應用類神經網路提升亞急性呼吸照護病房病患脫離呼吸器的預測能力

The prediction of ventilator weaning outcome improved by Artifical Neural Networks in Subacute Respiratory Care Unit

王瑪麗 ； 蘇嘉玲 ； 林綉玲 ； 詹欣叡

《呼吸治療》 16卷2期 (2017/07) Pp. 35-35

https://doi.org/10.6269/JRT.2017.16.2.08

摘要

目的：目前研究顯示沒有單一脫離指標或測量方法足夠做為臨床人員預測病患脫離呼吸器成功預後之依據。如何建立脫離呼吸器評估項目表能有效預測脫離呼吸器，可提供照護團隊對病患整體性評估，增加脫離呼吸器成功，提高醫療照護品質，減少醫療成本。應用類神經網路提升亞急性呼吸照護病房病患(RCC)脫離呼吸器的預測能力，利用多項參數來建立脫離呼吸器預測模式，藉此研究建立類神經網路預測模型，來預測病患成功脫離呼吸器準確率。方法： 類神經網路(Artifical Neural Networks ANNs)模式，藉由輸入變數進行學習常被稱為Multilayered Perceptron多層感知器學習。類神經網路模型學習的結果是黑盒子(black box)，模型可能會產生過度訓練或是訓練不足，故在進行類神經網路訓練前將資料作為訓練組，讓類神經網路反覆進行學習，再將資料作為測試組測試其準確率。以某區域教學醫院亞急性呼吸照護病房102-104年收住院之病患資料，本研究收集219人入住RCC病人，隨機70%做為訓練組n=153、30%為測試組n=66建立並測試類神經網路模型。文獻回顧的方式尋找呼吸器脫離成功與失敗的因子及考量臨床資料取的方便及正確性，以選用病患的性別、科別、年齡、疾病種類、氣管內管大小、氣管插入、加護病房呼吸器使用天數、是否有氣切、入住加護病房急性生理及慢性健康評估ICU APACHII、RCCAPACHII、拔管前測量淺快呼吸指數(RSBI)使用11個重要變數預測脫離狀態來建立預測模型。應用R語言類神經網路模型預測準確度為74.2%利用類神經網路預測模型Model nnet:linout(切換為線性輸出單元) = F, size= 5(中間層),decay = 0.001(權重衰變參數), maxit = 1000(最大反覆運算次數), trace = T(追蹤最佳化)，以此為模型。結果：利用11項參數所建立預測模型得知表格略結論：RCC一般呼吸器脫離成功率50-65%，藉由類神經網路訓練模型可改善臨床團隊選擇移除呼吸器適當時機及降低併發症。

關鍵字

R語言類神經網路 ； 急性生理及慢性健康評估 ； 淺快呼吸指數