建立預測急診病患緊急處置模型輔助臨床醫師診斷治療。

過去研究發現，在急診的病人診斷錯誤發生率可高達15-55%。然而診斷錯誤是可以藉由改善方式避免，如醫護人員再教育，使用提醒清單等。其中系統性的解決方法如建立臨床診斷輔助系統 (Clinical decision support system, CDSS)提供看診時的提醒清單，較能降低因個人因素導致的診斷錯誤或延遲，進而提升病人照顧品質。藉由機器學習方法建立急診病患相關的預測模型，提供臨床醫師病患可能的預後或動向，早已不是新鮮事。然而得知病人的預後，雖然可達到警示醫師的效果，但對於當下醫師診療病患處置及作出鑑別診斷的過程並無幫助。若要達到減少診斷錯誤的發生，只預測動向與預後是不夠的，因此針對預測病患應接受的檢查與處置發展模型，輔助醫師做出臨床決策有其必要性。因此本研究中，希望能達到以下研究目的：
利用常規收集的病患生理數據與主訴建立模型預測病患需要的檢查，處置與用藥。本次研究中使用雙和醫院急診室成人病患之電子病歷，進行回溯性病歷分析。收案期間為2017年5月至2019年12月，排除到院前死亡，非緊急醫療需求，兒科與外科病患，最後進入分析的樣本數為176,806就診人次。收集的指標包含結構化數據（病人檢傷生命徵象）以及文字敘述（病人主訴與病史），利用機器學型與自然語言模型建立預測模型。預測病患此次就診 1) 是否會抽血檢查 2) 是否需要放射科檢查 3) 是否需要緊急侵入性處置 4) 是否需要使用特定藥物治療。本次研究可發現在機器學習方法中，以logistic regression 表現最佳，其AUROC 可高達0.908, 而BioClinical Bert的模型表現更可高達0.925. 因此證實使用例行性檢測之生理數據結合病人的主訴可成功預測病患在急診所需的處置。然而本次研究的樣本只收集雙和醫院急診病患，並無進行外部驗證，因此可能無法直接推行到其他地方。未來需進一步進行外部驗證，讓模型更佳成熟完美。