由電子病歷資料探勘支援憂鬱症醫療決策之資訊

憂鬱症疾病對社會及勞動力有重大影響，因此愈來愈受到重視。本計畫的研究目的，是從使用者社交網絡提問文本之意圖類型偵測系統，擷取出精神科疾病提問意圖，以了解憂鬱症相關醫療患者所需資訊。本研究提出三種類型的特徵資料，第一種是詞嵌入向量產生向量維度之間的關聯性特徵資料﹐第二種是每個單詞與醫療概念關鍵字相似度特徵資料，第三種是詞性嵌入向量特徵資料。本論文並提出兩種基於卷積神經網路的學習網路，第一種是CNN Joint Model，利用多種特徵資料的特徵向量，學習預測提問文本之意圖類型，第二種是Ensemble CNN Model，每種特徵資料會先獨立預測提問文本之意圖類型程度值，並利用Ensemble參數學習每個特徵比重，再將每個特徵資料的預測結果與比重相乘後再相加，用以調整模型預測結果。實驗結果顯示，醫療概念關鍵字特徵與詞向量維度關聯特徵同時作為輸入特徵時，能更有效地預測提問文本的意圖類型，再與傳統的詞嵌入向量或詞性嵌入向量做為同時輸入的特徵資料時，可使模型分類效果提升。透過實驗綜合評估，當系統推薦程度值大於門檻值0.3的意圖類型時，可以實現最佳的意圖類型預測效果，F1評估值可達到0.75。