急診室為什麼壅塞?
110年04月07日
【本篇報導由圖書資訊學研究所（學習資訊專業學院） 吳怡瑾教授研究團隊提供】 醫院急診室壅塞將增加病患等待時間，因此若能了解病患就診行為將可減緩急診室壅塞問題，本研究試圖以決策樹歸納分析方式瞭解與解釋病患就診行為，故提出混合式資料探勘方法以預測病患的滯留時間（length of stay, LOS）與解釋不同LOS下病患的相關就診行為。本研究取得合作醫院「臺北馬偕教學醫院總院」2009與2010 年急診室病歷進行實證研究，兩組獨立的資料有助於研究驗證所提方法之穩定性與強健性。研究基於病患個人特徵與診治行為以決策樹歸納並確認非緊急且LOS短暫的病患為造成急診室壅塞之重要族群，研究並分別透過實驗正確率、臨床價值性與相關性萃取出高參考價值的病患行為規則，發現LOS短暫的病患具有相似的行為；此外，研究歸納抽血（Lab）次數、年紀與入院方式為預測病患滯留時間重要指標。研究主要由病患特徵以歸納與釐清造成臺灣急診室壅塞之原因，並提供具備相似背景之急診研究進行臨床支援決策的參考模型。 近年來民眾對於急診醫療需求逐年增加，許多先進國家也將急診醫療隨之發展為獨立學科，提供二十四小時最完善的急診醫療服務，但若把急診當作門診使用，不僅浪費醫療資源，更可能影響醫療品質與重症病患的急救時間，如何將急診醫療資源用在真正需要的人身上，成為各大醫院所面臨的問題。快速的急診人數成長，使得急診部門產生了供需不平衡狀況；需求方（病患）劇烈增加，而供給方（醫療人員及醫療資源，包括床位、各種檢查）無法負荷，導致壅塞狀況。本研究試圖歸納與解釋病患就診行為，故提出混合式資料探勘方法以預測病患的滯留時間（LOS）與解釋不同LOS下病患的相關就診行為。 本研究取得合作醫院「臺北馬偕教學醫院總院」2009與2010 年急診室病歷，分別為40,849與43,708 筆資料以進行實證研究，兩組獨立的資料有助於研究驗證所提方法之穩定性與強健性，研究參考CRISP-DM （Cross-Industry Standard Process for Data Mining）程序進行資料探勘，以建立研究的基礎流程並採用領域知識探勘（Domain-Driven Data Mining, D3M）的技巧，整合急診專業知識與資料探勘結果進行研究架構建立與改善，以解決急診實務問題。研究提出三階段資料探勘分析方法架構，試圖探索不同滯留時間下病患的急診行為並進而瞭解急診室壅塞成因，如圖一所示。本研究所提出三階段分別是：（1） 分隔資料（partition）；（2） 標籤資料（labeling）；（3） 預測（prediction），嘗試用以關聯規則切割不平衡資料集並進而區分典型與例外行為規則，這與過去採用「臺灣急診檢傷與急迫度分級量表」進行病患群組分隔觀點不同；其中病患行為規則為由病患檢傷與診治階段可取得之基本資料，如：性別、年紀；就醫與診治資料，如：入院方式、檢傷級數、驗血…等，所組成的規則。 圖一：三階段資料探勘與分析急診室壅塞架構 研究進而以分群法分析病患滯留時間，研究發現滯留時間短之典型病患除占比高（約為90%）外平均滯留時間為兩小時，如表一所示。在病患行為規則部分，研究歸納抽血（Lab）次數、年紀與入院方式為預測病患滯留時間重要指標。本研究結果發現滯留時間短之輕症病患為合作醫院急診室壅塞之主因，此現象並非國內特殊現象，但於國際中屬於特殊情形；此現象應該與臺灣全民健康保險制度的實施下，減少民眾就醫財務上的障礙與提高就醫的方便性，使得民眾對於醫療資源的需求快速提高。研究並分別透過實驗正確率、臨床價值性與相關性萃取出高參考價值的病患行為規則，該規則有助於後續進行急診壅塞預測或者進而協助住院預測之研究。 表一： 2009與2020年上半年之典型病患急診滯留時間分布情形 Year Sets Shor LOS Medium LOS Long LOS Mean hours 2 hours 16 hours 52 hours 2009 A' 90.84% 7.72% 1.44% B' 91.02% 8.25% 0.73% 2010 A' 91.08% 7.46% 1.46% B' 91.16% 8.04% 0.80% 本研究資料前處理較為耗時，這也是資料探勘研究最具挑戰之部分。此外，研究為瞭解屬於臺灣急診之病患行為分析，故需與合作醫生與學者反覆討論模型架構並瞭解急診實際狀況，進而突破過去文獻觀點建立本研究流程以了解臺灣急診室壅塞狀況，其中，以關聯規則區分典型與例外行為病患、分群與分類方法之變數的正確性與解釋性都曾經多方嘗試，最後並建構視覺化系統，如圖二所示。研究需要在理論與實務之間不斷交換與解釋觀點，但這正是實務資料探勘研究之挑戰與樂趣，無論院方、老師與學生都能從中有所收穫，這也是促成長期合作之原因。 圖二：視覺化急診行為規則示意圖 臺北馬偕教學醫院之急診室在臺灣地區具有一定程度的代表性，研究透過真實資料的分析結果將具有參考性。本研究所得出的規則與重要屬性將為後續以機器學習與深度度學習進行住院預測與模擬醫療資源產能規劃研究所參考，俾使研究結果有助於急診室之決策支援。 原文出處: https://jlis.lis.ntu.edu.tw/html/j48-1.html#tab-L Feng, Y.-Y., Wu, I.-C., Chen, T.-L., & Chang, W.-H. (2019). A hybrid data mining approach for generalizing characteristics of emergency department visits causing overcrowding. Journal of Library and Information Studies, 17(1), 1-35. doi: 10.6182/jlis.201906_17(1).001