跳到主要內容

臺灣博碩士論文加值系統

(44.192.94.177) 您好!臺灣時間:2024/07/17 01:05
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:楊子孟
研究生(外文):YANG, TZU-MENG
論文名稱:應用人工智慧預測急診成人非外傷病人是否會發生嚴重事件之研究
論文名稱(外文):Application of Artificial Intelligence on Predicting Prognosis of Non-traumatic Emergent Adult Patients
指導教授:蔡明志蔡明志引用關係
指導教授(外文):TSAI, MING-CHIH
口試委員:蔡明志游張松李建裕
口試委員(外文):TSAI, MING-CHIHYU, CHANG-SUNGLI, CHIEN-YU
口試日期:2021-01-14
學位類別:碩士
校院名稱:輔仁大學
系所名稱:資訊管理學系碩士在職專班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:69
中文關鍵詞:急診檢傷分類機器學習嚴重事件
外文關鍵詞:Triage at Emergent DepartmentMachine LearningSerious Event
相關次數:
  • 被引用被引用:0
  • 點閱點閱:236
  • 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:1
行政院衛生署於民國 99 年 1 月 1 日起實施推行急診五級檢傷分類作業,將病人危急程度分成復甦急救(第一級)、危急(第二級)、緊急(第三級)、次緊急(第四級)、非緊急(第五級),以建立病人優先就診的先後順序。當中,第一級及第二級病人視為「重症病人」,須立即進行復甦急救,避免發生嚴重事件(Serious Event,指的是病人發生院內心跳停止,或是需緊急入住加護病房接受治療)。
急診檢傷護理師依據現行急診五級檢傷分類規定,依據病人主訴、生命徵象(心跳、血壓、呼吸速率、血氧濃度、體溫)進行五級分類以決定診療急迫性及看診順序,並就自己的判斷決定是否提升級數,讓自己認為嚴重的病人優先進行診療、處置。本研究試著透過比較不同的資料重新取樣方法、不同機器學習模型的組合方式,找出分類成效最好、更客觀的分類方式來。
日後若能將本研究結果應用於急診檢傷分類上,相信在急診雍塞的現在,能更客觀的、早期預測病人是否發生「嚴重事件」,並早期對此類病人投注醫療資療資源進行復甦治療,降低病人的傷亡。
The Ministry of Health and Welfare of Taiwan implemented the five-level classification operation for emergency medical examinations on January 1, 1999. The criticality of patients is divided into resuscitation (first level), emergent (second level), urgent (third level), less urgent (level 4) and non-urgent (level 5) to establish the priority order of patients. Among them, first- and second-class patients are regarded as "critically ill patients" and must be resuscitated immediately to avoid serious event (Serious Event refers to a patient who cardiac arrest happened in the hospital or needs to be admitted to an intensive care unit for treatment) .
According to the current emergency five-level inspection and injury classification regulations, emergency triage nurses make five-level classification based on patient complaints and vital signs (heartbeat, blood pressure, respiratory rate, blood oxygen concentration, body temperature) to determine the urgency of patient illness and the order of visits, and decide whether to increase the grade based on their own judgment, and give priority to diagnosis, treatment and treatment of patients that they think as serious ones. This research tries to find the best and more objective classification method by comparing different data resampling methods and the combination of different machine learning models.
If the results of this study can be applied to the classification of emergency medical examinations in the future, I believe that in the current emergency department, it can be more objective and early to predict whether a patient will have a "serious event", and to invest medical resources for such patients early. The adequate resuscitation treatment timely would reduce the casualties of patients, and save patients’ lives.
第壹章 緒論 1
第一節 研究動機與目的 1
第貳章 文獻探討 4
第一節 急診檢傷分類系統 4
第二節 嚴重事件(Serious Event, SE) 5
第三節 利用病人檢傷資料進行預後預測 6
第參章 研究方法 8
第一節 問題描述 8
第二節 資料收集及資料清洗 12
第三節 參數說明及選擇 15
第四節 模型選擇和資料重新取樣(data resampling) 22
一、 模型選擇及評估指標選擇 22
二、 data resampling (資料重新取樣) 24


第五節 將透過機器學習方式的分類結果,和檢傷分類方式的分類結 果相比較 28
一、 利用cross_val_score函式進行資料重新取樣、模型組合效能評估 28
二、 將訓練所得效能最好的組合,和檢傷分類方式的分類結果相比較 29
第六節 檢傷分類為非重症的病人中,透過機器學習進行是否為「重症病人」的預測,並和檢傷護理師的預測做比較 29
一、 利用cross_val_score函式進行資料重新取樣、模型組合效能評估 29
二、 將訓練所得效能最好的組合,和檢傷分類方式的分類結果相比較 30
第七節 除去檢傷症狀系統類別,和目前檢傷分類結果及前述機器學習分類結果做比較 31
一、 利用cross_val_score函式進行資料重新取樣、模型組合效能評估 31
二、 將訓練所得效能最好的組合,和包含檢傷症狀系統類別分類結果,以及檢傷分類的分類結果相比較 32
第八節 將上述效果最好的機器學習方式,和目前檢傷分類方式結合,並比較結合前、結合後分類效果 32
第肆章 研究結果 33
第一節 將透過機器學習方式的分類結果,和檢傷分類方式的分類結果相比較 33
第二節 檢傷分類為非重症的病人中,透過機器學習進行是否為「重症病人」的預測,並和檢傷護理師的預測做比較 38
第三節 除去檢傷症狀系統類別,和目前檢傷分類結果及前述機器學習分類結果做比較 41
第四節 將上述效果最好的機器學習方式,和目前檢傷分類方式結合,並比較結合前、結合後分類效果 49
第伍章 結論 64
參考文獻…………………………………………………………………….…………………………68

表次
表3-1:急診五級檢傷分類作業相關細節…………………………………….……..8
表3-2:參數皮爾森積差相關分析(Pearson Correlation)結果-1
………………………………………………………………………………………………..………16
表3-3:參數皮爾森積差相關分析(Pearson Correlation)結果-2
……………………………………………………………………………………………..…………17
表3-4:病人資料分佈特性……………………………………………………………......18
表3-5:以生命徵象是否有異常值(vital=1/vital=0)作為是否發生
嚴重事件預測結果(n=37906)...........................................................19
表3-6:以護理師是否提升檢傷級數(t_up=1/t_up=0)作為是否發生
嚴重事件預測結果(n=36488)………………………………………………………..20
表3-7:以最終檢傷級數是否為重症(degreec=1/degreec=0)作為是否
發生嚴重事件預測結果(n=37906)…………………………………….………….21
表4-1:透過機器學習分類和現行檢傷分類效能比較-模式1……..…..33
表4-2:「ROS & RUS  XGB」VS「SMOTE & RUS  XGB」結果……34
表4-3:「ROS & RUS  XGB」VS「No DRS  XGB」結果……………..35
表4-4:「ROS & RUS  XGB」VS「Triage - vital」結果..............36
表4-5:「ROS & RUS  XGB」VS「Triage - degreec」結果………..37
表4-6:透過機器學習分類和現行檢傷分類效能比較-模式2…………..38
表4-7:「ROS & RUS  XGB」VS「SMOTE & ENNU  XGB」結果….39
表4-8:「ROS & RUS  XGB」VS「No DRS  XGB」結果 .…………..40
表4-9:「ROS & RUS  XGB」VS「Triage – t_up」結果 ………….41
表4-10:透過機器學習分類和現行檢傷分類效能比較-模式3 ………..42
表4-11:「ROS & RUS  XGB」VS「SMOTE & RUS  XGB」結果 ..43
表4-12:「ROS & RUS  XGB」VS「No DRS  XGB」結果 ………….44
表4-13:「ROS & RUS  XGB」VS「Triage - vital」結果 ……….45
表4-14:「ROS & RUS  XGB」VS「Triage - degreec」結果 ……46
表4-15:「8個參數」VS「22個參數」結果 ………………………………….47
表4-16:「8個參數」VS「22個參數」VS 現行檢傷分類結果 …….48
表4-17:透過訓練模型進行預測的結果和degreec分類相結合的分類
結果總覽 ……………………………………………………………………………………..55
表4-18:透過訓練模型進行預測的結果和degreec分類相結合的分類
結果:degreec分類和模型訓練後預測分類不同 …………………….56
表4-19:透過訓練模型進行預測的結果和vital分類相結合的分類
結果總覽 ……………………………………………………………………………………..62
表4-20:透過訓練模型進行預測的結果和vital分類相結合的分類
結果:vital分類和模型訓練後預測分類不同 ………………………..63

圖次
圖3-1:病人資料篩檢流程圖及相對應病人數…………………………….…….14
圖3-2:病人分布相關資料…………………………………………………….…………...17
圖3-3:召回率及精確率說明…………………………………………………………..…23
圖3-4:Undersampling V.S. Oversampling………………………………..…..25
圖4-1:累積病人資料進行機器學習分類結合degreec分類方式所計算
出之召回率、精確率、F2 score比較 ………………………………………..50
圖4-2:每月結合機器學習分類及degreec分類結果,和累積病人資料
進行機器學習分類結合degreec分類方式結果比較 …………..……..51
圖4-3:每月結合機器學習分類及degreec分類結果,和每月嚴重病人
比例比較 ……………………………………………………………………………...……….52
圖4-4:透過機器學習分類為重症病人,但degreec分類為非重症
病人中,發生嚴重事件及未發生嚴重事件病人趨勢圖 ….……..…..53
圖4-5:累積病人資料進行機器學習分類結合vital分類方式所計算
出之召回率、精確率、F2 score比較 …………………….……….…………57
圖4-6:每月結合機器學習分類及vital分類結果,和累積病人資料
進行機器學習分類結合vital分類方式結果比較 ……….…………….58

圖4-7:每月結合機器學習分類及vital分類結果,和每月嚴重
病人比例比較 ……………………………………………………………….……….……59
圖4-8:透過機器學習分類為重症病人,但vital分類為非重症病人
中,發生嚴重事件及未發生嚴重事件病人趨勢圖……………………..60
圖4-9:兩種機器學習結合現行檢傷分類方式效能比較………………….61
1.邱曉彥, 陳麗琴, & 邱艷芬. (2010). E化五級檢傷分類系統教育訓練對檢傷護理⼈員之影響. 長庚護理, 頁 21(4), 430-411.
2.陳俐伊(2018)。協商分類:台灣急診五級檢傷分類實作分析。國立陽明大學科技與社會研究所碩士論文,台北市。 取自https://hdl.handle.net/11296/y5n633
3.衛生福利部. (2016年01月01日). 公告修正急診五級檢傷分類基準. 擷取自 衛生福利部: https://www.mohw.gov.tw/dl-41428-d0d4c0c2-f796-4634-9408-45818a371eb0.html
4.衛生福利部. (2016年01月01日). 公告修正急診五級檢傷分類基準(105.1.1施行). 擷取自公告修正急診五級檢傷分類基準(105.1.1.施行): https://dep.mohw.gov.tw/ DOMA/cp-2710-38118-106.html
5.Andersen LW, et al. (2019). In-Hospital Cardiac Arrest, A Review. JAMA. Mar 26;321(12):1200-1210. doi: 10.1001/ jama.2019.1696.
6.Clare Allison Parker, et al. (2019). Predicting hospital admission at the emergency department triage: A novel prediction model. Am J Emerg Med. Aug;37(8):1498-1504.
7.CoieraEW. (1996). Artificial intelligence in medicine: the challenges ahead.J Am Med Inform Assoc. Nov-Dec;3(6):363-6. doi: 10.1136/ jamia.1996.97084510.
8.Dugas AF, et al. (2016). An Electronic Emergency Triage System to Improve Patient Distribution by Critical Outcomes. J Emerg Med. Jun;50(6):910-8. doi: 10.1016/j.jemermed. 2016.02.026.
9.Laura M Stanfield. (2015). Clinical decision making in triage: An integrative review. Journal of Emergency Nursing. Sep; 41(5): 396-403. doi: 10.1016/j.jen.2015. 02.003.
10.M. E. Beth Smith, et al. (2014). Early Warning System Scores for Clinical Deterioration in Hospitalized Patients: A Systematic Review. Ann Am Thorac Soc. Nov;11(9):1454-65. doi: 10.1513/AnnalsATS. 201403-102OC.
11.Nan Liu, et al. (2018). Artificial intelligence in emergency medicine. J Emerg Crit Care Med, 2:82. doi: 10.21037/ jeccm.2018.10.08
12.Negin Shafaf, Hamed Malek. (2019). Applications of Machine Learning Approaches in Emergency Medicine; a Review Article. Arch Acad Emerg Med. Jun 3;7(1):34. eCollection 2019.
13.Sang Bone Lee, et al. (2020). Triage in Emergency Department Early Warning Score (TREWS) is predicting in-hospital mortality in the emergency department. Am J Emerg Med. Feb;38(2):203-210. doi: 10.1016/j.ajem.2019.02.004. Epub 2019 Feb 17.
14.Scott Levin, et al. (2018). Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index. Ann Emerg Med. 2018 May;71(5):565-574.e2.
15.Steven L Bernstein, et al. (2009). The effect of emergency department crowding on clinically oriented outcomes. Acad Emerg Med, Jan;16(1):1-10. doi: 10.1111/j.1553-2712.2008. 00295.x. Epub 2008 Nov 8.
16.Yoshihiko Raita, et al. (2019). Emergency department triage prediction of clinical outcomes using machine learning models. Crit Care. Feb 22;23(1):64. doi: 10.1186/s13054-019-2351-7.
電子全文 電子全文(網際網路公開日期:20260225)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top