查詢結果分析
來源資料
相關文獻
- 加護病房患者臨床結果預測--機器學習與主題模型法之應用
- 利用文字內容主題特徵與機器學習方法探討MIS相關期刊在ISI資料庫上的主題分類
- 以文字探勘與機器學習分析日本身分法學之發展
- 運用機器學習於加護病房肝硬化重症病人之死亡預測
- Prevalence of Nosocomial Respiratory Tract Infections in the Surgical Intensive Care Units of a Modical Center
- 新生兒加護病房的院內感染
- 怎麼確保加護病房之病患嚴重度資料完整正確
- 加護病房內急性呼吸窘迫症候群的探討
- Genetic Programming for Classification of Remote Sensing Data
- 加護病房內急性腎衰竭之腎臟代替療法
頁籤選單縮合
題 名 | 加護病房患者臨床結果預測--機器學習與主題模型法之應用=Predicting Clinical Outcomes of the Patients in Intensive Care Units with Machine-Learning and Topic Model Techniques |
---|---|
作 者 | 邱志洲; 吳忠敏; 簡德年; 高淩菁; 邱德生; | 書刊名 | 醫務管理期刊 |
卷 期 | 24:3 2023.09[民112.09] |
頁 次 | 頁221-248 |
分類號 | 312.831 |
關鍵詞 | 機器學習; 主題模型; 加護病房; 電子健康記錄; Machine learning; Topic model; Intensive care units; Electronic health records; |
語 文 | 中文(Chinese) |
DOI | 10.6174/JHM.202309_24(3).221 |
中文摘要 | 目的:加護病房相關研究中,臨床病患生命徵象預測一直是非常重要的議題。然而 過去電子健康記錄資料的分析,大多是以數值型資料為主,文字型資料的研究鮮少 被發表。 方法:根據 MIMIC-III 數據庫中所收集到的數值型資料及半結構化資料(病患的臨 床記錄、診斷資料及檢驗報告),利用自然語言處理技術中的隱含狄利克雷分佈 (LDA)模型與機器學習方法,對 38,597 名成年的加護病房患者進行臨床結果預 測。 結果:整合結構化資料及半結構化資料可增加預測之準確性,其中長期死亡率最佳 AUROC 達到 0.871,短期死亡率最佳 AUROC 更能達到 0.922。 結論:本研究構建之模型可明顯提升預測效能,並成功辨識出重要變數。期望這樣 的分析結果能增加醫護人員對於病患病情的掌握,也讓醫療資源能夠得到更優化的 應用。 |
英文摘要 | Objectives: Predicting clinical patients’ vital signs remains a critical issue in intensive care unit (ICU) related studies. However, studies on electronic health record (EHR) data have mostly analyzed numerical data and rarely semi-structured textual data. Methods: Our study used structured and semi-structured data (i.e., patients’ diagnosis data and inspection reports) collected from the MIMIC-III database. First, we used the Latent Dirichlet Allocation (LDA) model (a model employed in natural language processing) to process semi-structured data. Then, we used machine learning methods for the prediction of clinical outcomes in 38,597 adult ICU patients. Results: Based on the results, combining the structured and semi-structured data of ICU patients can strengthen the ICU patient mortality prediction accuracy. The model with machine learning methods generated favorable mortality predictions, where the highest AUROC, for long-term mortality is 0.871, and the highest AUROC for short-term mortality is 0.922. Conclusions: The constructed model successfully identified crucial variables for predicting patient mortality. Thus, when providing medical services to patients, health care personnel may consider the critical variables associated with the patients’ hospitalization durations to ensure that the patients receive optimal medical services. |
本系統中英文摘要資訊取自各篇刊載內容。