分析實務 7.5。以急診部門（Emergency Department, ED）72 小時回診預測說明結構化＋非結構化資料、Doc2Vec、深度神經網路（Deep Neural Network, DNN）與敏感度分析。
理解臨床文字嵌入、訓練／測試資料切分、成效指標，以及非結構化醫師紀錄帶來的增益。
研究以 New York City 四家主要醫院的急診醫師整合照護（Emergency Physicians Integrated Care, EPIC）資料，預測出院後 72 小時內回到急診部門的患者。
| 原書設定 | 數值／內容 |
|---|---|
| 醫院數 | 4 |
| 期間 | 2015 年 1 月–2019 年 4 月 |
| 排除條件 | 年齡 <18 歲；每年 >4 次 ED 就診 |
| 就診次數 | 657,752 |
| 不重複患者數 | 382,624 |
| 72 小時內回診 | 38,630 次；原書稱約 5.5% |
| 醫師紀錄嵌入 | Doc2Vec，300 維 |
| 訓練／測試 | 80%／20%，隨機分層 |
| 工具 | 透過 KNIME 使用 TensorFlow＋Keras 後端 |
結構化生命徵象／人口統計／診斷資料與自由文字醫師紀錄結合；紀錄先進行轉小寫、詞形還原、移除標點等前處理，再用 Doc2Vec 轉為 300 維向量，最後訓練 DNN。
| 指標 | 僅生命徵象／病史／人口統計 | 加入醫師紀錄 | 提升幅度 |
|---|---|---|---|
| 準確率 | 0.668 | 0.748 | 0.080 |
| 敏感度／召回率 | 0.615 | 0.756 | 0.141 |
| 特異度 | 0.671 | 0.747 | 0.076 |
| 接收者操作特徵曲線下面積（Area Under the Receiver Operating Characteristic Curve, AUROC） | 0.674 | 0.766 | 0.092 |
原書另寫最終 DNN 可預測 74.8% 的回診個案，AUROC = 0.766。
加入醫師紀錄後四項指標都改善，尤其召回率提升 0.141。敏感度分析指出年齡、保險、慢性腎臟／心臟／呼吸系統疾病、心衰竭、頭部／頸部創傷等重要因素。此模型被定位為臨床決策支援，而非自動取代臨床判斷。
依表 7.3 比較加入／未加入醫師紀錄的四項指標；保留原書 38,630 與「約 5.5%」兩項描述，不要自行把兩者調整成一致。
問題： 哪個指標提升最大？
參考解答： 敏感度／召回率，提升 0.141（14.1 個百分點）。