搜索
中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-1-運用人工智慧技術以提昇急診檢傷分類之品質張俊郎1*李佳峻2蔡孟宏31*國立虎尾科技大學工業工程與管理研究所教授2國立虎尾科技大學工業工程與管理研究所研究生3財團法人天主教若瑟醫院醫療副院長1*E-mail:jcchang@nfu.edu.tw2E-mail:d9145c@yahoo.com.tw摘要急診室為了避免因就診人數眾多而耽誤真正緊急病患的救治，所以有急診檢傷分類制度的成立。檢傷分類，亦即以科學方法作為初步評估，將病患加以分類，以決定就診的先後次序。同時也是促進急診的效率，縮短看病流程的方法。對於檢傷護理人員與醫師診療的檢傷分類決策是否有所一致，關係到醫院的醫療品質、院方及醫師的效率、病患及家屬的滿意度、甚至於關乎到急診病患的生命安全。近年來台灣地區經濟繁榮，急診病患大為增加，因此，如何有效的提升急診檢傷分類的研究，將是非常重要的議題。本研究以雲林縣某區域醫院急診病患為個案研究對象，應用人工智慧的分類技術，將急診病患進行分類，從流程架構、參數選取、資料處理，建構出一個檢傷分類的預測模型，最後再與護理人員的診斷進行比對。本研究將處理後之702筆資料，進行K疊交叉驗證法，獲得其結果平均為84.43%的準確率，而檢傷分類最重要的權重為收縮壓：0.467。此預測模型的結果，未來可做為檢傷護理人員的參考判定依據，對於護理人員、醫師以及急診病患將有所助益。關鍵詞：檢傷分類、人工智慧、倒傳遞類神經網路，K疊交叉驗證法。1.緒論1.1研究動機與研究問題隨著社會文明及科技的進步，台灣地區經濟越來越繁榮，對於醫療及生命方面也越來越重視，導致台灣地區民眾掛號急診的病患也相對提高，根據行政院衛生署統計【1】【2】，台灣地區平均每日急診人數自民國85年由每日12,778人增至民國93年每日中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-2-16,028人，甚至到民國94年的統計年報中指出，94年平均每日急診人數更是高達16,291人，成長的幅度甚大；而美國疾病管制局的統計也顯示，急診病患的人數成長從1997年至2001年由九千四百九十萬人增至一億零七百五十萬人【8】，顯示急診就診人數越來越多，是世界共同的趨勢。急診室是醫院裡最為繁忙複雜的地方，專門處理一些突發的狀況，舉凡意外傷害或是急性病患等，而急診部門，每天都要面對不同層級傷害的病人，可說是醫院的第一線單位。因此，急診部門的資源分配與醫療品質，對於民眾而言是非常重要的，如何提高病患對醫院的滿意度，爭取救治病患的時間，急診部門將扮演非常重要的角色。急診檢傷分類，是於第一時間接觸病患時，希望檢傷護理人員能快速依照病患疾病嚴重程度、迫切性及照護需求性將病患予以分類，以決定病患診療的優先順序，使病患能於適當的時間內，得到最為完善的治療與處置【9】【10】。然而國外研究指出，約有40%急診就診病患，屬於非緊急就醫問題，因此導致真正需要緊急處理之病患，其處置時間延遲，醫療不良事件增加甚至影響到病患生命安全【11】。檢傷分類的分級制度，依據行政院衛生署醫院急診部門評鑑標準【3】，可將急診病患依照檢傷分類區分為四級：檢傷分類一級(應立即處理，兩分鐘內處理)、檢傷分類二級(應在十分鐘之內處理)、檢傷分類三級(應在三十分鐘內處理)以及檢傷分類四級(應可延後處理)。而目前國內的急診部門進行初步分類的決策，大多是由專業的資深護理人員所擔任，由於是由人工來進行檢傷的分類，容易造成低估(Undertriage)或高估(Overtriage)病患嚴重程度的情形，低估時，容易造成病患等候時間延長或是病患抱怨增加，甚至可能導致高危險病患因醫師延遲診療與處理，而對病患生命安全產生重大影響；而高估時，除了會對於醫院品質及效率有所影響外，還會影響到真正需要緊急醫療病患之處置時效，所以，如何有效的正確判別急診檢傷分類依據，是非常重要的。而專業護理人員，在做決策分類的過程中，也容易受到工作複雜度、衝突、情緒、壓力、甚至於教育及護理經驗，而有所影響，因此，隨著急診病患人數的增加、疾病複雜度的提高，護理人員面對檢傷分類的任務，也越來越困難。因此，若能根據病患的歷史資料進行研究，發展一套能夠協助護理人員進行檢傷分類的預測模式，不但能減輕護理人員的壓力，還能幫助醫院進行篩檢以及病患的診療。本研究應用人工智慧中的倒傳遞類神經網路(BackpropagationNeuralNetworks,BPN)技術，提昇急診醫學檢傷分類的正確性，首先蒐集學術相關文獻，以了解急診部門現行檢傷分類的概況，透過個案醫院急診的資料庫，取得基本統計資料與各項病患的數據，隨後借重該急診部門的行政主管於醫療、護理方面所提供的專業知識，給予幫助及建議，以進行研究探討，期望能妥善運用該資料庫中的資源進行倒傳遞類神經網路的分析，以提升協助急診分類的一致性。1.2研究目的中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-3-本研究的目的如下：1.對於處理急診病患檢傷分類加以探討，由一般急診病患就診時之基本資料予以建構其預測模型。2.採用倒傳遞類神經網路建構檢傷分類預測模式，並予以分析探討。3.應用倒傳遞類神經網路所得出之預測模型，期望能提供後續研究者，或是護理人員及醫師，參考之依據。2.文獻回顧與探討2.1檢傷分類所謂的檢傷分類級數，是依據病患的主訴、病史、症狀及徵象、一般外觀、生命徵象和身體評估結果而定【14】。根據衛生署評鑑急診檢傷分類規定，採用四級分類法，其分類的標準，依據急診醫學專家及急診臨床專科醫師擬定而成，從最嚴重至最輕微，分別為第一級、第二級、第三級及第四級，因應急診有一個以上的待診病患時，由醫護人員決定看診的順序，而此順序則依檢傷分類結果而定。根據衛生署有關檢傷分類等級區分的範例，內容大致如下：1.檢傷級數第一級(應立即處理，兩分鐘內處理)病患情況為心跳呼吸停止之病患、高血壓危象、懷疑是心臟引起之胸痛、連續性癲癇狀態、心律不整、重度燒傷、呼吸道阻塞、呼吸窘迫、病患對疼痛無反應者、無法控制的出血、藥物過量並有意識改變者、生命徵象改變：Pulse50或140；收縮壓90，舒張壓130；BT40℃、嚴重創傷：如車禍、高處摔下、長骨骨折、骨盆腔骨折、槍傷、大的開放性傷口、刀刺傷、頸椎受傷者、肢體受傷合併有神經血管受損、性侵害患者等狀況。2.檢傷級數第二級(應在十分鐘之內處理)病患情況為、疑似藥物過量但意識清楚者、穩定性氣喘、持續性的嘔吐或腹瀉、撕裂傷合併有肌腱損傷者、中等程度以上之腹痛、行為異常、高血糖、動物咬傷、抽搐、眼部受傷、不知原因之胸痛(但確知非心臟引起)、開放性骨折等狀況。3.檢傷級數第三級(應在三十分鐘內處理)病患情況為輕度腹痛、撕裂外傷、酒癮發作、膿腫、陰道出血，但生命徵象穩定未懷孕者、單純性骨折且沒有神經血管受損等狀況。4.檢傷級數第四級(應可延後處理)此類病患病情輕微，無生命危險，可赴門診治療或次日就診者。而此類病患包括：傷風感冒、喉嚨痛、長期慢性疾病而病情沒有急性變化者。中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-4-檢傷分類級數標準可能會因不同醫院及病患實際需求而有些許差異，Sheehy【15】指出檢傷分類級數的決定會受到下列因素影響：(1)病患生命受威脅的程度。(2)合併症的危險性。(3)搶救的需要性。(4)病患臨床評估的結果。(5)急診部門的病患就診流程及遵守的守則。Ramler【16】也指出，當檢傷人員對決定檢傷級數有不確定的情況發生時，寧可將病患分類到較嚴重的級數，以避免錯誤的發生而危害病患。而Williams【17】曾認為護理人員在檢傷分類處的評估不須照著醫學的模式去做診斷，但需利用特殊的概念模式，如客觀、明確的檢傷分類標準以提供急診病患正確性及醫療一致性的照顧。2.2類神經網路類神經網路是指利用電腦來模仿生物神經網路的處理系統。更精確的說，類神經網路是一種計算系統，包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生物神經網路的能力。而類神經網路的相關研究與其應用範圍在近年來發展極為迅速。基本上，類神經網路的原始想法與基本構造皆與神經生物學中的神經元構造相似。根據Freeman及Skapura【12】的定義，類神經網路是模仿生物神經網路的資訊處理系統，它使用了大量簡單的相連人工神經元來模仿生物神經網路的能力。而倒傳遞類神經網路是目前類神經網路學習模式中最具代表性，應用實務最普遍的模式。倒傳遞類神經網路，是由Rumelhart所提出，是目前類神經網路學習模式中，最具代表性且應用最普遍的學習模式之一。倒傳遞類神經網路的架構為多層感知器配合誤差倒傳遞演算法為學習演算法，屬多層前饋式網路，是以監督式學習方式處理輸入輸出間的非線性映射關係，達到準確分類的效果。屬於監督式學習網路，因而適合診斷、預測等應用。由許多單層網路所連結，而每次層的網路，則由數個神經元(Neuron)，或稱節點(Node)所組成。在網路中某一個神經元的基本架構，每一個神經元的輸出，都乘上其相對應的加權連結值(Weights)再加總，再透過激發函數(Activationfunction)的計算產生輸出訊號。倒傳遞類神經網路之構造如圖1所示。中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-5-圖1.倒傳遞類神經網路之構造直至現今，已有許多的類神經網路模式被提出，而根據Vellido【13】等人的研究，於1992到1998年之間，在商業上使用類神經網路做為研究方法者，約有78%的研究使用倒傳遞類神經網路進行分析、研判。近幾年來，類神經網路更是結合許多方法，例如整合鑑別分析、分類迴歸樹等，應用於各個領域中【4】【6】。並且由於倒傳遞類神經網路具有學習準確性高，回想速度快等優點，故本研究中將以倒傳遞類神經網路模式作為預測分析之工具。3.研究方法及步驟3.1研究架構與步驟本研究架構如圖2所示，在模型的建構主要分為三個階段：第一階段包括資料收集與前處理，產生訓練資料與測試資料；第二階段利用ClementineV10.1版進行倒傳遞類神經網路的分析，第三階段則為分類的結果與建議。中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-6-急診部門病患就診資料庫由文獻與院內急診部門主管、護理人員、醫師共同討論確定危險因子檢傷分類結果資料的前處理利用K疊交叉驗證法獲得資料可靠性以類神經網路將資料進行分類病例篩選將極端值、遺漏值刪除以K=10，進行訓練與測試獲得準確率結論利用倒傳遞類神經網路進行訓練與測試用Clementine軟體中倒傳遞類神經演算法，決定隱藏層個數與學習率α第一階段第二階段第三階段圖2.研究架構研究步驟如下：1.將院內之急診病患，進行個案登錄、建檔，建立基本紀錄表、參數及疾病特徵。2.利用建檔之資料進行篩選，剔除極端值、遺漏值。獲得702筆資料。中華民國品質學會第43屆年會暨第13屆全國品質管理研討會-7-3.由文獻與院內急診部門主管、護理人員、醫師共同討論，以確定變數的選取。最後決定變數為呼吸(Respiration)、體溫(Temperature)、脈搏(Pulse)、舒張壓(Diastolic,Dias)、收縮壓(Systolic)五個變數。4.利用倒傳遞類神經網路進行訓練與測試，用Clementine軟體中倒傳遞類神經演算法，決定隱藏層個數與學習率α。5.利用K疊交叉驗證法獲得資料可靠性與準確性，以K=10，進行訓練與測試。6.針對結果進行分析討論。樣本資料為雲林地區某個案醫院之2006年1月至6月的急診部門急診病患資料，全部樣本有734筆急診資料案例，扣除遺漏值、不完全的資料，經過擷取彙整後，最後可用資料為702筆資料。因樣本數不多，為確保樣本的可靠性與準確性，將對樣本進行K疊交叉驗證法(K-foldcross-validation)，以驗證資料的可靠性。獲得檢傷分類的資料如下表1所示：表1.檢傷分類資料概況檢傷分類一級檢傷分類二級檢傷分類三級檢傷分類四級總計筆數5126538067023.3K疊交叉驗證法(k-foldcross-va