第 10.9 節分析實務 10.11。以共病網路產生潛在共病特徵，再以深度學習預測住院天數。
理解網路分析如何產生新預測特徵，以及小幅統計改善如何可能對大型醫療系統產生巨大經濟影響。
研究使用 Cerner 電子病歷資料倉儲，先建立男女共病網路，再根據病人已知疾病、歷史疾病與可能疾病產生「潛在共病」特徵，最後用模型預測住院天數（Length of Stay, LOS）。
| 原書指標 | 數值 |
|---|---|
| 電子病歷患者 | 超過 2,470 萬 |
| 醫院 | 662 家 |
| 資料期間 | 2000–2015，共 16 年 |
| 建立共病網路樣本 | 約 300 萬名患者 |
| 獨特疾病 | 15,584 |
| 男性網路 | 11,898 疾病、249,902 條連結 |
| 女性網路 | 12,719 疾病、267,170 條連結 |
| 每次入院推定疾病 | 取網路中前 5 個最相關疾病 |
| 平均住院成本（原書引用 2020） | 約 14,900 美元 |
| 加入潛在共病後解釋變異提升 | 3.6% |
| 平均絕對百分比誤差改善 | 1.9% |
| 原書換算預測改善價值 | 約 8.828 億美元 |
第一步建立男女分開的共病網路；第二步根據入院時已知疾病，找出網路中前 5 個相關疾病，與歷史疾病合併成潛在共病；再以長短期記憶網路（Long Short-Term Memory, LSTM）建立有／無潛在共病的 LOS 模型比較。
女性網路比男性多 821 種疾病（12,719−11,898）與 17,268 條連結（267,170−249,902）。加入潛在共病後，解釋變異增加 3.6%、平均絕對百分比誤差改善 1.9%；原書指出此改善等值於約 8.828 億美元的預測改善價值。
統計改善看似只有幾個百分點，但在數千萬患者與高住院成本情境下可能具有巨大實務價值。網路分析也讓模型在入院早期推定可能出現的共病，支援床位、人力與財務規劃。
根據原書男女網路節點／連結數、3.6%、1.9% 與 8.828 億美元，解釋為何小幅模型改善仍可能具有高度管理價值；不得自行推導個別病人的醫療決策。
問題： 若另一模型只改善平均絕對百分比誤差 0.95%，在其他條件完全線性不變的教材假設下，對應價值約多少？
參考解答： 0.95% 是 1.9% 的一半，因此線性假設下約為 882.8÷2 = 約 4.414 億美元；原書沒有聲稱效益線性。