2025-04-202025-04-20https://scholars.lib.ntu.edu.tw/handle/123456789/728239本計畫建置之i-Sepsis智慧診療介面將多個連動機器學習模型整合至組合式診療流程的作法，將是未來數據科學發展以臨床應用為導向的先驅，同時也顯示尋找合作對象擴大資料量提升機器學習模型表現的成果。在應用數據科學上，本研究先區分不同表型的敗血症，再分別於不同表型敗血症病人中找出會影響臨床預後的關鍵決策點，進一步個別訓練機器學習模型以提供個別化輔助資訊。解釋模型技術可視覺化此輔助資訊，提高模型的可近性和被信賴程度。此外，i-Sepsis中的智慧電子病歷設計可協助在診療當下即時標記資料，除了用於追蹤驗證模型表現外，在訓練新模型時，更可大幅提升新模型的表現，掌握此新趨勢可事半功倍地發展數據科學。敗血症機器學習預測死亡重症照護組合式照護Sepsismachine learningpredictionmortalitycritical carebundle care