結合前瞻性社會人口學特徵、身體功能數據及醫療記錄建立肺炎病人30天非預期返診住院預測模型的機器學習研究

人待床人數佔相當大的比例。本研究團隊於2023年進行的初探研究，發現病人年齡、身體衰弱指標都呈現偏高現象。肺炎病人頻繁返診不但消耗龐大的醫療資源，同時增加院內感染風險，並且造成急診的重大負荷。 研究團將開發出一套具有智慧醫療潛力的預測肺炎病人30天返診住院模型。隨著預測特徵的不斷優化，未來此預測模型可發展成個人化臨床決策支援產品的基礎，最終的產品將協助醫療提供者改善病人的治療預後，減少肺炎病人的非預期返診住院及所造成的醫療及社會成本，並改善醫院及急診的擁擠。