胡智強 作品
CLINICAL ML
人工關節感染術前診斷
模型跑得出結果，
不等於醫院用得上。
所以做到能部署為止。
角色 建模・前後端・部署
技術 scikit-learn・XGBoost・SHAP・pyeda・Flask・Docker
資料 324 筆紀錄，11 項臨床特徵
問題在哪
人工關節置換後的感染，必須在翻修手術前判斷，
依據的是血液數據與共病指數，而不是確診。
模型準確是必要的，但不夠——
臨床端得看得到它為什麼這樣判斷。
做了什麼
由 stacking 集成模型做預測，
再用 Random Forest 去解釋它，
並把產生的決策規則最小化到短得能讀。
結果旁邊附上 SHAP 值，
讓單一個案可以被討論，而不只是被接受。
怎麼進到醫院
Flask 前後端、登入、病患資料、互動式預測頁面，
包進 Docker，才能架在筆電以外的地方。
規則最小化很吃運算——啟動要兩分多鐘——
那是值得在啟動時付一次、而不是每次請求都付的代價。
324 筆病患紀錄
11 項臨床特徵
2 個模型：一個預測，一個解釋