出院準備服務後續照護評估模式...

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 -

出院準備服務後續照護評估模式

―人工智慧之輔助運用

張俊郎 1＊丁國珍 2 許研鈺 3

1＊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社區健康室 1＊E-mail: [email protected]

2 E-mail: [email protected]

摘要

面對長期照護需求人口日益增多，長期照護體系的發展更是刻不容緩，若要有效

的推展長期照護工作，從上游的急性醫療體系著力的「出院準備服務」工作，就有其關

鍵性的角色，然而成功的推展「出院準備服務」不僅是執行醫療機構內資源進行整合，

更需要完整的長期照護資源體系的建構。目前國內許多醫療機構皆有協助病患做出院

準備服務計劃，但是各醫院的出院準備服務計劃評估過程當中，欠缺一套標準化的評

估程序，可能造成評估出的結果有甚大之差異，進而影響病患的後續照護工作。

過去出院準備服務人員大多靠以往的經驗去安排病患的照顧單位，如果能配合資

料探勘的技術則可以輔助出院準備服務人員以提高正確率，許多研究證實應用機器學

習技術，是有相當大的幫助。本研究運用倒傳遞類神經網路 (Back-Propagation

Network) 與決策樹 (Decision Tree) 建構一個預測出院準備服務後續照護資訊系統。運

用三種分析比較預測準確度，分別為倒傳遞類神經網路、決策樹和兩種的結合使用，

各準確度分別為 73.56%、85.06%和 85.11%。顯示出結合兩種模型有較佳的預測準確

度，同時亦可找出影響評估之重要指標，以協助出院準備服務人員正確之判斷，使病

患能夠於出院後維持最佳的健康狀態與提昇後續照護之品質。

關鍵詞：出院準備服務、後續照護、倒傳遞類神經網路、決策樹

1. 緒論

1.1 研究背景與動機

近年來，我國經濟發展迅速，生活與教育水準提昇，對醫療保健的需求日益增


- 2 -

加，人口結構因平均壽命延長、總生育率減少及撫養比率增加，伴隨著社會進步、生

活型態改變與衛生醫療與科技進步，台灣地區人民疾病型態由「急性」轉為「慢性」，

國民對醫療照護之需求由「治療」轉為「治療與照護並重」。根據主計處統計：65歲以

上老年人口由 2000 年的 192.1萬人，佔總人口 8.6%，到 2006 年的 228.7萬人，佔總人

口 10%，可見我國社會結構有明顯的變化【14】，正式邁向老人國，顯然急性醫療體制

已然無法滿足逐漸年長的人口與慢性疾病增加趨勢，顯現其急性與慢性之轉介之橋樑

「出院準備服務」的重要性。

根據內政部統計資料，截止 95 年 9 月底 65 歲以上人口計 226.3 萬人，占總人口

9.9%，續較上年同月底增 0.2 個百分點或 6.8 萬人。隨年邁人口擴增，安養及照護等需

求隨之上升，95 年 6月底提供自費或無依老人之安養機構、社區安養堂及老人公寓合計

62 所，較上年同月底增加 1 所，安養人數 7,953 人，則減 1.4%；以照顧生活無法自理

者且無技術性護理需求之養護機構 854所，擴增 29所，養護人數 2.5萬人，亦增 9.8%；

針對罹患長期慢性疾病且須醫護服務者所設立的長期照護機構 30 所，增 4 所，照護人

數 1,133 人，增 24.4％【15】，顯示出院準備服務更顯重要性。

「出院準備服務計劃」統合了醫療、社會、財務資源，利用個案管理的原則，包括

了評估、計劃、執行與評價的完整過程；是以病患的健康問題當作組織計畫的軸心；

可確保連續性照顧的結果；為病患及家屬出院後下一階段的照護做連續性的準備；為

讓持續性照護得以延續的重要機制；此服務包括了病人和各種健康照護團隊所組成的

團體或編組，透過有組織、有系統的決策行動，協調健康照護資源，將病人由一個照

護單位安全、滿意、順理成章地轉往另一個更為適切適所的照護單位、設施、機構、

環境或體系，維持或提昇最佳的健康狀態與生活品質。

1.2 研究目的

目前各醫院提供的後續照護模式，大都未能真正滿足個案、家屬及後續照護機構

的需求。因此有研究者利用案例式推理去建構出院準備服務後續照護資訊系統，利用

電腦推理的判斷方式，改善人為評估的偏誤。研究中無法找出影響評估之重要指標，

來降低出院準備服務人員正確之判斷，使病患能夠於出院後維持最佳的健康狀態與提

昇後續照護之品質。

出院準備服務計劃之目的主要是期望能透過社區資源的協調聯繫，達到轉介安置

之目的，增加生活的品質，進而保障病患後續性、就近性、持續性的高品質照護。促

進病患早日康復，減少住院日數，節省住院費用。讓個案早日出院與家人團聚，以維

持家庭的完整性；幫助病患家屬減少或去除可避免的再住院與急診的頻率。研究的主

要目的為依據病患之身心狀況，透過人工智慧技術之輔助，建構出院後續照護單位之

評估預測模式。


- 3 -

2. 文獻探討

2.1 出院準備服務

出院準備服務乃是包含健康團隊和家屬，透過有組織、有計劃、有系統的決策行

動，確保後續健康照護的連續性，體認其中潛在的危險性，整合長期照護資源，並且

在人性化的考量及醫療保健生活照護品質下，以最適當的時機，最妥善的運用資源，

以求得最適切的照護場所，將個案或受照護者，安全順利地送往另一個照護環境，尋

求最佳的解決方案。

2.1.1 出院準備服務的定義

1. 美國醫院協會 (American Hospital Association, AHA) (1983) 提出：出院準備服

務是一種集中性、協調性、科技整合性的過程，透過醫療照護專業人員、個案及家屬

的共同合作，以確保所有個案在出院後都能獲得持續性照護。出院準備服務計劃中必

須反映出個案及家屬內、外在之社會、情緒、醫療、及心理上的需求與協助，且必須

提供持續性照護，追蹤並瞭解個案出院後的立即性需求【16】。

2. 陳秀卿等【3】指出院準備服務是為了確保病患自一個治療環境至另一治療環境

或家中，能持續得到照護，所作的一套完整之醫療保健照護計劃。它需要以病患為中心，

考慮到病患及其照顧者之健康、照顧需求及能力【3】。

由於「出院準備服務計劃」是持續照護的重要機制，若從整體醫療照護體系上廣義

思考，其將不僅侷限於急性醫療區間中的家庭或是轉往其他後續照護機構的個案，才

可得到適當的後續性照護。此外，對內不僅能增強各醫療專業人員之間的合作關係，

且降低醫療成本，對外更能加強醫院與社區民眾之間的互動關係，提昇社區整體的醫

療照護品質，民眾也能獲得更完整的持續性照護。出院準備服務之概念架構【8】：(如

圖 1所示)

病人

入院

社區護理室後續照護需求評估

服務安排

管理追蹤

病人

出院

病房早期

篩選轉介

護理指導

Feedback

Process

圖 1. 出院準備服務之概念架構

【資料來源：潘依琳，2000】


- 4 -

2.1.2 轉介服務

一個有效的出院準備服務計劃尚須包括與「機構」即以社區為基礎的照顧機構協調

聯繫，以使個案之治療或照顧得以延續、維持，此即為轉介【19】。

所謂「轉介過程」應視為依系統性的問題解決方法 (a systematic problem-solving

approach)，其間包含一系列的活動，主要目的在於幫助個案去運用資源以解決其需要，

而此所指之資源可能是正式的，或非正式的，範圍可能是個人、團體或機構，凡當個案、

家庭需要從別處獲取協助以達到其最佳的功能狀況時，護理人員便有責任介紹，並促成

此轉介以增進其健康水準，或強化其自我照顧的功能。

任何個案服務的提供，必須基於個案需求的內容進行計劃，在「出院準備服務」過

程中，完整掌握個案及家屬的需求，需透過有系統的需求評估，評估時間通常為接受

篩選後 48 小時內由專責人員完成第一次照護評估，然而評估工作並非僅有第一次評

估，而應該在每次照護個案時即需進行評估；至於評估需求方向，一般分個案、家庭

及影響照護的相關社會資源因素三方向，分別歸納為八個面向，如圖 2所示【4】。

1. 健康狀況：包括個案目前生理功能、疾病的進展及未來的影響情形等。

2. 功能層級：個案目前的自我照顧功能狀態及進展情形，未來是否有變壞或變好的情

形。

3. 行為狀態：個案本人有否特殊暴力行為、個案及家屬對疾病的相關事務處理能力，

如對藥物及特殊管路留置的處理行為。

4. 情緒狀態：指個案及家屬對疾病所衍生各種變化的適應情形，如對肢體功能改變的

適應情形。

5. 經濟狀況：個案目前醫療費用及後續照護經濟需求的情形。

6. 認知能力：包括個案本身的一般認知能力及家屬對疾病相關影響照護需求之認知情

形。

7. 後送資源：對個案後續照護資源使用需求的評估，如個案居家環境安全適合性的評

估及後送機構可用性的評估；其中在後送社區資源中，專責人員需對現況社區資源

有清楚的認識，方能提出有效的照護計劃。一般後送社區照護資源不外乎居家服

務、居家護理、日間照護、養護所及護理之家等相關長期照護資源。

8. 支持系統：包括正式照護系統 (家庭) 及非正式情感支持系統 (朋友) 等，其中在

個案家庭方面，需進一步了解家庭權力結構 (由誰擔任主要照顧工作者，由誰擔任

照護安排的決策者)，對主要照顧者更需進一步評估其照顧動機、照顧技巧及其本

身健康狀況；對家庭決策者的掌握，可以透過有效的溝通讓照護的決策更符合個案

及家屬的需求。


- 5 -

個案需求

(後續照護需求)

健康評估

(生理功能、疾病

的進展與影響)

經濟狀況

(醫療費用、後續

照護費用)

情緒狀態

(對疾病的適應)

行為狀態

(對處理藥

物的行為)

功能層級

(ADL、IADL)

支持系統

(家庭、朋友)

後送資源

(無障礙環境)

認知

(後續照護的認

知)

圖 2. 照護需求評估方向圖

【資料來源：陳惠姿，2002】

2.2 倒傳遞神經網路 (Back-Propagation Network, BPN)

倒傳遞神經網路模式是目前神經網路中最具代表性、學習精確度高、學習速度

慢、回想速度快且應用最普遍的模式。倒傳遞類神經網路基本原理是利用最陡彼降法

(the Gradient Steepest Descent Method) 觀念【6】，將誤差函數予以最小化，而倒傳遞類

神經網路具有高度非線映射的特性，因此可以代替解非線性方程組或其它複雜計算之

動作。一般而言倒傳遞神經網路分成三層：輸入層、隱藏層、輸出層，每一層皆由處

理單元建構而成，在同一層之神經元並不相互連接。而倒傳遞神經網路的原理主要是

由學習過程輸入訓練資料，使網路在學習過程中不斷地調整權值 (Weights)，當網路學

習完畢後，輸入一筆資料，則網路會立即做出適當的回應。

2.3 決策樹 (Decision Tree, DT)

決策樹又稱為判定樹，是運用於分類的一種樹結構。決策樹在Data Mining 領域應

用非常廣泛，尤其在分類問題上是很有效的方法。除具備圖形化分析結果易瞭解的優

點外，決策樹具以下優點【12】：


- 6 -

1. 決策樹模型可以用圖形或規則表示，而且這些規則容易解釋和理解。

2. 可以處理連續型或類別型的變數。以最大資訊增益選擇分割變數，模型顯示變數的

相對重要性。

3. 面對大的資料集也可以處理得很好，此外因為樹的大小和資料庫大小無關，計算量

較小。當有很多變數入模型時，決策樹仍然可以建構。

目前已有不少的相關研究將決策樹應用於各種領域之中，如：呂卓堅【1】應用資

料採擷技術於學校建築耐震評估專家系統知識擷取；劉珮芬【7】運用決策樹於營利事

業所得稅結算申報書選案查核；李弘斌、許嘉仁【2】以決策樹分析造成民眾對影響營

建工程污染因素之認知探討；黃慕萱【5】詞彙選用之決策樹與心智模型之研究。

決策樹為一種功能強大之軟體，能建立決策樹模型，及發現隱藏的趨勢。Answer

Tree 包含四大決策樹演算法【13】：(Chi-square Automatic Interaction Detection，

CHAID)、Exhaustive CHAID、CART、Quest。在本研究中選用 CART (Classification

And Regression Trees，CART) 決策樹演算法來作檢測分析。CART全名為「分類和迴

歸樹」，其做法為建立一棵複雜之決策樹，根據交互驗證或測試集檢驗之結果，將樹修

剪成最佳樹型【9】，在建立決策樹時，預測因子能對資料做不同預測，決定所選取之

預測因子，它能降低資料的失序現象而被選取，CART 其演算法之特性及優點如表 1所

示【10】：

表 1. CART 演算法之特性與優點

演算法特性優點

CART

1. 非參數。 2. 定向轉換引數不影響結果。 3. 處理特別數點較好。 4. 可用於連續變數和類別變數的任何組合。 5. 可以調整樣本。 6. 可以提出變數的相互作用。 7. 適用二元資料的決策樹。 8. 分割規格為 Gain Ratio。 9. 修剪規格為錯誤預估率。

1. CART演算法會自動檢驗模

型，找出最佳的一般模型。 2. CART演算法在處理遺漏資

料方面是相當拿手的。 3. 可運用於複雜資料。 4. 可以較好處理 missing

values。 5. 不需事先選好變數。

基於以上幾點特性及優點較符合本研究需求，所以採用 Answer Tree 中的 CART 決

策樹演算法來進行本研究分析。

3. 研究方法

3.1 資料來源


- 7 -

本研究以中部地區某個案醫學中心為主要資料蒐集對象，透過實際病例的收集共

計 262筆個案資料。其中有 74筆居家護理案例，188筆醫療治療案例。隨機的方式將資

料選取 2/3 當訓練資料，1/3 當測試資料，把病例個案分成訓練資料 175 筆，測試資料

87筆。經醫療人員和專家討論變數以選出合適性的變數，共計有 20 個影響病患出院後

續照顧單位的關聯性因子。採用類神經網路中的倒傳遞類神經網路和 CART 分類樹做

為研究方法。研究所使用的資料樣本，共有 262 筆。本研究所使用的工具是採用 SPSS

公司所開發之 Clementine V10.1版軟體。

3.2 研究流程

醫生診斷個案病情已達出院規定標準，隨後出院準備服務人員則執行個案出院後

的需求評估，擬定完成出院準備服務計劃，協助個案在下一個後續照護階段，能夠獲

得完善的整體照護模式，圖 3 為研究流程圖。

使用倒傳遞類神經網路找出預測高的模型，其架構為，一個輸入層，一個隱藏

層，一個輸出層。因為變數總共二十項，所以在輸入層的神經元共有二十個；輸出層

方面為二個神經元，目標值為 1代表居家護理，2代表安養中心；而在隱藏層神經元的

多寡，依據葉宜成【6】所建議的二種狀況進行實驗：

簡單問題 = (輸入層神經元數+輸出層神經元數) /2= 11

或(輸入層神經元數*輸出層神經元數) 1/2= 6或 7

一般問題 = (輸入層神經元數+輸出層神經元數) = 22

決策樹是同時提供分類和預測常用的方法。藉由一連串的問題和規則將資料分

類，藉由相似的型態來推測相同的結果，決策樹理論十分適合進行此研究的預測及資

料分析說明。本研究中，使用 CART 做為研究方法。將倒傳遞類神經網路建立好的預

測 (Prediction) 模型，結合決策樹演算法找出重要變因，所得出的關鍵變因再次執行

BPN，期望較高預測準確性。


- 8 -

醫生診斷

個案可以出院

擬定個案出院準備服務

個案出院準備狀況評估

BPN

分析比較三種預測模式

BPN&CART CART

圖 3. 研究流程圖

資料來源：本研究整理

4. 研究分析

本研究採用 262 筆個案資料，把病例個案分成訓練資料 175筆，測試資料 87筆，

進行模型之建立與分析。在研究資料中，所使用之相關變數對照如下表 2所示：

在類神經網路模式方面，因 Cybenko【17】、Hornik等【18】及 Zhang等【20】指

出包含單一隱藏層之 BPN 模式已可提供足夠的精確度，因此本論文建構之 BPN將只包

含單一隱藏層。而由於輸入層包含 20 個神經元，因此隱藏層中神經元的個數被設定為

6、7、11、22 等四種組合進行測試。最後在網路的輸出層部分則只包含 2 個神經元：

目標值為 1代表居家護理，2代表安養中心。

整合 20 個可能會影響到病患出院照顧單位的關聯性因子，將訓練資料 175 筆運用

Clementine 軟體建立一套倒傳遞類神經網路預測模型，將 87 筆病患資料作為測試資料

以 Clementine 來測驗先前訓練資料所得到的法則準確度，結果所得出的預測病患出院

照顧單位的準確率為 73.56%。

另一種研究是以 CART演算法來做分類，而本研究採用全部不分組模式，其模式中

總資料筆數為 262筆。在產生樹型前，本研究設定決策樹層數為 4層，決策法則不超過

10 則，整體正確率能高達 85%以上為採用參考標準。以 20項變數為決策樹之輸入變項。


- 9 -

表 2. 變數對照表

評估構面評估指標

功能狀態 A1：巴氏量表 A2：柯氏量表(K氏量表)

生理狀態

B1：意識 (清醒、混亂、嗜睡、昏迷、呆滯) B3：溝通 (良好、尚可、不佳、不詳) B4：呼吸 (正常、氣切、不正常) B6：營養 (不佳、尚可、良好)

主要照顧者

C1：主要照顧者 (家人親戚、朋友、看護、外傭) C2：主要照顧者的學習衛教評估 (良好、尚可、不佳) C3：互動關係 (良好、尚可、無特別說明)

支持系統 D1：經濟狀況 (沒有困難、有困難、無特別說明) D3：重視與支持度 (很重視、無特別說明、尚可、漠不關心)

護理照顧

E1：壓倉 (無、有) E2：呼吸器 (需要、不需要) E3：管路(鼻胃管、鼻胃管+氣切、鼻胃管+導尿管、導尿管、三者皆有) E4：傷口 (有、無) E5：抽痰 (需要、不需要)

基本資料 F2：個案之診斷說明

醫療認知 G1：學習自我照顧動機 (尚可、積極、無法自我學習) G3：對出院準備服務認知 (無特別說明、清楚 (可接受)、不瞭解(無法茍同) G4：對疾病認知 (無特別說明、清楚、不瞭解)

為了要使決策樹有最好的績效結果，避免樹型過度生長，而產生許多不必要的葉

結點與規則，使得分類結果不具具體意義，所以在產生樹型前，自動長樹的停止法則

是必要的，其參數調整以下列三項為主要設定：

1. Maximum Tree Depth = 4 2. Minimum Number of Cases Parent node = 3 3. Minimum Number of Cases Child node = 1

由於本研究目的是希望能輔助醫師作為診斷病患出院時的參考資料，所以在建構決

策樹的結構上不適合過於複雜，且本研究的資料數量也不多，在母節點與子節點所包含

資料的最少筆數不宜太大，否則無法完全區分資料就被停止法則受限，而無法再分類的

更精確。透過以上之主要設定可以使決策樹的模型與架構更完整。本研究將分析後樹狀

圖再重新繪製成較易了解的樹狀圖，如圖 4所示。

從決策樹之整體正確率為 85.06%，符合一開始本研究所設定之目標。再將此決策

樹歸納出 6條決策法則，如表 3所示。再由 6條決策法則中，提供醫師做為病患出院評

估參考依據。


- 10 -

表 3. 決策樹法則

NO. Decision rule Probability Type

1

if and and and

E3 in [ 1 4 ] A1 in [ 2 4 5 ] D1 in [ 2 ] C2 in [ 1 2 ]

87.2% 1

2 if and and

E3 in [ 2 3 5 ] G1 in [ 1 ] B3 in [ 2 4 ]

100% 1

3

if and and and

E3 in [ 1 4 ] A1 in [ 1 ] G3 in [ 1 ] E4 in [ 1 ]

70.7% 2

4 if and and

E3 in [ 1 4 ] A1 in [ 1 ] G3 in [ 0 2 ]

95% 2

5 if and and

E3 in [ 2 3 5 ] G1 in [ 1 ] E3 in [ 5 ]

100% 2

6 if and

E3 in [ 2 3 5 ] G1 in [ 2 3 ]

95.6% 2

(※Probability：各決策準則的或然性；type：1 代表居家護理，2 代表安養中心)

利用 CART 分類樹歸納出的 6條準則中的擷取節點變數，共有 8 個變數 (分別是巴

氏量表、溝通、呼吸、主要照顧者的學習衛教評估、經濟狀況、管路、學習自我照顧的

動機和個案及家屬對出院準備服務的認知)，將所得出的變數當作倒傳遞類神經網路的

輸入變數，將訓練資料 175 筆運用 Clementine 軟體建立一套倒傳遞類神經網路預測模

型，將 87筆病患資料作為測試資料以 Clementine 來測驗先前訓練資料所得到的法則準

確度，結果所得出的預測病患出院照顧單位的準確率為 85.11%。藉由 CART 分類樹刪

除不重要的變數，來提高預測的準確性。表 4 是分析比較各種預測模式的準確性。

表 4. 預測模式的分析比較

預測方法輸入變數 Probability

BPN 20 73.56% CART 20 85.06%

BPN&CART 8 85.11%


- 11 -

圖 4. 決策樹樹狀圖

5. 結論

現今出院準備服務人員在為個案擬定出院準備服務計劃時，都是憑藉著多年來累

積的專業知識與臨床經驗，目前許多醫院並沒有特別成立「出院準備服務單位」，使得

出院準備服務計劃擬定的個案照護模式有所差異，再加上出院準備服務人員工作時間

種種因素下的限制，沒有太多的時間去進行此業務，導致病患在出院時，沒有妥善的

照顧，間接地影響到病患家屬對院方的認同感。因此，本研究藉由人工智慧的方法，

預測和提供給個案一套真正合適的照護模式。

本研究透過倒傳遞類神經網路和 CART 演算法的結合，其整體預測準確度可達到

85.11%，建構病患出院照顧單位之預測模式。使用 CART 分類樹演算法，建構出六條

決策法則，預測準確度達 85.06%。結合兩種方法可降低判斷的變數的指標，從 20 個變

數減少至8個變數。研究結果能提供出院準備服務人員在判斷病患適合照顧模式，也能


- 12 -

建構出相關準則，使出院準備服務人員能夠更進一步瞭解。

本研究使用類神經結合決策樹的方法，得出較佳的準確率，建構病患出院照顧單

位之預測模式，主要目的希望能提供醫師在判斷病患適合照顧單位的有效輔助工具，

從研究結果可以得到判別變數，如柯氏量表 (K 氏量表)、意識、溝通、呼吸、營養、

主要照顧者的學習衛教評估、管路、學習自我照顧動機和對出院準備服務認知。提供

出院準備服務人員在判斷時的參考，同時也可以避免不必要的醫療資源浪費。

參考文獻

1. 呂卓堅，「應用資料採擷技術於學校建築耐震評估專家系統知識擷取之研究」，國立台灣大

學土木工程學系暨研究所碩士論文，2002。

2. 李弘斌、許嘉仁，「以決策樹分析造成民眾對影響營建工程污染因素之認知探討」，第四

屆臺灣環境資源永續發展研討會論文集，光碟編號：4-2 (2002)。

3. 陳秀卿等，長期照護，藝軒圖書出版社，(2001)。 4. 陳惠姿等，長期照護實務，永大書局，(2002)。

5. 黃慕萱，「詞彙選用之決策樹與心智模型之研究—以台灣大學學生檢索 PsycLIT 光碟資料

庫為例」，圖書資訊學刊第十七期，(2002)。

6. 葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，台北 (2006)。

7. 劉珮芬，「運用決策樹於營利事業所得稅結算申報書選案查核之研究」，國立台灣大學會計

學研究所碩士論文，2002。

8. 潘依琳，出院準備服務的建構與發展以馬偕醫院為例，護理雜誌，頁 76-86 (2000)。

9. 蔡家昌，「應用決策樹歸納法探討台灣行動電話市場區隔」，國立台北大學統計學系碩士論

文，2002。 10. 蔡智政，「應用 CART 決策樹與資料視覺技術於低良率晶圓成因探討」，元智大學工業工

程與管理學系碩士論文，2002。

11. 蘇俊霖，「以案例式推理建構出院準備服務後續照護資訊系統」，國立雲林科技大學工業

工程與管理研究所碩士論文，2003。

12. 決策樹，TechNet 網路廣播點播列表，線上檢索日期：2006年 3月 15日。

13. SPSS，興德資訊，網址：http://www.sinter.com.tw/spss/dep/spss_answertree31.htm。

14. 行政院主計處，”老人養護及長期照護機構續增”，2007。

15. 內政部、行政院勞工委員會，2006。

16. American Hospital Association，“Introduction to discharge planning for hospital”，IL American

Hospital Association，(1983).

17. Cybenko,G，"Approximation by superpositions of a sigmoidal function," Mathematical Control Signal Systems, 2, 303-314 (1989).

18. Hornik, K., M. Stinchcombe and H. White, "Multi-layer feedforward networks are universal approximations, " Neural Networks, 2, 336-359 (1989).

19. Mass, M., Buckwater, K. C. & Hardy, M.，Nursing diagnoses and interventions for the elderly，

California: Addison-Wesley Nursing.，1991.

20. Zhang, G., B. E. Patuwo and M. Y. Hu，" Forecasting with artificial neural networks: the state of the art," International Journal of Forecasting, 14, 35-62 (1998).


- 13 -

To Establish a Continuing Care System of Discharge Planning using Artificial Intelligence

Chun-Lang Chang1* Kuo-Chen Ting1 Yen-Yu Hsu2

1Institute of Industrial Engineering and Management, National Formosa University 1*E-mail: [email protected]

1E-mail: [email protected] 2Public Health Nurse, St. Joseph’s Hospital

Development of long-term care system is essential facing the challenge of the increasing populations in need of it. To effectively promote long-term care services, the “discharge planning” services in medical care systems that directly involve patients play a critical role. However, a successful implementation on the “discharge planning” services requires both the integration of internal resources in the health care institutes and the establishment of a comprehensive long-term care resource system. To date, many medical centers provide discharge planning services to their patients; however, most lacks a set of standardized evaluation procedure during the process resulting in huge differences between the evaluation results and the actual situations. This difference affects the continuity of patient care.

Most discharge planners in the past use their past experiences to arrange the care unit for their patients. Using data-mining technique can help discharge planners increase the accuracy in the process. Many researches also confirm that applying machine learning helps a lot. This study uses Back-Propagation Network and Decision Tree to build an information system that predicts the continuity of care in discharge planning services. It uses three analyses to compare accuracy of prediction: they are back-propagation network, decision tree and a combination of both. The accuracy is 73.56%, 85.06%, and 85.11% respectively. The result indicates that combining both methods has the best prediction accuracy. Simultaneously, it can locate the important indicators that affect evaluation results to help discharge planners make better judgments so that patients can maintain their best health conditions after discharged from the hospital and the quality of continuing care is promoted.

KeyWords: Discharge Planning, Continuity of Care, Back-Propagation Network, Decision

Tree

出院準備服務後續照護評估模式...

Documents

Transcript of 出院準備服務後續照護評估模式...