以機器學習方法預測中風後30天內再入院情形

研究目的: 運用機器學習建立中風後 30 天內再住院的風險預測模型，並根據最佳模型結果，進行危險因子的重要性排序說明。
研究方法: 本研究以次級資料進行分析，蒐集 2012 年 1 月 1 日到 2021 年 12 月 31 日，來自臺北醫學大學三院臨床資料庫的中風住院患者，共 12,933 筆的數據。採羅吉斯回歸、SVM、決策樹、隨機森林、梯度提升機和人工神經網絡，共六種機器學習的演算法，開發用於預測中風出院後 30 天內再住院的風險預測模型。再根據測試組中操作者特徵曲線下面積(AUROC)來選擇最佳模型，進行特徵重要性排序，定義中風患者 30 天內再住院的危險因子。期許能夠幫助臨床醫生及早預測具有高風險再住院情形的中風患者，並使他們能在患者出院前製定符合需求的準備計劃。
研究結果: 在比較測試組中的六種機器學習的模型後，羅吉斯回歸具有最佳的表現能力，其 AUROC=0.6247，準確性為 0.6322，敏感度為 0.5377，陽性預測值為 0.1415。接著再依據相關係數觀察變數重要性，發現慢性阻塞性肺病(COPD)為影響中風再住院的最重要危險因子，其次為尿道炎及肺炎；影響較小則為血小板抑制劑和中風史。
結論: 使用羅吉斯回歸分析中風患者 30 天內再住院的危險因子，將會對這些患者的管理精確性和有效性有所幫助。對於患有 COPD 的中風患者，可以提早擬定符合需求的急性後期整合照護計畫(PAC)，幫助患者應對疾病帶來的焦慮、抑鬱或其他心理壓力，這在健康結果的教育方面具有實際應用價值。