本應用程式以急診準備收治入院到一般病房之非外傷患者為目標族群。根據本團隊先前成果，收治到一般病房但在72小時內發生無預期病情惡化的患者中，超過七成來自急診，顯示現行流程對高風險患者辨識仍有改善空間。針對本議題，本系統運用患者在急診常規既有的檢傷、生理訊號等臨床資料，建構預測模型並提供可解釋的風險評估，期望降低患者發生無預期病情惡化風險。 本解決方案在患者準備轉入一般病房時，自動啟動評估模型。低風險患者不觸發任何警示，只針對高風險患者提供警示訊息，醫師依模型使用之特徵進行專業判斷，可採納建議，取消轉床傳送並進行後續處置，或是繼續原有流程，並決定是否提示一般病房同仁加強後續監測。
一、問題痛點說明 在急診部門的非外傷病患收治流程中，是否需入住加護病房（ICU）或一般病房（General Ward），往往必須在極短時間內由醫療人員依據有限且分散在不同資訊系統的即時臨床資料進行判斷。此類關鍵決策高度仰賴臨床經驗，容易受到急診壅塞、人力負荷與資訊不完整等因素影響，導致部分實際具有高風險的患者被收治於一般病房後，出現非預期病情惡化。 此類非預期惡化事件之處置為急救處置與緊急轉入 ICU，不僅增加醫療團隊即時應變壓力，也可能延誤適當治療時機，進而提高醫療風險與不良預後發生率。現行臨床流程中，尚缺乏能於急診階段即整合既有臨床資料，提供即時、客觀且可解釋之重症風險評估輔助工具，使急診分流與病房配置決策仍存在可改善之臨床痛點。 二、目標族群與影響人數 本問題主要影響對象為急診非外傷且需住院之成人患者族群。在大型醫療機構中，該族群通常佔急診住院患者的主要比例，其中相當比例最初被評估為可入住一般病房，卻潛藏短期內惡化之風險。此外，該問題亦直接影響負責檢傷、分流與病房配置的急診醫師、護理人員，以及後續接手照護的病房醫療團隊。由於缺乏即時風險輔助工具，臨床人員需在高壓與高不確定性的環境下做出關鍵決策，增加醫療負荷與決策壓力，並影響整體照護流程與資源配置效率。 三、使用此系統後的短、中、長期影響 本應用程式透過整合電子病歷中的檢傷資訊與生命徵象資料，運用機器學習模型於急診階段即進行短期病情惡化與重症風險預測，作為臨床決策輔助工具。 短期影響方面，系統可協助醫護人員在病房配置決策前及早辨識潛在高風險患者，降低急性惡化未即時介入的情形，減少急救事件與緊急轉入 ICU 的發生。 中期而言，透過提升急診分流與病房配置之精準度，有助於改善 ICU 與一般病房之資源配置，降低非計畫性 ICU 轉入比例，並可望縮短部分患者之住院天數，提升整體醫療資源使用效率。 長期而言，本系統可作為急診病人安全風險管理之輔助工具，促進高風險患者之早期辨識與持續監測，進而提升病人安全文化與相關醫療品質指標表現，對急診照護體系與整體醫療品質帶來具持續性的正向影響。
