跳到主要內容區塊
:::

AI項目介紹

Print


    以住院失能預測為範例

    住院功能下降預測儀表板

    整合院內電子病歷 (EMR) 與機器學習模型進行即時預測。透過 Power BI 視覺化呈現全院狀況與風險趨勢圖，協助醫護人員及早介入。

    藉由 SHAP 可解釋性分析，系統能精準定位失能風險關鍵因子，並自動對照護理系統，協助護理人員提供最適切的照顧。

    示範影片如下(也可點此連結https://www.youtube.com/watch?v=4cOK6P6NxD8)

    高雄榮總 - AI 失能預測儀表板展示影片

    1. 介入詳情及輸出 Details and output
    模型類型：
    基於時序資料的監督式機器學習模型 (LightGBM / CatBoost / XGBoost)。
    輸出形式：
    輸出病人住院期間發生失能的「機率值 (Probability Score)」，並將風險分級 (高/中/低)，呈現於儀表板供醫師參考。
    2. 介入目的 Purpose
    臨床痛點：
    老年病人住院後常因臥床導致功能退化，難以早期發現。
    介入目標：
    提供「早期預警 (Early Warning)」，輔助臨床醫師與復健團隊在病程早期介入，降低住院期間失能發生率，提升出院後的生活品質。
    3. 警告範圍外使用 Cautioned Out-of-Scope Use
    非老年族群：
    模型僅針對 65 歲以上老年病人訓練，不適用於兒科或青壯年。
    非住院情境：
    僅適用於住院期間 (Inpatient)，不適用於門診或居家照護。
    特定病程：
    對於住院時間極短 (< 24小時) 之個案預測準確度可能下降。
    4. 開發詳情及輸入特徵 Development details & Inputs
    特徵工程 ：
    針對時序性臨床數據，提取區間內的最小值 (Min)、最大值 (Max)、標準差 (Std) 以及首末筆數值，以捕捉病程變化趨勢。
    關鍵輸入特徵：
    •基本資料 (年齡、性別、科別、主訴)
    •臨床指標 (NEWS、壓瘡風險等)
    可解釋性支援：
    生成 SHAP 分析圖，讓醫師理解「為什麼」
    Art editor Img
    5. 確保公平性的過程 Fairness Process
    資料隱私：
    所有訓練資料均經過去識別化 (De-identification) 處理，符合個資法規範。
    去識別化：
    所有訓練資料已移除可追溯之個人資訊。
    偏差檢測：
    •確保訓練資料集涵蓋不同性別與共病症 (Comorbidities) 的老年族群。
    •開發過程採 Human-in-the-loop 機制，定期與醫師確認模型邏輯未違反醫學倫理。
    6. 外部驗證過程 External Validation
    目前狀態：
    已完成嚴謹的內部驗證 (Internal Validation)，使用回溯性資料測試顯示效能穩定。
    未來計畫：
    •規劃與合作醫院進行多中心外部驗證，測試模型在不同醫療場域的泛化能力 (Generalizability)。
    •尋求第三方獨立機構進行演算法查驗。
    7. 性能量化指標 Quantitative performance
    量化績效指標：
    模型架構 ROC AUC (95% CI) 準確率 Accuracy
    LightGBM 0.88 (0.78 - 0.81) 84.6%
    CatBoost 0.88 (0.87 - 0.89) 84.4%
    XGBoost 0.88 (0.86 - 0.88) 84.3%
    * 數據顯示三種模型表現相當，LightGBM 在準確率上略勝一籌。
    多模型效能評估：
    本研究比較了三種主流機器學習演算法，結果顯示模型在區分高/低風險病人上具有高度鑑別力。
    •ROC AUC： 0.88 (顯示極佳的分類效能)
    •準確率 (Accuracy)： 約 84%
    •PRC AUC： 約 0.67 (在不平衡資料中仍具參考價值)
    8. 持續維護與使用 Ongoing Maintenance
    持續性維護監控：
    系統更新紀錄、維護計劃、使用頻率與實際效果回饋。
    未來計畫：
    系統平台能展示最新版本資訊，並提供使用情況報告與問題回饋管道。
    9. 更新與驗證計畫 Update Schedule
    數據監測：
    持續記錄「預測值」與病人實際出院時的「真實失能狀況」。
    定期重訓 ：
    •規劃每半年檢視一次模型效能。
    •若發現資料偏移 (Data Drift) 或準確度下降，將納入新數據進行模型重訓練與版本更新。
     
    使用者說明 User Guide
    使用者說明1 使用者說明2 使用者說明3 使用者說明4 使用者說明5
    :::