//Logo Image
作者:林翰俊、許明信、鄭智銘、徐業良(2013-04-25);推薦:徐業良(2013-04-25)
附註: 本文發表於2013福祉科技與服務管理國際研討會暨大師級講座,元智大學,桃園,台灣,20130425

應用於出院病患遠距健康照護之照護決策支援系統研發

1.      研究背景與目的

  遠距居家健康照護已經是高齡化社會中健康管理與照護上重要的潮流。敏盛醫療體系在2009年為其出院病患建立遠距健康照護服務平台,為了有效運用醫療資源,當醫師判斷病患已經復原至可由照護者或病患本人自行照護之狀態,便會安排其出院,然而病患仍須持續於居家環境中進行相關監測,並由醫護人員給予照護建議與回診指示。圖1所示為敏盛醫院的遠距健康照護服務平台架構,出院病患定時上傳生理資訊,由專業醫護人員組成的照護小組,定期透過電話關心病患,並透過詢問與互動式語音系統等方式,瞭解病患之目前最新的健康狀況與各項身體症狀;醫護人員經由資訊系統之協助與其專業判斷後,給予照護者或病患本人照護建議。

1. 敏盛醫院的遠距健康照護服務平台架構

  遠距居家健康照護系統在不同的應用情境中需求亦有不同,在出院病患的遠距健康照護應用情境中,除了生理訊號的監測外,出院病患的各項症狀資料(symptoms data)亦為監測的範圍。症狀資料為病人對於他們身體的自我觀察與感知,在出院病患照護上,症狀資料對於疾病康復的進展評估是相當重要的關鍵指標。然而每一位病患個案情形都是獨特的,而且每個人主觀的觀察與感知也不盡相同,根據遠距居家健康照護系統的資訊給予適當的照護建議有相當難度。出院病患遠距健康照護的應用情境中,專業醫護人員之專業素養與臨床經驗決定了照護建議的品質;資深醫護人才有育成不易與人員流動等困難,也造成照護經驗難以累積與照護建議品質不一等問題。

決策支援系統適用於複雜參數資料下,以資訊技術提供決策上的支援,並已廣泛應用在各個領域中(Wyatt, J., 1991),其中臨床決策支援系統(Clinical Decision Support System, CDSS)即為在醫療臨床上協助醫護專業人員對病患的診斷。第一個最有名的CDSS為發展始於1972年的AAPHelp,它是一個電腦輔助的診斷系統,以支持急性腹部疼痛於臨床上的評估與決策(de Dombal, F. T., et al., 1972);而始於1980年代的DXplainQMR則為最成功與商業化的系統(Barnett, G. O., et al., 1987)(Miller, R. A., et al., 1989)。本研究為出院病患遠距健康照護應用情境,研發一套照護決策支援系統(Nursing Decision Support System, NDSS),透過資訊系統蒐集病患的症狀資料、資深醫護人員的照護決策經驗,加上透過病歷回溯(retrospective chart reviews)方式進行臨床實證(clinical evidence-based)回饋,並結合機器學習(machine learning)等方法,累積醫護專業知識與臨床實證經驗等,以提供照護決策支援方式,有效支持照護小組醫護人員。NDSS預期可協助資淺、經驗不足之照護小組成員於出院病患遠距居家健康照護之照護建議,進而提升照護品質。

2.      研究方法

2為本研究發展NDSS的研究架構圖,NDSS接收來自於護士輸入的出院病患症狀資料(如:疼痛、紅腫、滲液),與醫院的醫療資訊系統(Hospital Information System, HIS)中的病患病史、臨床紀錄與醫師的照護決策等臨床實證資料,經由前處理後整理成42項參數輸入,輸出5項不同緊急程度之回診指示(如:病患必須立即回診、病患需要三日內回診等)。本研究收集了1,467份病患資料,以10-fold cross validation方法,將資料均勻分成10份,其中1份作為驗證資料,以其他9份做為訓練資料,以Neural networksBayesian NetworkSVM三種方法進行機器學習,產生預測模型,並交互進行10次後,取平均作為其效能評估。產生效能良好之預測模型後,以此模型在系統中正式使用,並從累積的實際病患個案參數輸入,與個案實際的回診狀況回饋(以臨床實證為根基),以進行預測模型的產生與更新,並能提升未來病患個案提供照護決策建議的準確性。

2. 出院病患遠距健康照護之照護決策支援系統(NDSS)研究架構

3.      結果與討論

本研究開發之NDSS在敏盛醫院實際運作超過一年,在其服務過1,568位出院病患中,回診指示的預測準確效能為79.48%(10-fold C.V.)、敏感度(Sensitivity)68%、特異性(Specificity)95%、陽性預測值(PPV)39%、陰性預測值(NPV)99%。相較於護理人員的人為決策,其敏感度為63%、特異性為94%、陽性預測值為30%、陰性預測值為98%NDSS效能上已較護理人員稍高,未來若再增加病患個案資料予NDSS,效能將預期能再有所提昇。

參考資料

1.          Wyatt, J. (1991). A method for developing medical decision-aids applied to ACORN, a chest pain advisor. Doctorate of Medicine Thesis, Oxford University.

2.          de Dombal, F. T., Leaper, D. J., Staniland, J. R., et al. (1972). Computer-aided diagnosis of acute abdominal pain. Br Med J, 2(5804), 9-13.

3.          Barnett, G. O., Cimino, J. J., Hupp, J. A., et al. (1987). DXplain. An evolving diagnostic decision-support system. J. Am. Med. Assoc., 258, 67-74.

4.          Miller, R. A., Masarie, F. E. Jr. (1989). Use of the Quick Medical Reference (QMR) program as a tool for medical education. Methods Inf Med., 28(4),340-345.