文章介紹
有下泌尿道症狀（如頻尿、夜尿、排尿困難）的病人，往往也有高血壓、糖尿病、高血脂等代謝疾病，而這些病人未來發生急性冠心症（ACS）或中風的風險明顯較高。因此沈姿岑醫師團隊希望透過機器學習，建立一個能夠早期預測的模型，即時精準評估個別病人心腦血管事件風險。
沈醫師團隊回顧奇美醫院 2001-2018 年共 1799 位有下泌尿道症狀的病人，收集與心腦血管疾病相關的臨床變數，利用六種不同的機器學習方法建立模型，並比較其在預測三年內急性冠心症或中風的準確度。
研究分析顯示，多層感知器（MLP）模型的表現最佳，在預測病人三年內發生急性冠心症或中風時，曲線下面積（AUC）達 0.803，優於其他模型。這代表透過 MLP，可以有效區分高風險與低風險病人。
研究團隊認為，機器學習能幫助臨床醫師更精準地預測下泌尿道症狀病人的心血管風險，若能整合到臨床系統中，就能在門診快速產出個人化風險，協助醫師做出治療建議，例如提醒病人改善生活習慣、提升用藥遵從度，甚至及早轉介與介入，達到預防重大心血管事件的目的。
恭喜沈醫師！
寫 Introduction 時，重點不是鋪陳得多完整，而是能否直擊研究的核心價值。最有效的方法，就是從結果出發：先看這篇研究帶來了什麼新的發現，再挑選與結果最相關的文獻放進 Introduction。
這樣一來，脈絡就會非常清楚：過去在這個議題上已經知道什麼、還缺少什麼，而你的研究正好補上這個空缺。這種「畫靶射箭」的方式，能讓 reviewer 在第一時間就明白，這篇文章的重要性與新意。影片中，講師會清楚說明，如何把 Introduction，讓 reviewer 一讀就心服口服？
最新活動
