作者：陳昱銘、陳頤杰
本文為國立陽明交通大學經營管理研究所《Machine Learning and Business Applications》學期計畫期末報告之部分內容
Part 1: 題目選取
A. 研究背景
心臟之於人體，就像幫浦馬達之於房屋，負責打出足夠的血液量供各器官使用，以維持身體功能。而心臟衰竭即為心臟幫浦馬達因某些因素導致能力下降，無法打出足夠血液量，使身體產生不適[1]。心臟衰竭在台灣相當普遍，老年人口中估計有36萬名心臟衰竭患者，但許多人並不知道自己患病。由於很難察覺，發現的時候往往已經很嚴重[2]。心臟衰竭1年死亡率高達22%，5年死亡率高達50%，比多種癌症都高，患者在接近死亡感受的罹病情境下，生存機率是醫院、患者及家屬所重視的[3]。然而，既有醫療體系卻未能妥善滿足此一需求。
「心臟衰竭疾病本身是一種心臟疾病終末期的表現，治療後的生存率，儘管有患者和醫療團隊共同合作，但仍存在高度不確定[3]」這個不確定性的來源，是囿於照護人才養成不易與醫學研究進展有限兩方面。探究心臟衰竭病人再住院及症狀加劇之原因發現，其實與本身自我照顧能力有關，當心臟衰竭病人症狀變嚴重時，表示心臟在功能上有更大的損傷，需要學習更多的自我照顧，然而多數心臟衰竭病人對於疾病症狀與徵象的知識不足。因此，心臟衰竭特別需要非常專業的人力來追蹤。
儘管如此，專業人才養成期間長，培養不易，台灣尤甚。許多的心臟衰竭疾病醫療文獻已證實，心臟衰竭個案管理師提供疾病管理，可以降低病人的再住院率，顯著的提升疾病醫療成效[3]；鑑於心臟衰竭是一種複雜的疾病症候群，為了能達到疾病的成效品質，歐美與新加坡等國對於心臟衰竭個案管理師資格要求均十分的嚴格，除了須具備有10～15年以上的心臟專科臨床的護理經驗外，對藥物與心電圖等心臟專科的知識也必須具備。在台灣目前醫療專業領域中，仍未如同歐美、新加坡等國家般的重視心臟衰竭個案管理師的臨床工作角色與普及化。
另一方面，如下一節將會介紹，醫學研究前沿針對心臟衰竭預後病徵研究尚未有共識[4]。因此，心臟衰竭病人在接受治療後進入疾病穩定的時期中，他們依舊冒著不可預知的意外死亡，這與癌症末期病人的疾病特質具有不同差異性。為了醫療資源分配、患者及家屬知的權利，本研究探討預後死亡率可否藉由患者追蹤期間的生理跡象準確預測。
B. 研究動機
如前所述，醫學研究對於預測心臟衰竭尚無共識[4]。本研究回顧過往文獻的進展，並挑選出高被引醫學期刊文章，詳實記錄了現今心臟衰竭預測指標的闕如。文獻回顧結果如表1所示，目前醫學文獻中均使用羅吉斯迴歸的分類方式，但對於預測心臟衰竭死亡尚未有共識，最常被作為預測指標的包含lower blood pressure [5-7]、higher creatinine [5, 7]，及higher urea nitrogen [4, 6]，其餘則說法紛紜。呼應今年國立陽明交通大學合併，本研究欲將機器學習方法用於醫學領域，解決跨領域的問題。
表1
| 文獻 | 出版年 | 引用數 （Google；WoS） |
預測心臟衰竭的指標 |
| [5] | 2003 | 224；107 | 1. diabetes mellitus 2. history of renal dysfunction (or higher creatinine) 3. New York Heart Association (NYHA) functional class III or IV 4. lower weight or body mass index 5. lower blood pressure 6. ankle oedema 7. higher scores on a disease specific quality of life questionnaire |
| [6] | 2003 | 1461；952 | 1. older age 2. lower systolic blood pressure 3. higher respiratory rate 4. higher urea nitrogen level 5. hyponatremia |
| [7] | 2012 | 230；157 | 1. higher triage heart rate 2. higher creatinine concentration 3. lower triage systolic blood pressure 4. lower initial oxygen saturation 5. Non Normal serum troponin levels |
| [4] | 2014 | 229；150 | 1. blood urea nitrogen 2. sodium |
C. 研究目標及流程
鑒於心臟衰竭預後死亡率對於醫療資源分配、患者生命尊嚴及家屬生活品質意義重大，本研究欲找出具有解釋力的死亡預測指標，並使用機器學習的嶄新方法。本研究參考了新近高被引 期刊文獻之一：[8]使用機器學習來解決這個問題，其方法為羅吉斯迴歸與隨機森林，並發現serum creatinine、ejection fraction是足以預測心臟衰竭預後死亡的臨床特徵。儘管如此，[8]的結果仍與前述醫學研究相逕庭。本研究接續過往學者尚未解答的問題，藉由機器學習方式找出具有解釋力的生理指標，去預測心臟衰竭的死亡率。研究流程如下：
- 為取得臨床醫學資料，本研究參考周教授在課程綱要上推薦的資料來源，並採用The UCI Machine Learning Repository網站 上提供公開使用的資料集進行建模[8, 9]
- 本研究遵循傳統，使用了羅吉斯回歸與隨機森林，並透過配適度比較以評估模型的解釋力
- 為了驗證本研究建立模型之預測能力，在建模之前保留了30%的資料作為驗證資料集
- 本研究將報告兩個通過驗證的模型，以及經過驗證有解釋力的臨床特徵
參考資料
[1] 心臟衰竭患者自我照護手冊. (2016). 中華民國心臟學會.
[2] 邱淑宜. (2020) 心臟衰竭5年死亡率50%，3症狀是警訊，一週體重增加超過2公斤也要注意. 康健雜誌.
[3] 劉敏慧, “心臟衰竭疾病個案管理,” 長庚醫訊, vol. 42, no. 5, 2021.
[4] W. Ouwerkerk, A. A. Voors, and A. H. Zwinderman, “Factors Influencing the Predictive Power of Models for Predicting Mortality and/or Heart Failure Hospitalization in Patients With Heart Failure,” JACC: Heart Failure, vol. 2, no. 5, pp. 429-436, 2014, doi: doi:10.1016/j.jchf.2014.04.006.
[5] M. L. Bouvy, E. R. Heerdink, H. G. M. Leufkens, and A. W. Hoes, “Predicting mortality in patients with heart failure: a pragmatic approach,” Heart, vol. 89, no. 6, pp. 605-609, 2003, doi: 10.1136/heart.89.6.605.
[6] D. S. Lee, P. C. Austin, J. L. Rouleau, P. P. Liu, D. Naimark, and J. V. Tu, “Predicting Mortality Among Patients Hospitalized for Heart FailureDerivation and Validation of a Clinical Model,” JAMA, vol. 290, no. 19, pp. 2581-2587, 2003, doi: 10.1001/jama.290.19.2581.
[7] D. S. Lee et al., “Prediction of Heart Failure Mortality in Emergent Care,” Annals of Internal Medicine, vol. 156, no. 11, pp. 767-775, 2012, doi: 10.7326/0003-4819-156-11-201206050-00003.
[8] D. Chicco and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone,” BMC Medical Informatics and Decision Making, vol. 20, no. 1, p. 16, 2020/02/03 2020, doi: 10.1186/s12911-020-1023-5.
[9] T. Ahmad, A. Munir, S. H. Bhatti, M. Aftab, and M. A. Raza, “Survival analysis of heart failure patients: A case study,” PLOS ONE, vol. 12, no. 7, p. e0181001, 2017, doi: 10.1371/journal.pone.0181001.