應用具護理紀錄感知能力的深度神經網絡於出院後死亡風險預測

歷經長期發展，電子化病歷已能夠支援醫事人員隨時用數位設備記錄查詢病患的相關資料，然而累積大量電子醫療資料，綜觀約有 80% 的內容屬於非結構化文本，資料的描述內容常因人而異，也難有一致的標準輸入輸出格式，造成臨床人員難以迅速閱讀過多紀錄來獲得重要資訊，從而忽視某些潛在死亡風險。
本研究使用重症醫療監護大數據資料集 (The Medical Information Mart for Intensive Care ,III. MIMIC-III) 真實臨床非結構化的護理紀錄，主要以深度學習方法，採用現今強大的預訓練語言代表模型—基於變換器的雙向編碼器 (Bidirectional Encoder Representations from Transformers, BERT)，並以我們所提出來的特殊前處理演算法：關鍵護理敘述提取器 (Crucial Nursing Description Extractor, CNDE)，作為關鍵核心技術，有效地大幅縮減長篇紀錄並萃取出關鍵內容。
經由實驗證明，此研究不僅能夠提高模型在訓練期的學習表現，也可以高準確度預測病患離院後的存活狀態。另外，透過文字雲視覺化及自動標註臨床紀錄的關鍵詞彙，能提供臨床決策者有意義且重要的資訊，有助於識別患者離院後的死亡風險，以及早調整相關醫療照顧之定期追蹤與治療計劃。