资料探勘在慢性病预测模式之建构.ppt

討論（續） 就醫學傳統的做法是運用統計的邏輯斯諦迴歸的方法來做預測，那為何要捨棄統計的方法而就人工智慧的技術與方法呢? 乃是因為邏輯斯諦迴歸是屬於線性迴歸的預測方法，就其預測出來的參數變項雖然對預測的目標變項是顯著的，但其解釋目標變項的解釋度無法完全解釋，因此就必須借用人工智慧的技術與方法來克服目標變項的解釋度能夠儘可能完本研究的過程與結果優勢如下，以GA-CBR 演算法使用在醫院中的資料庫分析，就其適用的優點而言。它是可以在線上學習，並且是可以繼承學習、且建構GA-CBR 是比統計與類神經網路的成本低且快速。全被解釋。 討論（續） 案例庫推理主要的優點是容易獲得分析資料的知識，重要的屬性是容易被保留和學習的能力。GA-CBR 也是擷取相同的知識、穩定、相較規則庫系統是容易維護、結果容易解釋與校正、容易被使用者接受、知識的擷取。當然在對大型的案例庫方面執行需較長時間，雜訊控制也較為困難，所以在資料整理時就必須將雜訊去除。就研究結果在K-NN 部分，比較K=1, 3, 5, 7, 9,11 時，根據結果顯示不管是3D 人體體型等屬性或是Org 生理檢測數據等，這兩個資料集的執行結果都顯示當K=3 時其學習誤差最小。而相對於類神經網路、GPCT、GPMRT而言GA-CBR 執行正確性也是很高的，唯有高血壓在Org 生理檢測數據資料集的預測誤差百分比較大。GA-CBR 在預側糖尿病的三維人體體型等屬性其誤差值有13.8559，其生理指數之誤差值為8.9086。在預側高血脂的三維人體體型等其誤差值有17.7762，其生理指數之誤差值為8.6342。在預側高血壓的三維人體體型等其正確率有83.4 %，但生理指數正確率只有66.3%。 討論（續） 此次研究希望從預測模式，找人體體型中還有哪些部位對慢性疾病有相關性。針對三種慢性病研究結果討論如下；在糖尿病方面，就人體體型資料發現除了腰臀比代表肥胖外，也找到另一個變項腰圍輪廓面積，與糖尿病有顯著正相關，。家族史糖尿病的變項表現出顯著性意味基因遺傳的機率很高，而飯後血糖也很顯著正相關。在高血壓方面，就人體體型資料而言也發現除了腰臀比、體重代表肥胖外，找到另外三個變項腰圓周長、身體表面積、左手臂體積與高血壓有正相關表現顯著。在高血脂方面，就人體體型資料而言，腰臀比與身體質量指數表現顯著代表肥胖。而在腰圓周長也很顯著，其它如有抽菸、三酸甘油脂、疾病史慢性肝炎、極低密度脂蛋白過高等也都是引起高血脂重要危險因子。 討論（續） 最終研究發現在三種慢性病的3D 預測中得知腰臀比是比身體質量指數顯著的。 綜合討論以上發現與之前不同處為何? 對於3D 人體體型資料、家族史、生活型態、生理數據等危險因子與傳統的生理數據鑑別診斷差別有何不同呢?。由研究結果顯示傳統的生理數據的預測能力與3D 人體體型等資料的預測能力在K=3 時是幾乎接近相等的，唯有在高血壓時兩組資料集的預測誤差百分比差異性較大。 但是3D 人體體型等資料的預測模式是較能讓臨床醫師解釋與說明慢性病的病情與病患的瞭解。 結論 使用GA-CBR 演算法在醫院中的資料庫分析最適用，因為有足夠的案例且容易在短時間內便可建置完成。。就目前醫院大部分都停留在把醫院的資料拿出來作人事、醫療成本費用等等分析。資料探勘運用在醫院的資料庫上做診療與疾病的相關性是較少見到。為提高醫院對病患的服務管理，應善加利用資料探勘於醫療與醫務領域。 * 資料探勘在慢性病預測模式之建構 資 4 B 陳信丞 藍彥志 蕭至淳 林宏俊 緒論 慢性疾病取代傳染性疾病，國人對慢性病忽略，與部份相關危險因子存在生活環境中。糖尿病、高血壓、高血脂引發之疾病位於十大死因當中。 研究動機 探究疾病之預防因子，在醫療上希望藉由一個預測模式中輸入變數與輸出變數之相關性，輔助鑑別診斷以提高診斷正確率，形成預防衛教模型，比起現有疾病治療模式更為有效。 研究目的 一個預測模式對臨床醫師們平常工作在危險因子無法正常判斷預測時輔助預測危險因子。在醫學預防的角度來看，危險因子的蒐集可從有效調查代替生化檢驗或檢查。 研究方法與目標 以3D人體體型資料為主體、中間介子為生理診斷數據、干擾因子有個人危險因子的疾病史及生活型態以及家族基因遺傳疾病史。運用資料探勘的混合人工智慧技術與方法，以基因演算法及案例庫推理的結合(GA-CBR)作慢性病預測，與只用生理診斷與疾病症狀做診斷的慢性病預測，前後兩者正確行為何？結果希望經由此慢性病預測模式以達到疾病在罹患早期或前兆就能預防 案例庫推理 新 案 例 建 議 解 確 認 解 取 回 案 例 案 例 庫 Retrieve Revise Retain Reuse 案例庫