ehr人資的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

詞嵌入增強之統計準則式方法於病例去識別化之應用

為了解決ehr人資的問題，作者王鳳鐸 這樣論述：

現今網路的發展下，要取得大量的訓練資料，並非是一件難事，但如果是要取得一些會涉及到個人資訊的資料 (如：合約、病例)，就會衍生出相關的法律問題，舉例來說健保署於2016年時，就有因公布健保資料，導致發生行事訴訟。因而，要在這些資料上，去衍生出模型或是應用，往往需要把含有個人訊息的資料（如:人名,身分證字號,地址,電話,年齡…等等)去做改寫或是替換。例如: 可以把原年齡都往上增加十歲，假設原年齡為20歲，便可改成30歲。便能保護原資料者的個人訊息 ，同時在使用這些資料時 ，不會破壞掉原資料的架構與內容。本研究提出以語言模板(Linguistic Patten)為基礎，結合深度學習的做法，建構命

名實體識別(Named Entity Recognition)模型，相較於現今實驗大多以深度學習為主，此方法能有較好的可讀性且容易維護，並同時兼具高準確率的優點。我們將以此研究方法建構病例去識別化模型，同時將模型與現今實體識別模型去做比較。

利用自然語言處理及機器學習早期識別兒童生長障礙

為了解決ehr人資的問題，作者程春燕 這樣論述：

目的：生長異常是兒科醫生重視且關鍵的臨床狀況，研究兒童生長障礙的主要原因是確定可能威脅兒童未來健康的狀況。而兒童病理性的身材矮小發生率約5%，對於身材矮小應及時識別、診斷和適當治療，因此監測生長障礙在兒科醫療保健中至關重要。由於人工智慧在醫學影像及診斷上應用廣泛提供精準醫療輔助，而本研究目的利用機器學習協助初級保健醫師及早準確地診斷兒童生長障礙。方法：在本回顧性試驗研究中，通過臺北醫學大學臨床研究資料庫申請臨床試驗，使用其臨床研究數據庫的門診病童的臨床生長數據資料分析共112267筆資料(臺北醫學大學附設醫院的訓練測試集85743筆，及萬芳醫學中心的外部驗證集26514筆) 。應用Pytho

n及自然語言處理在電子病歷紀錄，進行文字探勘及資料前處理，並運用機器學習演算法評估生長障礙，比較多種機器學習模型分類器，包括決策數、K-近鄰演算法、隨機森林、邏輯斯迴歸、支持向量機、多層感知器機、自適應增強機、梯度提昇機和極端梯度提昇機，來預測初診追蹤一年病童的生長障礙。為了最佳預測模型，同時採用特徵選取和不平衡方法，來找到最佳特徵集以及平衡結果。此外，加入電子生長曲線表追蹤身高及體重的百分位、父母身高中值≧1SDS及≧2SDS標準差距、骨齡值與實際年齡≧1SDS及≧2SDS標準差距、生長速率≦5cm/年生長指標，來提高生長障礙診斷的準確性。結果：在前12次門診紀錄模組或混合特徵選取模組分析，

訓練測試集或外部驗證集在機器模型隨機森林、梯度提昇機和極端梯度提昇機表現皆旗鼓相當且穩定。其中隨機森林在混合特徵選取模組，相對其他演算法運算快速，在身材矮小或性早熟分類診斷的驗證表現上：準確性0.88、靈敏度 0.91、特異性0.86、F值0.88、準確度0.89。另外在生長指標以骨齡≧2SDS標準差距、或目標身高≧2SDS標準差距或生長速率≦ 5公分/年的分類驗證表現更顯著優異：準確性0.90、靈敏度 0.92、特異性0.87、F值0.91、準確度0.89。討論：本研究使用不同的機器學習演算法，在兒童身長障礙分類診斷上具有穩定及極好效能，在上述所有演算法中，隨機森林是一項快速方便的精準醫療診

斷的演算法。此外，在文字探勘藥物治療紀錄及疾病診斷資訊，與醫院結構化的ICD10診斷碼相符合度47.15%，與藥物相符合度86.03%，並且額外提取11.23%藥物資訊補足原醫院結構化的藥物欄位完整性，提供未來研究者參考。