應用預訓練語言模型預測加護病房急性腎損傷患者之腎功能預後

急性腎損傷（AKI）為加護病房常見且高風險之併發症，患者出院後若未及時介入治療，易進展為急性腎臟病（AKD）或慢性腎臟病（CKD）。惟目前臨床對AKD之識別與追蹤照護不足，導致早期預警信號常被忽略。為提升對AKI患者出院前AKD分期之預測能力，本研究建立一套整合結構化與非結構化資料的多模態預測架構，並探討大型語言模型（LLMs）於資料不平衡情境中的應用潛力。本研究使用MIMIC-IV v3.1資料庫，選取符合AKI診斷之成人個案，依KDIGO準則進行AKD分期，輸入特徵涵蓋生命徵象、實驗數據與病摘文字資料。模型設計包含傳統機器學習與預訓練語言模型（如Bio_Clinical_BERT），並比較SMOTE、class weight、focal loss及GPT-4、Phi-4 Mini樣本生成等平衡策略。結果顯示：結構化資料下以LightGBM、XGBoost效能最佳（Accuracy 62%）；文字模型搭配GPT-4生成樣本後，Bio_Clinical_BERT Accuracy 提升至67.91%，TF-IDF結合Phi-4 Mini亦能將AKD Stage 2之F1-score提升至80%以上。整體而言，本研究驗證LLMs結合語義生成技術可有效強化少數類別預測，並提出適用於運算資源有限場域之精準且具可擴展性的解決方案，為未來AKD風險評估與智能臨床決策提供重要參考。