refill醫學的問題，透過圖書和論文來找解法和答案更準確安心。 我們挖掘出下列價位、菜單、推薦和訂位總整理

預測新使用筆型胰島素之第二型糖尿病人的服藥順從度

為了解決refill醫學的問題，作者陳雅霖 這樣論述：

研究背景第二型糖尿病的全球盛行率預估於2030年達到7%。不同於其他的慢性疾病，第二型糖尿病的治療選擇涵蓋口服及針劑藥品。而根據過去研究，針劑藥品的藥品順從度平均60%，遠低於研究上定義之高順從度的80%。一位糖尿病病人平均診斷五到十年後可能會開始使用針劑藥品，而在這樣的治療轉換期，特別需要個人化的衛教來提升藥品順從度及治療效果。過去預測服藥順從度的研究多為以口服藥品為預測對象，針劑藥品，如胰島素，尚未嚴謹的探討。研究目標本研究預計建立機器學習模型，針對第二型糖尿病成人及首次使用胰島素患者，進行高或低順從度的二分類預測；預測結果為首次使用胰島素後90天。使用的模型包含邏輯斯迴歸（logist

ic regression，LR）、隨機森林（random forest，RF）及極限梯度提升（extreme gradient boosting，Xg）。本研究包含兩階段實驗：實驗一使用內部測試集的資料分割方式，假設Xg模型會有最佳效果；實驗二使用外部測試集的方式來驗證此研究方法的應用性。最後，我們使用SHapley Additive exPlanations（SHAP）進行模型解釋。研究方法本研究資料來源為臺北醫學大學臨床研究資料庫（TMUCRD），資料區間為2004年1月1日到2020年12月30日。病人收錄條件為有第二型糖尿病診斷、使用基礎型胰島素及年齡介於18到90歲之間。高順從度的

定義為藥物佔有率（medication possession ratio，MPR）等於或大於80%。機器學習模型的預測結果為病人是否為高順從患者，使用過去一年的資料當作模型參數。本研究總共收集66個參數，可分為七大類：人口學、藥品、共同疾病、實驗數值、醫療資源使用情形、首次使用胰島素織品項及合併首次胰島素開立之其他糖尿病藥品。研究結果本研究從TMUCRD收取病人，基過收錄集排除條件，共收集了4134位病人的資料。該研究族群有40.14%的病人為高順從患者。實驗一中，Xg模型（AUROC 0.792）表現優於LR 模型（AUROC 0.754）及 RF 模型（AUROC 0.791）。SHAP方

法進一步解釋模型，發現過去藥品開立數量、門診造訪次數、使用高血壓藥品及相關實驗數值為重要參數。另外，首次開立胰島素之資訊，如自費金額、開藥天數及劑量也對模型預測能力有影響。實驗二中，最好的模型為RF模型，AUROC為0.778。結論本研究建立了可於首次開立胰島素時即預測病人未來９０天的服藥順從度，可望在未來成為臨床決策系統。然而，未來需要更多努力，如模型的外推性及臨床驗證，使研究可以落實於臨床場域。

以啟發式評估技術討論某醫院雛型藥事監控系統管理框架與系統作業

為了解決refill醫學的問題，作者林佩儀 這樣論述：

本研究醫院資訊化程度十分完善，但要以何種方式使用已有之資料進行資料數據進行分析，產生決策資訊以協助藥事管理，目前闕如。藥事服務管理的重要價值性，除對醫院本身的經營管理成本有決定性影響，對醫院評鑑與藥師人力資源分配也是十分之重要。本研究是建立在一醫院藥事智慧決策管理框架，根據現有之醫院既有之資料進行分析並以視覺化方式呈現數據資料作業。並結合醫院評鑑及智慧醫療的各類管理指標; 如1.藥品管理缺品提醒，2.臨床副作用事件及異常事件，3.病患服務構面如候藥時間等，透過線上即時預警及常態追蹤以達監控目標。此外，更可簡化與加速藥事決策效率，透過圖型化數據資訊系統，可以方便簡化決策考量，預計改善決策效率3

0%以上。同時，可即時更新藥事與相關作業管理資訊，數據資料原始狀態是屬於資訊不對稱的狀態；將可透過即時更新，在行動載具上獲得資訊內容。