saline contamination with Ralstonia pickettii in Taiwan. This event probably could not be discovered because laboratory staff were young or the staff were unfamiliar with the random bacterial appear trend. Therefore, we propose to develop a detection system that could efficiently summarize daily bacterial culture positive rate, and raise warning signals if there is any unusual high incidence.
METHODS: Our system processes analytic data and proposes warnings in several steps. First, the baseline values and warning ranges were calculated by the average and standard deviation (S.D.), respectively, of daily bacteria culture positive counts from September 2013 to March 2015. The total, positive and daily report numbers were 260,779, 66,446 and 118±30, respectively. The warning threshold was set as average + 1.28 S.D. for each bacterium. The detection system was scheduled to run every day. It counts each bacterial report, aggregates a summary and determines which bacterial report numbers are over the threshold. Once the report numbers are higher than the threshold, the system will send an email to the laboratory and infection control staff. The monitoring user interface was designed with the Google chart web application. The designed interface presents visualization of the bacterial daily culture count trend, specimen distribution, and ward distribution. Two machine learning algorithms, support vector machines (SVM) and decision trees (DT), from SAS Enterprise Miner software were used to predict the occurrences of HAI. Six most commonly HAI related bacteria were discussed in the evaluation.
RESULTS: The practicality of this visualization system was evaluated by an online questionnaire. The proposed infection detection system achieves an average score of 4.1 or more (in the score of 5 points). The sensitivity of the prediction models varies among different bacteria. In SVM model, the sensitivity ranges from 20.4% to 96.2%, and DT model ranges from 25.0% to 82.1%.
CONCLUSION: This infection detection system provides automated data collection and summarization. It also provides data visualization as a chart view, which makes the management and prevention of the infection control more conveniently and efficiently.
臺北醫學大學碩士學位考試委員審定書 ii
臺北醫學大學電子暨紙本學位論文書目同意公開申請書 iii
臺北醫學大學學位考試保密同意書暨簽到表 iv
致 謝 v
目 錄 vi
圖目錄 viii
表目錄 ix
論文摘要 x
Abstract xii
第一章 緒論 1
1.1 研究背景 2
1.2 研究動機 4
1.3 研究目的 5
第二章 文獻探討 6
2.1 與Ralstonia pickettii 汙染相關案例: 6
2.2 臺灣的防疫資訊通報系統 7
2.3 外國的防疫監控系統 10
2.4 自動監控醫療照護相關感染的資料要求 11
第三章 研究方法與材料 13
3.1 研究流程 13
3.2 資料庫與資料架構 14
3.3 建立菌種警示門檻基準線 18
3.4 程式處理 - 後臺資料分析和計算, Python 18
3.5程式處理 - 前臺視覺化資料呈現, PHP, Google Chart 19
3.6 院內感染分析 20
3.6.1 資料說明: 21
3.6.2 預測模型選擇與評估 23
3.7統計方法與使用軟體 26
第四章 分析與結果 27
4.1 菌種摘要統計 27
4.2 常態分佈分析 27
4.3通報頻率 28
4.4 視覺化圖表說明 29
4.5 院內感染分析 33
4.5.1 菌種描述性統計與 Wilcoxon test 結果 33
第五章 討論與結果評估 49
5.1系統運作探討 49
5.2 預測模型的評估 52
5.3研究限制 53
5.4 使用者問卷分析 54
5.4.1 問卷內容 54
5.4.2 問卷結果分析與討論 56
5.4.3 問卷信度分析 62
第六章 結論 64
6.1 結論 64
6.2 未來展望 65
參考文獻 66
附錄 68
附錄一 菌種摘要統計 68
英文文獻
Aaron Bangor, P., CHFP, James Miller, PhD, Philip Kortum, PhD. (2009). Determining What Individual SUS Scores Mean: Adding an Adjective Rating Scale. Journal of Usability Studies, 4(3), 114-123.
ADLASSNIG, K.-P. (2014). healthcare-associated infection surveillance and bedside alerts. eHealth2014 forum. doi:10.3233/978-1-61499-397-1-71
Doherty, J., Noirot, L. A., Mayfield, J., Ramiah, S., Huang, C., Dunagan, W. C., & Bailey, T. C. (2006). Implementing GermWatcher, an enterprise infection control application. AMIA Annu Symp Proc, 209-213.
Halpin, H., Shortell, S. M., Milstein, A., & Vanneman, M. (2011). Hospital adoption of automated surveillance technology and the implementation of infection prevention and control programs. Am J Infect Control, 39(4), 270-276. doi:10.1016/j.ajic.2010.10.037
Karimi-Alavijeh, F., Jalili, S., & Sadeghi, M. (2016). Predicting metabolic syndrome using decision tree and support vector machine methods. ARYA Atheroscler, 12(3), 146-152.
Leal, J., & Laupland, K. B. (2008). Validity of electronic surveillance systems: a systematic review. J Hosp Infect, 69(3), 220-229. doi:10.1016/j.jhin.2008.04.030
LIGHTFOOT5, L. S. a. D. (1998). Automated outbreak detection a quantitative retrospective analysis. Epidemiol. Infect., 122.
Lin, M. Y., Hota, B., Khan, Y. M., Woeltje, K. F., Borlawsky, T. B., Doherty, J. A., . . . Program, C. D. C. P. E. (2010). Quality of traditional surveillance for public reporting of nosocomial bloodstream infection rates. JAMA, 304(18), 2035-2041. doi:10.1001/jama.2010.1637
Ryan, M. P., Pembroke, J. T., & Adley, C. C. (2006). Ralstonia pickettii: a persistent gram-negative nosocomial infectious organism. J Hosp Infect, 62(3), 278-284. doi:10.1016/j.jhin.2005.08.015
WHO. Health care-associated infections, FACT SHEET. Retrieved from http://www.who.int/gpsc/country_work/gpsc_ccisc_fact_sheet_en.pdf
Woeltje, K. F., Lin, M. Y., Klompas, M., Wright, M. O., Zuccotti, G., & Trick, W. E. (2014). Data requirements for electronic surveillance of healthcare-associated infections. Infect Control Hosp Epidemiol, 35(9), 1083-1091. doi:10.1086/677623

中文文獻

王復德, 陳瑛瑛, 陳宜君. (2010). 感染管制護理師執行感管業務之時間分佈探討. 感染控制雜誌, 20(6).
江政家、張秀雯、蔡國卿、劉建財. (2011). 院內血流感染監視輔助系統之開發與建置. 醫療資訊雜誌 THE JOURNAL OF TAIWAN ASSOCIATION FOR MEDICAL INFORMATICS, 第二十卷(第三期), 41–52 頁.
林秀立. (2009). 加護病房中抗藥性金黃色葡萄球菌帶菌者之偵測系統.
張上淳. (2015). 專欄--2014年地區醫院台灣院內感染監視資訊系統分析報告. 感染控制雜誌, 第二十五卷五期. doi:10.6526/ICJ.2015.605
陳郁慧感管師,奇美醫院, 投影片 CDC 07-長期照護機構群聚感染之偵測與處理.
陳國斌. (2012). 院內泌尿道感染監視系統成效評估.
衛生福利部. (2014). 103年醫院評鑑基準及評量項目.
衛生福利部食品藥物管理署-藥品組. (2015). FDA announce: 立即下架”永豐”生理食鹽水注射液(衛署藥製字第001085號)(批號273A79D)藥品.
衛生福利部疾病管制署. 疾管署 傳染病通報系統 連結.
衛生福利部疾病管制署. 傳染病統計資料查詢系統 網頁.
衛生福利部疾病管制署. (2012). 「國家衛生指揮中心」正式啟用 新聞稿.
衛生福利部疾病管制署. (2013). 長期照護機構感染管制手冊1051007.
衛生福利部疾病管制署. (2014a). 公文-公告防疫雲交換平台上線.
衛生福利部疾病管制署. (2014b). 新版醫療照護相關感染監測定義.
衛生福利部疾病管制署. (2015). 實驗室傳染病自動通報系統暨跨院所實驗室資料雲端交換平台工作說明書(V3.1).
衛生福利部疾病管制署. (2016a). 台灣院內感染監視資訊系統(TNIS)2016年第1季監視報告.
衛生福利部疾病管制署. (2016b). 台灣院內感染監視資訊系統(TNIS) 2016 年第 1 季 監視報告.
羅友聲. (2014). 基於電子病歷、監測模型與個案管理之整合性醫療相關感染監視系統.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊