臺北榮民總醫院鄭浩民教授與陽明交通大學曾新穆教授團隊宣布，成功開發出基於多模態學習之心衰竭病人再入院與死亡風險預測技術，該技術可透過多模態資料融合和深度學習技術，有效提升預測準確率，為醫護人員提供更有效的治療決策依據。

融合病歷及多重影像，自動提取有效特徵進行預測

鄭浩民教授表示，心衰竭是一種嚴重的慢性疾病，其再入院與死亡率高。傳統的預測方法主要依靠單一工具或基礎臨床變項與單一生物標記，難以準確反映疾病的複雜性。團隊開發的多模態學習技術，可融合病歷資料、心電圖、胸腔 X光等多種資料，並利用深度學習技術提取出有效的預測特徵，從而大幅提升預測準確率。

在心衰竭病患再入院與死亡風險預測中，病歷、心電圖、胸腔 X光等資料都反映了病患的不同層面病況，透過多模態資料融合，可以更全面地瞭解病患的健康狀況，而深度學習技術則可以自動從多模態資料中提取出有效的預測特徵，降低人工特徵工程的成本和難度，並進一步提升預測準確率。

精準預測！ AUC值高達 0.92

該技術利用深度學習技術自動提取有效的預測特徵，降低人工特徵工程的成本和難度，並大幅提升預測準確率。在預測心衰竭病患再入院與死亡風險方面，該技術的 AUC值最高可達 0.92 和 0.90，展現出卓越的預測能力，可為醫護人員提供更可靠的參考依據。

本技術是心衰竭病患預後評估領域的一項重大突破，有望為心衰竭病患的治療提供新的策略，改善心衰竭病患的預後。

詳細資訊→基於多模態學習之心衰竭病人再入院與死亡風險預測|臺北榮民總醫院鄭浩民教授|第20屆國家新創獎