重症系統性乏力之早期預警模式： 機器學習模型的建置與應用

目的：重症系統性乏力為加護病房中常見之併發症，對病人之預後有重大影響。目前臨床上尚缺乏可有效提早預測重症系統性乏力之工具，故本研 究旨在運用機器學習技術建構早期預警模型，協助臨床及早辨識高風險病人。
方法：本研究為前瞻性世代研究，於台北市立萬芳醫院收集加護病房病人資料，共納入 200 位病人。研究收集其人口學特徵、藥物使用與血液檢驗等共計 20 項變項，並以 MRC 肌力測試作為重症系統性乏力之診斷標準。模型建構使用 Python，並使用六種監督式分類演算法進行訓練與驗證，包括決策樹、隨機森林、貝氏分類器、支援向量機、XGBoost 與 LightGBM。 模型效能以 Accuracy、Precision、Recall、F1 score 及 AUC 進行評估，並進一步進行特徵重要性分析與向後消除法進行模型優化。
結果：在各模型中，以決策樹模型之 F1 score 表現最佳(0.421)，其特徵重要性分析顯示，影響模型預測前幾名之變項依序為年齡、C 反應蛋白與鈉離子。僅有 Fentanyl 為可由臨床醫療團隊調整之可介入因子。經向後消除法優化後，最終以 10 個變項組成的隨機森林模型 F1 score 提升至 0.480。
結論：本研究成功建立以機器學習為基礎之重症系統性乏力早期預測模型，具備中等預測效能。模型結果指出，雖多數重要特徵為不可調整之病人生理因子，仍可從臨床介入角度，如鎮靜藥物使用進行預防性策略之思考。未來建議可結合多中心資料與更多可介入變項，進一步提升模型效能與臨床應用價值。