蘇家玉李傳博2026-06-142026-06-142017-07-17https://203.71.86.71/handle/123456789/57931學位別：碩士 語文別：中文 指導教授：蘇家玉 口試委員：羅崇銘;吳漢銘 中文關鍵字：院內感染;視覺化;支持向量機;決策樹 英文關鍵字：healthcare-associated infection;visualization;support vector machines;decision tree背景：在一次 20mL生理食鹽水注射液污染 Ralstonia pickettii菌種，造成的院內感染案件中，我們發現類似的案例有可能因為臨床微生物醫檢師對報告資訊的不連貫，或是人員的工作輪替而遺漏了發現案件的機會，因此本研究以建立系統的方式，提供警示服務。 方法：系統收集2013年 9月至 2015年 3月的細菌培養結果，期間共有 260,779份報告，陽性結果佔66,446份，平均每日118 ± 30份報告。統計每日菌種培養數平均值及標準差，設立各菌種的警示門檻為平均值加上 1.28標準差，然後排程程式每日自動統計培養數量與判斷是否超出門檻。對於超出警示值的菌種即以email寄發通知簡訊給細菌室及管染管控人員。資料使用Google chart做視覺化的網頁呈現，包括菌種每日培養數量趨勢圖、檢體分佈圖及病房分佈圖等。本研究也利用此系統建置的資料中，以 SAS Enterprise Miner High-Performance Data Mining 的 Support Vector Machines, SVM及 Decision tree 模型測試 6種院內感染常見菌種，評估是否可以預測院內感染的發生。 結果：視覺化介面經問卷統計，評估使用者認為系統的實用性，在滿分 5分的標準中，得到平均 4.1分以上的成績。預測模型的測試結果在不同菌種間差異性很大，在 SVM模型中驗證組的靈敏度從20.4%~96.2%；Decision tree模型靈敏度則從25.0%~82.1%之間。 結論：藉由程式自動化收集、彙整資料與視覺化的圖表趨勢呈現，使得醫院醫療照護相關感染的作業更有效率。彙整後的資料，也有機會使用於院內感染的預測。系所名稱：醫學資訊研究所thesis