医院院内感染之因素预测与监控.pptVIP

醫院院內感染之因素預測與監控 報告人:林鴻文 指導教授:鄭博文 報告大綱 緒論 文獻探討 相關研究 研究方法 背景與動機(1/3) 院內感染的發生，延長病患住院的天數及花費更多醫療資源，甚至提高病患疾病復發率和死亡率。 民國93~95年，每一年公立與私立醫院住院感染病例數皆維持78,886~79,968件。 (資料來源:衛生署疾病管制局) 背景與動機(2/3) *總感染密度=(總感染人次/總住院人日數)x1000‰ (資料來源:衛生署疾病管制局) 背景與動機(3/3) 在SARS之後衛生署健保體系改造計畫、財團法人醫策會進行醫院評鑑中皆有針對院內感染提出相關改善計畫與評鑑項目。 如何找出可能遭受感染的高風險者，及早進行預防與監控就成為一個重要課題。 研究目的 利用資料探勘技術，從醫院相關資料進行學習建立偵測機制，藉以找出院內感染高危險群。 由醫院感控監測指標建立多變量管制圖，協助感控人員相關工作避免發生大規模感染情況。 研究流程 文獻探討 醫院感控現況分析 資料探勘 管制圖 文獻探討-醫院感控現況分析(1/3) 院內感染是指病患在住院期間得到的感染，而此感染在入院時並未發生，也不在此病之潛伏期內。 美國常見的院內感染以泌尿道感染為主，其次為手術部位感染。 台灣93~95年度在醫學中心以泌尿道與血流感染為主，區域醫院以呼吸道與泌尿感染為主。 (資料來源:衛生署疾病管制局) 文獻探討-醫院感控現況分析(2/3) 文獻探討-院內感染因子(3/3) 文獻探討-決策樹 用層級的方式，將知識有結構化的表現且依據不同的樹狀流程整理出不同的決策規則。 演算流程 醫學相關應用 文獻探討-關聯式法則 找出隱藏在大筆資料中未知而有意義的資訊，並以這些資料間的關聯性來做為決策與管理的參考依據。 演算流程 1.搜尋出所有高頻項目組 2.利用高頻項目組找出關聯式法則 文獻探討-關聯式法則 相關應用 文獻探討-貝氏分類 貝氏分類法的核心理論是利用貝氏推論來計算案例屬於各類別的機率。 文獻探討-貝氏分類 相關應用 文獻探討-倒傳遞類神經網路 藉由學習各輸入變項間的關係產生輸出，並與已知的輸出結果作比較。 由實際與預測輸出結果的誤差來調整各個節點間的加權值，且經反覆學習來讓網路能產生最佳化的輸出。 文獻探討-倒傳遞類神經網路 相關醫學應用 文獻探討-多變量管制圖(1/4) 管制圖應用而言，傳統單變量管制圖僅對最終產品的單一品質特性做個別偵測。 多個單變量管制圖監控多種品質特性，可能會低估製程變異的程度。 探討監控製程平均的多變量管制圖如：Hotelling’s 、MCUSUM及MEWMA 管制方法出現。 文獻探討- Hotelling於1947年提出監控種品質特性之製程平均值管制圖，其統計量： 而其管制界限如下： 文獻探討-MCUSUM(3/4) 採用Corsier(1988)提出MCUSUM來進行監控 其中 文獻探討-MEWMA(4/4) MEWMA最早是由1992年Lowry＆Woodall所提出來監控製程上平均值微小的變動。 其定義如下 研究方法 範圍及對象 預測變項 資料前處理 模型建構 建立管制圖 管制圖評估 研究方法-範圍及對象 對象為個案醫院住院病人的歷史資料，針對曾有泌尿道、原發性血流感染、呼吸道及手術部位感染的進行資料收集。 資料包含病人的基本資料及轉床資料檔、治療醫囑檔、用藥檔、檢驗檢查報告檔、診斷碼檔及院內感染檔等相關資料。 研究方法-預測變項(1/3) 研究方法-預測變項(2/3) 疾病分類表 研究方法-資料前處理 住院時間需大於48~72小時才能定義為院內感染，住院的住院天數小於二日，不符合定義予以剔除。 資料當中若有缺失值，此部分尋求醫院相關人員幫忙查詢正確資料以補齊缺失值，若無法補齊將該筆資料剔除。 研究方法-模型的建構 以紐西蘭Waikato大學以JAVA所開發的一個免費軟體WEKA進行探勘分析。 選用決策樹、關聯式法則與貝氏分類器與倒傳遞類神經以訓練樣本來建構出預測院內感染模型。 再利用測試樣本進行模型測試預測院內感染正確率的績效評估。 研究方法-建立管制圖 感染資料庫取得各病房每月院內感染發生密度、每月單一部位感染發生密度、每月院內感染發生次數。 研究方法-管制圖評估 比較不同管制法之偵測效益的準則時，大都是以平均連串長度(ARL)來做為參考。 ARL是製程出現失控點之前的平均點數。 A