公共政策網路參與平臺

年計畫經費

0(千元)

年度目標

1. 資通訊整合照護模式效益評估，建立精準長照人力需求預測模型，創造以需求為導向之跨域整合生態系。2. 發展長照巨量整合分析機器學習及人工智慧演算法，建置長照服務預測模型，評估預測準確率及模型調整。3. 擴增5G-VR收案據點；與四家醫院合作發展多元失智症照護模式；失智症性表達行為量表之臨床收案。4. 驗證健康管理服務模式內容及系統化評估流程，並與業界討論可行的商業模式雛形。

重要執行成果

計畫亮點:「1. 分項一運用資通訊科技建構醫療長照歸人連續性照護整合模式，並建立精準長照人力需求預測模型：(1)本計畫以部立豐原醫院為驗證場域，利用醫療資訊系統與長照系統歸人資訊串接技術功能，支援醫療及長照專業人員可雙向參考個案醫療及照護相關資訊，進而發展「創新歸人醫療長照整合服務模式」。今年(112年)完成擴大串接資訊範圍、推行與利用效益評估，俾利收集成功複製至其他場域的關鍵因素。評估結果顯示此模式的導入有利家醫科與新陳代謝醫師處理長照個案的血壓血糖病情控制，未來可整合醫院鄰近地區的外部體系長照單位資訊系統，進一步提升這個模式的價值。(2)為建立精準長照人力需求預測模型，本計畫使用隨機森林法預測長照服務需求，結果顯示全國各縣市在高失能風險、長照2.0參與率和照服員需求等方面存在明顯差異。全國55歲以上高失能風險盛行率為19.2％，直轄市相對較低，花東、離島、雲嘉地區較高，雲林和嘉義更達26.9％和27.9％。平均長照2.0參與率為34.3％，北部較低，花東、離島表現較高，尤其花蓮高達50.3％。研究顯示縣市多樣性反映共病、社會經濟和長照資源差異。透過服務使用時數和申報率估計縣市照服員需求FTE。六都的需求佔全國六成，其中台北最高。校正至55歲以上人口後，花蓮、台東55歲以上人口每萬人需求照服員FTE最高，分別是109和107，新北最低為38。研究模型推估各縣市照服員需求人數普遍高於實際約40%，部分原因是高估參數使用和地方人力資源差異。各縣市推估和實際照服員人數高度相關（係數0.87），顯示模型對地方照服員人力規劃具參考價值。建議未來考慮更多縣市層級參數以提高推估精確性，並制定差異化的長照政策以滿足各區域需求。2. 分項二運用大數據分析，發展長照巨量資料整合分析，運用機器學習法及人工智慧演算法進行照顧者與被照顧者歸人綜效分析：(1) 完成居家專業復能服務介入成效分析，對於個案的日常生活活動功能及失能等級有正向的改善。(2) 結合長照資料開發CSI_based量表並結合評估訪視狀況完成驗證，提供另一種評估照顧負荷的工具選擇。3. 分項三發展多元失智症照護模式，今年發表2篇研究成果於BMC Geriatr (23(1):339)和Int J Geriatr Psychiatry (38(9):e6003)國際期刊。此外，失智個管系統的應用有助於改善個案精神行為症狀嚴重度，提升失智照護品質，目前已推廣至7家醫院使用。4. 分項四透過智慧物聯網及AI科技建立中高齡人口的自主健康管理與健康促進方案、發展台灣本土跌倒預測模型與防跌加值模組：(1) 研究參與者在整體身體功能、下肢肌力與肌耐力及心肺功能)皆有明顯進步，p<0.001；同時研究參與者滿意度結果顯示，手錶搭配 app使用，有助於了解自身健康狀況。(2) 建構台灣本土跌倒預測模型：運用本院HALST研究、國內中老年人調查及UK biobank等資料庫進行資料分析與驗證: 於本國測試資料，本模型預測跌倒之AUC 為0.71；於他國測試資料，本模型預測跌倒之AUC 為0.68。在不同國家場域(如UK) 和不同的本土場域進行模型驗證，皆觀察到相當的預測力。(3) 完成台灣中高齡防跌運動計畫program雛型及防跌運動app架構設計。」 / 關鍵成果:「1. 透過完成「創新歸人醫療長照整合服務模式」之擴增歸人資訊串接範圍，達成醫師端可透過HIS門診/急診/住院系統同時檢視個案醫療與長照資料，提高照護所需可互通的資訊範圍，此優化個案往返醫療長照之間的部分流程效率；亦有利掌握個案連續性照護各階段重要照護狀態與資訊，如透過即時查看長期生命徵象趨勢圖，助判斷病情，適合長照個案慢性病常規回診的用藥調整。2. 完成國衛院智慧長照小幫手的LINE機器人建置，其中Q&A功能彙整我國長照相關公家單位及學會資訊，提供民眾免費使用並增加對於長照政策的認識。3. 完成五處VR佈點，期望透過虛擬實境懷舊介入能延緩認知功能退化與減輕家屬照顧負擔；培育172家失智友善醫事單位、45位輔導醫師至據點進行衛教課程，期望能早期發現社區中疑似失智個案，早期轉至失智共照中心診斷確診並進行個案管理，提升失智照護品質；透過失智症性表達行為量表，瞭解失智者性相關問題，以及對照顧者造成的困擾，期望能將此行為予以科學化、量化，成為治療之參考指標，並進一步給予衛教。」