近年來，不同的統計及計算方法，被使用在臨床上用來預測疾病的預後、
臨床診斷及治療。除了傳統上使用的統計方式，如：區別分析 (discriminant analysis) 及邏輯迴歸分析 (logistic regression)。類神經網路已經成功地廣泛使 用於：型態鑑別 (pattern recognition)、臨床的診斷、及預後的預測。 類神經 網路的優勢在於可以找出，與我們想預測的結果有關的輸入變數之間，非線 性的複雜交互作用。再者，類神經網路與一般傳統統計方法不同的是，它可 以透過實例的輸入學習來建立而非一般傳統統計方法事先設計好程式。
Forsstrom 及 Dalton 指出，類神經網路是一種以電腦 基礎的型態鑑別 (Pattern recognition)方法，是以模擬人類腦細胞糸统的網路科學。網路的個別 輸入變數又稱為一個“神經元 (neuron)”，可以從另一個神經元接受抑制 (inhibitory) 刺激或興奮刺激 (excitatory)。類神經網路可以辨識出其他方法無 法辨識，且不明顯相關的輸入變數之間的關係，因而增加其預測的準確性。
所以，許多醫學決策支系統 (medical decision support system; MDSS)成功使用 類神經網路來解决複雜的資料庫問題（43）。
李 友 專 教 授 等 人 在 2000 年 發 表 了 以 多 層 感 知 機 網 路 (Multi-Layer Perception; MLP)，半徑式函數網路 (radial-basis-function; RBF ) 及邏輯迴歸模
式 (logistic regression; LR) 來建立一個外傷性腦受傷的醫學決策支系統 (medical decision support system; MDSS)。作者將病患的昏迷指數，顱骨骨折 的類型，癲癇等當成輸入變數來預測，那些病患最終會被神經外科醫師建議 進行開顱手術。作者利用“中華民國頭脊髓外傷研究小組”的全國頭部外傷資料 庫，取 1992 年到 1994 年共 12,640 位病人，並隨機抽樣 9,480 人，來訓練及 建立起類神經網路模式，再以3,160 位病人來驗證這個模式。結果，多層感知 機網路(MLP)的敏感度及特異度為 88%及 80%，半徑式函數網路(RBF)為 80%
及80%，邏輯迴歸模式(LR)為 73%及 68%。而 Receiver-Operating Characteristics (ROC)曲線算出，曲線下的面積 (area under curve; AUR) 分別為 0.897、0.880 及 0.761。作者認為類神經網路比傳統統計學更好，可以當成醫學決策支持系 統來解決一些更複雜的，而且非線性的問題（44）。
2003 年國內，許明輝等人建立神經網路，來預測頭部外傷後電腦斷層結 果。作者以十個輸入變項，包括了病人的臨床變數：性別、年齡、昏迷指數、
血壓 (收縮壓、舒張壓)、心跳速率、瞳孔光反應、是否飲酒？是否伴隨其他 傷害？與受傷機轉 (車禍、暴力、跌落、其他)。在區域醫院共收集了 150 例，
有接受頭電腦斷層掃描檢查。其中 100 例作為訓練之用，50 例作為驗證之用，
以各種不同輸入的變數組合來預測頭部電腦斷層掃描結果是否為正常，及頭 部電腦斷層掃描結果是否出現具外科意義之血塊。共訓練 9 組類神經網路結 果，類神經網路在預測頭部電腦斷層掃描檢查結果正常與否，其敏感度可達
81.48%，專一性可達 100%。至於預測頭部電腦斷層掃描檢查結果是否出現具 外科意義之血塊，其敏感度可達 92.11%，專一性可達 83.33%（45）。
Madhumita Sinha 等人以類神經網路，來預測小兒頭部外傷後，電腦斷層 是否異常？作者以回溯性方式找出 382 個頭部外傷及做過電腦斷層的病人，
用以建立起類神經網路，再以前瞻性的收集了 351 位，有頭部外傷及做電腦 斷層的病人，來驗證類神經網路。另外，作者也請臨床醫師在做電腦斷層前，
先以臨床症狀來預測病人的電腦斷層是否異常，及建立起邏輯迴歸的模式。
結果發現 351 人中有 55 位 (12.9%) 病人電腦斷層顯示異常。類神經網路預測 頭部外傷的敏感度是 82.2%，而醫師預測的敏感度是 62.2%。因此，作者認為 類神經網路可以用來幫助急診科醫師，判斷頭部外傷後電腦斷層是否有異常
（46）。