已經跟呼吸一樣重要的網路和手機論文書籍站
國立中正大學 資訊管理系研究所 胡雅涵、李珮如所指導 宋昇峯的 以監督式機器學習探討電子病歷中非結構化資料對早期預測中風後功能復原後果之價值 （2021），提出iSCORE關鍵因素是什麼，來自於急性缺血性中風、電子病歷、功能復原後果、機器學習、敘述式臨床紀錄、自然語言處理、風險模型、預測。
而第二篇論文高雄醫學大學 高齡長期照護碩士學位學程 黃耀斌所指導 彭郁婷的 以連續性理論探討高齡中風者返家生活之調適經驗 （2020），提出因為有 連續性理論、高齡中風者、生活調適的重點而找出了 iSCORE的解答。
iSCORE進入發燒排行的影片
以監督式機器學習探討電子病歷中非結構化資料對早期預測中風後功能復原後果之價值
為了解決iSCORE 的問題，作者宋昇峯 這樣論述：
中風是導致成人殘障的重要原因，中風功能復原後果的精準預測，能協助病人及家屬及早準備後續照顧事宜，衛生政策制定者也能依此預測結果適切規劃人力與資源，以投入中風病人的急性後期與中長期照護。目前的中風功能復原後果預測模型皆是以結構化資料建立，甚至最新使用數據驅動方式發展的機器學習預測模型依然是以結構化資料為主。相對的，照顧病人所製作的大量敘述式病歷文字紀錄，即非結構化資料，反而甚少被使用。因此，本研究的目的，即是使用監督式機器學習來探討非結構化臨床文字紀錄於急性缺血性中風後之初期預測功能復原後果之應用價值。在6176位2007年10月至2019年12月間因急性缺血性中風住院之病人中，共3847位病
人符合本研究之收案/排除條件。我們使用自然語言處理，萃取出住院初期之醫師紀錄及放射報告中之臨床文字紀錄，並且實驗了不同文字模型與機器學習演算法之組合，來建構中風功能復原後果的預測模型。實驗發現使用醫師紀錄時，操作特徵曲線下面積為0.782至0.805，而使用放射報告時，曲線下面積為0.718至0.730。使用醫師紀錄時，最好的組合為詞頻-倒文件頻加上羅吉斯迴歸，而使用放射報告時，最好之組合為基于轉換器的雙向編碼器表示技術加上支持向量機。這些基於純文字的機器學習預測模型並無法勝過傳統的風險模型，這些傳統模型的曲線下面積為0.811至0.841。然而，不管是以曲線下面積、重分類淨改善指標、或整合式
區辨改善指標來評估，臨床文字紀錄中的資訊的確可以增強傳統風險模型的預測效能。本研究之結論為，電子病歷中的非結構化文字經過自然語言處理後，不僅可以成為另類預測中風功能復原後果的工具，更可以增強傳統風險模型的預測效能。透過演算法來自動擷取並整合分析結構化與非結構化資料，將能提供醫師更好的決策支援。
以連續性理論探討高齡中風者返家生活之調適經驗
為了解決iSCORE 的問題，作者彭郁婷 這樣論述：
本研究旨在了解在連續性理論的框架下，高齡中風者返家生活的調適經驗。以立意取樣並選取五位符合研究對象之要求的高齡中風者，透過質性研究之一對一半結構式訪談、施測巴氏量表蒐集資料，並使用敘事分析，試圖理解參與者對於自身返家生活調適之想法。在討論部分，研究者以連續性理論為框架，探討疾病帶來的破壞性與參與者如何保持連續性。 研究結果發現，我們可以從生命故事中試圖理解高齡中風者如何應用連續性概念及符號建立生活的連結，以及符號所代表的意義。連續性程度越高者其適應結果越好；但以巴氏量表評估，日常生活活動功能分數低者不表示其調適的結果較差。高齡中風者適應慢性期的調適過程，個人需經歷一段漫長的慢性
病失能的心理社會適應，並且每個人所需的時間不一致。適應的時間和適應結果應與個人的自我接納、身體失能的程度、個人與家庭或社會的互動關係有關，不僅僅由單一因素影響。 對應高齡中風者返家生活調適需求，與長照服務之連結，結果顯示五位參與者有居家照顧服務、輔具及居家環境改善服務之需求。藉由整理接受長照服務的經驗，也呈現出照顧服務滿意度、照顧態度為參與者所重視。另外，未申請居家照顧服務的原因為家庭長期使用外籍看護工；未申請輔具與居家無障礙環境改善服務的原因為輔具資源未可得，以及居家無障礙環境改善服務資訊傳遞的延遲，導致參與者在出院前不久才考量此需求。最後，本研究建議可將連續性理論的概念納入長期照護從
事人員的訓練中，以增進對高齡中風者的心理社會層面的了解與支持。