全球首創NurnaNet 解析護理記錄預判出院後死亡風險

【NOW健康 吳思奕／台北報導】臺北醫學大學發表全球首創「深度神經網路系統NurnaNet」，可解析護理記錄並預測病患出院後6個月及2年內的死亡風險，準確率可達8成。此系統能讓醫護團隊提早識別高風險族群，並及早介入、提供出院後的照護，進一步有效降低再入院及死亡率。

預測ICU病患出院後6個月及2年內的死亡風險 準確率可達8成

由於重症加護病房（Intensive Care Unit, ICU）的病患需要被密集看護、追蹤，且部分患者在出院後1年內仍然有病情惡化、再入院甚至面臨死亡的威脅，如何提早判斷、識別高風險族群並提供適當的醫護資源就顯得格外重要。

臺北醫學大學大數據科技及管理研究所教授張詠淳帶領的研究團隊利用麻省理工學院MIMIC-III重症醫療資料庫，分析2001年至2012年近1萬7千筆ICU患者的護理記錄，建構出NurnaNet，此系統可預測病患出院後6個月及2年內的死亡風險。

研究指出，NurnaNet預測患者出院6個月以及2年內的死亡風險AUROC分別達80%與70%的F1-score，意即NurnaNet判別高風險患者之準確率最高可達80%，該研究已刊登於國際權威期刊《International Journal of Nursing Studies》。

突破傳統限制 運用自然語言處理技術分析非結構化的護理紀錄

張詠淳表示，傳統的AI預測模型多依賴結構化電子病歷（Electronic Health Record, EHR）資料，如：生命徵象、病史、檢驗數據等欄目，但其實由護理人員撰寫的護理記錄蘊含了病情變化、第1線觀察及專業判斷，這些大量非結構化的文字記錄極具參考價值，且能提供更精準的判斷。

為此，研究團隊突破傳統限制，運用自然語言處理（Natural Language Processing, NLP）技術，開發「關鍵護理描述萃取器（Crucial Nursing Description Extractor, CNDE）」，可快速擷取護理記錄中最關鍵的資訊，並結合專為臨床語境設計的預訓練模型BioClinicalBERT，克服傳統AI模型難以處理長篇文字記錄的限制。

張詠淳強調，研究結果也讓臨床醫師感到訝異，例如CNDE能針對護理記錄上患者的關鍵用藥、是否使用升壓劑等文字描述綜合判斷，甚至能將報告中重要的中英文混雜文字描述整合至預測模型參考值。

協助醫療單位預判出院後具高風險的病患 調整相關照護計畫

北醫大護理學院副院長邱曉彥表示，事實上，目前在加護病房也有使用評估重症患者病情的預測工具，如：APACHE II，透過該系統評估患者的生理指標以進一步預測死亡率，但主要是針對患者在加護病房或是轉出至一般病房的住院期間，鮮少有可以預測出院後死亡率的工具，即使有，準確率也偏低。

上述這項研究成果可望協助醫療單位提早判斷可能在出院後具高風險的病患，並進一步擬定與調整後續的回診與照護計畫，以降低患者再入院的機率與死亡風險。

張詠淳強調，這套預測模型的建立為全球首創，研究團隊使用自然語言處理技術，透過AI從繁雜的文字記錄找出可能與病患存活率相關的訊息，突破了過去AI難以判讀非規則性的大量文字敘述之限制，讓第1線的醫護觀察記錄能被系統化運用，亦為病人安全與醫療品質帶來新的展望。

# 首圖來源／Freepik