臺北醫學大學醫學資訊研究所學位論文
臺北醫學大學,正常發行
選擇卷期
- 學位論文
在試管嬰兒（In Vitro Fertilization,IVF）療程中影響療程的成功與否雖然有很多因素，但其中最為主要的因素，則是誘導排卵的反應、胚胎品質及胚胎著床因素等，因此所有醫師在病人進入試管嬰兒療程時，希望借助許多生理指標來治療病患並用這些生理指標提前預判療程是否成功及病患的懷孕機率到底有多大，而常用來作為醫師判別的指標有年齡、BMI值、腰臀比、外觀以及許多抽血檢驗的生理數值；最常用的如 濾泡刺激素(Follicle-stimulating—hormone,FSH)、黃體刺激素 (Luteinizing hormone,LH)、泌乳素 (Prolatine,PRL)、睪丸酮(Testosterone)、SHBG (Sex hormone-binding globulin) 以及抗穆氏管荷爾蒙 (Anti-Mullerian hormone,AMH)，運用針對各種不同的生理指標進行研究與測試中，並藉由研究與實驗的過程，了解指標的變化，進而能夠達到提升試管嬰兒療程的懷孕率目的。近年來有科學家研究指出，上述的生理指標對胚胎品質影響甚巨，根據統計分析顯示病患年齡、AMH等指標在臨床上對懷孕率是具有顯著的意義。然而將該兩個指標所建立的預測模型與所有指標建立預測模型比較，確定後者的模型準確率較高，並運用驗證與臨床判斷比較確定可行性後，進而建立電腦系統的預測模組，運用在試管嬰兒療程懷孕與否的預測，對不孕症醫療是具有非常重要的意義。 本研究的目的是針對在進行臺灣不孕症療程的病人，將病人的懷孕率與各項生理指數的相關性做分析，建立試管嬰兒療程懷孕率的預測模型及電腦系統懷孕率預測模組。本研究對象一共有240 名有效樣本，將所有研究對象的生理指數都藉由醫護人員輸入電腦完成後，運用SPSS進一步的統計分析，首先確立生理指標與懷孕率具關聯性的意義及運用指標建立預測模型，並運用人工智慧類神經網路與醫師臨床的判斷對該模型以同樣的樣本做檢驗及比較確認，確認預測模型的可行性，完成對試管嬰兒療程懷孕率的預測提供具體做法。
- 學位論文
隨著時間的演進，由電腦斷層儀器在1972年問世至今不過五十年，電腦斷層由原本的單一射束演變至現在的雙射源電腦斷層，甚至有可以控制管球能量雙能量電腦斷層。在掃描時間也由原本的40分鐘縮短至數秒，不論是在成像上的空間解析度(Spatial resolution)及時間解析度上，也大大的提升。而心臟屬於運動的器官，電腦斷層儀器廠商也竭盡所能發心臟冠狀動脈電腦斷層攝影，直至16列偵檢器電腦斷層問世。開始有著許多的文獻在探討心臟冠狀動脈電腦斷層攝影在臨床上的應用。其後，64列偵檢器電腦斷層問世，開始進行著16列電腦斷層及64列電腦斷層，對於心臟檢查的效益與比較(Hamon, Morello, & Riddell, 2007)。 參考許多對於心臟冠狀動脈電腦斷層攝影影像品質評估的文獻指出，使用的方式皆為人工比對進行影像品質的評估，雖然在統計學上人工比對方式有著一定的規則，但此評估方式的缺點，必須要具備相關經驗的醫事人員進行分析，且通常不只有一位，但其結果還是較偏向臨床經驗及主觀性，且耗費許多的時間跟人力。如果可以利用電腦模擬人工的分析技術，針對影像品質進行影像資訊的處理及數值量化，可以排除經驗及主觀的實驗因素，進行較客觀的影像品質分析。本研究目的在於找出不同心律的心臟冠狀動脈電腦斷層影像重組良好R-R間期影像範圍，利用3D slicer軟體計算中心線數據找出最佳心臟冠狀動脈電腦斷層影像重組R-R間期，並建構出預測最佳心臟冠狀動脈電腦斷層影像重組R-R間期類神經網路模型。 研究結果顯示心臟冠狀動脈電腦斷層影像重組良好R-R間期影像範圍，依心律區分，心律範圍60-69次/分中，良好影像品質心臟冠狀動脈R-R間期重組百分比為37.50%±2.66%；心律範圍70-79次/分中， R-R間期重組百分比為41.83%±3.24%；心律範圍80-89次/分中， R-R間期重組百分比為43.63%±3.17%。 中心線分析最佳心臟冠狀動脈電腦斷層影像重組R-R間期，與平均心跳數、最小心跳數、最大心跳數及T波間期之相關係數分別為r = 0.649、r = 0.629、r = 0.602及r = 0.644，將四項變數經由類神經網路模型的建構，其訓練組預測的結果與最佳心臟冠狀動脈電腦斷層影像重組R-R間期之相關係數可達r = 0.927，測試組預測的結果與最佳心臟冠狀動脈電腦斷層影像重組R-R間期之相關係數可達r = 0.975。
- 學位論文
一般醫療院所在藥袋上列印如藥品名稱及適應症等資訊，而病患者在向藥局諮詢後才清楚其用藥資訊，但對於藥師與民眾而言藥品名稱或症狀的術語艱澀繁瑣，僅由藥袋無法明確清楚獲知藥品、疾病與症狀之間的關聯性，並且處方資訊的提供亦不盡完備，不足以讓藥事人員判讀處方用藥之適當性。雖可透過藥品資訊系統逐筆找尋藥品資訊，但門診的藥事服務量普遍繁重，且仍耗費人力與時間作查詢，本研究運用本體知識庫建置工具將「以病人為導向的藥品適應症諮詢系統-以腸胃科用藥為例」研究中完成的藥品本體論(Medical Ontology)重新建置本體知識庫，以XML技術將處方籤及門診紀錄單整合成電子化文件，並用OWL與JSP技術結合推論引擎(Jess)完成藥品適應症諮詢系統的語意網，改善原藥品本體論無法達到病患者藥品諮詢個人化之目標。
- 學位論文
糖尿病（DM）是在二十世紀的最常見的慢性疾病之一。目前台灣大約有120萬患病人口，發病率與流行率逐年上升，糖尿病腎病佔終末期腎臟病（ESRD）的新病例為35.9％，並於2010年，與終末期糖尿病患者的治療費用超過30億美元。此外，糖尿病腎病與心血管疾病的發病率和死亡率非常高的風險。目標：使用台灣北部某醫學中心資料，以類神經網路技術，建立糖尿病病患腎臟病變的預測模型。方法：收集台灣北部某醫院中心2008至2011年就診診斷為糖尿病病人(ICD-9為250.00)，兩年間新診斷為糖尿病腎臟病變(ICD-9為250.40、250.42)的個案共7873筆，使用隨機抽樣出1000筆，分成訓練組500筆，測試組500筆；經文獻回顧，臨床血液檢驗資料，找出12項與糖尿病腎臟病變有關的項目納入分析，使用類神經網路與邏輯斯迴歸分析，分別以5項(達顯著差異)、7項(包含無顯著差異)的變數為輸入變項，輸入變項有性別、年齡、抽菸史、高血壓病史、BMI、glucose、creatinine、BUN、HDL、LDL、CHOL、HbA1C，得到腎臟病變診斷(ICD-9為250.40、250.42)輸出變項的方式進行測試。結果：以全部12項輸入變項建立的類神經網路預測模型成效最佳(p<0.05)，ROC曲線下的面積 0.925、準確率 0.916、敏感度 0.838、特異度 0.926較邏輯斯迴歸ROC曲線下的面積 0.916、準確率 0.894、敏感度 0.86、特異度 0.838為佳。結論：類神經網路所建立糖尿病腎臟病變的預測模型優於邏輯斯迴歸，可輔助糖尿病病患，在就診時得知兩年內腎臟病變的可能性，及早作臨床醫療上的治療準備，積極回診，也減少個人疾病認知錯誤而不回診的因素，進而延緩疾病進程，降低醫療上的不必要開銷與浪費。
- 學位論文
菸害防制已成為全球醫療衛生之重要議題，由於戒菸可大幅減少吸菸者曝露於疾病下之危險因子，且可以省下大筆社會成本及醫療資源，故本研究透過我國行政院衛生署國民健康局所辦理「全國性醫療院所戒菸服務補助計畫」之個案資料內容及其於該醫院之常見慢性病史的有無，進行資料分析及預測模型建立。 本研究資料樣本為2009年1月至2010年12月兩年間接受北部地區某兩家教學醫院戒菸治療補助之18歲以上吸菸者，初診後六個月進行電話訪問追蹤個案在接受門診戒菸治療後有無戒菸成功。位於北部市郊之A醫院102名及位於北部市中心之B醫院84名吸菸者，依照三組變項分類方式分別探討樣本之個人因素、過去病史、戒菸治療藥物與戒菸成功之相關性。本研究利用A醫院吸菸者資料作為推衍組，經由類神經網路(ANN, Artificial Neural Network)及邏輯斯迴歸(LR, Logistic Regression)訓練出模型之後再利用B醫院84名吸菸者資料進行驗證，最後評估ROC曲線下面積 (AUROC, Area under ROC curve)表現結果選擇最佳預測模型。 在資料分析結果中，樣本的年齡分布在18-84歲之間，平均年齡為42.6歲，其中82.8%為男性。所有吸菸者的戒菸成功率為20.38%，與全國平均戒菸成功率相當。而模型建立的表現上，三組不同輸入變項在ANN表現分別為0.86、0.83、0.77，在LR表現分別為0.85、0.84、0.70。兩種演算法在三組模型中皆具有較佳表現的正確率及預測能力，其中ANN的表現稍優於LR且不具有統計上的顯著差異。 從研究結果中我們可以推斷此模型在臨床的運用上是可行的，此外，醫療院所可利用國民健康局所推行實施之全國性戒菸補助計畫，透過本預測模型達到更有效的管理、評估及協助吸菸者戒菸，且能持續有效地進行戒菸行為。
- 學位論文
全球臨床試驗環境及報告審查規定快速變遷且日益複雜，新藥臨床試驗必須瞭解藥品生產和臨床研究的活動在國內外擴張對於監管機構使用標準的需要，以通過不同地區實施新藥臨床試驗查核規範及不同查核缺失標準，因此提供不同地區新藥臨床試驗查核缺失的對應資訊查詢，將成為瞭解不同地區的重要資料。本研究目的為探討台灣與美國試驗主持人新藥臨床試驗查核缺失項目的對應，以建置新藥臨床試驗查核缺失對應知識庫，提供查詢查核缺失的知識平台。藉由台灣與美國查核缺失對應，分析台灣2001-2011年新藥臨床試驗查核缺失在美國查核缺失碼分佈情況，作為未來與美國查核缺失交流的重要資訊。 研究結果顯示，台灣38項試驗主持人查核項目與美國FDA 20項查核缺失碼可完成對應並完成建置台灣與美國新藥臨床試驗查核缺失知識庫。而台灣333件和美國2948件GCP查核之缺失在與美國查核缺失碼分析得知因查核程序及缺失分類的不同，台灣在對應前查核缺失在「受試驗者資料」（58.6%）之分佈比率較高；但與美國查核缺失碼對應後則以「不健全的藥品權責」（23.2%）缺失分佈比率較高，而美國方面則見於「未按實驗計畫書執行」缺失分佈比率較高（38.0%）。 藉此查核缺失對應知識庫建立，幫助我們瞭解台灣及美國臨床試驗查核缺失分類及分佈，未來可利用此方式延伸探討與不同地區如歐盟及日本的查核缺失對應，有助於國際間瞭解台灣新藥臨床試驗查核及提供我國藥政單位於新藥臨床試驗查核政策規畫的參考。
- 學位論文
到目前腎結石是否容易由某些疾病引起已有諸多推測，我們找出五種可能導致腎結石的疾病，我們用大量資料樣本並以加以分析使用了T test同時也使用類神經網路及二元Logistic regression建置預測模型看是否能預測腎結石發生。 本研究以國民健康保險局的百萬歸人檔中2000~2003的病患作為樣本，過濾在2000~2003間有罹患腎結石的病患，過濾剩下的病患則為我們的樣本並且統計樣本中的病患在2000~2003有無罹患糖尿病、副甲狀腺機能亢進、痛風關節炎、高血脂及高血壓，接著我們再從國民健康保險局的百萬歸人檔中2004~2008的資料中去追蹤樣本中的病患是否再這幾年間有得到腎結石，接著對資料做敘述性分析統計，最後再以STATISTCA 8的Automated Neural Network工具對樣本訓練及建構類神經網路模型及預測，並且嘗試使用較少的疾病因子去訓練預測模型，我們也以二元Logistic regression對樣本做預測的測試。 最後本研究發現，本研究以所有變數去訓練出的類神經模型可以得到最佳ROC面積，而且本研究的樣本相當大使得由本研究所產生的統計數據具有很高的參考價值。
- 學位論文
臨床上常以淺快呼吸指標(rapid shallow breathing index, RSBI)與自發性呼吸測試(spontaneous breathing trail, SBT)的結果作為病患能否脫離之參考。然而，淺快呼吸指標的閾值容易受不同病患族群與測量方法而有所不同、25 ~ 40%的病患在通過自發性呼吸測試後仍無法脫離呼吸器，目前研究顯示沒有一個合適且方便的脫離指標或測量方式足以做協助臨床人員預測病患脫離呼吸器預後之依據。類神經網路(artificial neural networks, ANNs)可藉由外在或內在輸入變數進行學習，進而更改架構中的權重與預測結果，為機器學習的模型之一，常被用於醫療決策支持系統(medical decision support systems)的建構。本研究期望設計、建立類神經網路預測模型，以改善臨床預測病患移除人工氣道預後的準確率。本研究收集63位與32位入住加護病房、插管使用呼吸器的內科病患，隨機以80%作為訓練組(n = 76)、20%為測試組(n = 19)建立並測試類神經網路模型。選用病患的年齡、呼吸器使用原因、呼吸器使用時間、急性生理和長期健康評估表與於30分鐘壓力支持型通氣(pressure support ventilation, PSV) 5 cmH2O/吐氣末陽壓(positive end-expiratory pressure, PEEP) 5 cmH2O下進行自發性呼吸測試中所測得之平均吸氣時間、平均吐氣時間、平均呼吸次數及平均潮氣容積等8項指標作為類神經網路模型的輸入參數，並以接受者操作特性曲線與分類模糊矩陣(confusion matrix)比較類神經網路與臨床常規一分鐘淺快呼吸指標的預測能力。研究結果發現：藉由類神經網路訓練模型的訓練，相較於淺快呼吸指標的閾值設為105 breaths/min/L時，其接受者操作特性曲線下面積(0.95 vs. 0.51, p < 0.05)、敏感度(91.7% vs. 75%)、特異度(85.7% vs. 14.3%)與準確率(89.5% vs. 52.6%)，顯示能顯著提升預測呼吸器脫離結果的能力。本研究利用8項參數所建立的類神經網路預測模型可改善臨床預測病患是否可以移除人工氣道的能力，期望藉由其臨床應用，可協助醫療人員選擇移除人工氣道的適當時機，降低呼吸器不必要的延長使用及過早移除人工氣道的機會，進而降低其併發症的發生與醫療費用的支出。
- 學位論文
本研究目的為以Wii平衡板做為體重量測工具，結合智慧型行動裝置記錄所量測的體重資訊，並傳送到後端自我健康之體重記錄管理平台主機上，以方便民眾，「天天記錄體重」的習慣。本研究以Android App應用程式開發藍芽連線收發模組和介面，經藍芽訊號解析轉換處理後，將所得體重數據，以網路服務方式，透過網際網路傳送到雲端服務平台主機上貯存和處理，實作一個包括從Wii平衡板感知體重量測數據並傳送至智慧型Android平板電腦處理，以辨別正確的體重數據，然後再上傳到後端的體重記錄管理平台，進一步以視覺化呈現體重數據。 實作完成之系統驗證，針對App應用程式量測體重數據之準確性來做比較，以市面上販售之歐瑟若體重計當做為量測比較基準，分別以5Kg做為級距，範圍為5Kg ~100Kg，進行測得實際重量之物體，當做砝碼來使用；將本研究所開發之【App應用程式】與【歐瑟若體重計】進行量測比較實驗，測得平均誤差值約為-0.3公斤。另外，針對體重量測記錄方法做實驗比較，得出比較結果使用「Wii平衡板與App應用程式記錄」，適合個人使用，畫面操作較少數，有體重趨勢分析之折線圖可檢視減重成效，所耗費的時間也少。 最後，本研究之成果與研究目的所設想一樣，讓原本只能拿來玩Wii遊戲主機的Wii平衡板，也可用來當體重計使用，提供民眾另一種方便的選擇，系統實作完成進行驗證測試，確實能達到當初預期結果。另外，同時也能有效資訊，方便家庭醫師、營養師或健康管理師於最短時間內，取得有用的體重記錄資訊作為體重管理與控制之參考依據。
- 學位論文
乳癌自民國八十五衛生署所公佈的資料中已超越子宮頸癌成為女性死亡率的第一位，在民國九十七年資料中罹患乳癌的女性有8,136人，而該年因乳癌死亡人數有1,654人，所以乳癌的早期診斷與治療是國內醫學界目前重要議題之一。有鑒於此，本研究以台北市某醫學中心之乳房攝影分類為BI-RADS 4 A乳癌病患資料，收集其相關乳癌致病危險因子與乳房X光攝影結果上之特徵，希望可以透過類神經網路能仿效生物神經網路可以分析非線性資料、不斷訓練和不斷學習的特性，與邏輯斯迴歸此種統計上的迴歸分析模型，這兩種模式建構預測模型，比較其預測的績效。最後將以此預測模型實際應用於臨床的切開式切片的結果預測，使臨床在診斷的準確度上能有所提升，達到提高在BI-RADS 4 A此種分類下，切開式切片的陽性預測率(Positive predict value rate)。如此不僅能降低病人生理與心理上的傷害，也相對的在醫療資源的妥善運用上也有所裨益。 本研究共蒐集280筆資料中，使用乳癌致病危險因子與乳房X光攝影結果上之特徵，包括:年齡、初經年齡、哺餵母乳、荷爾蒙使用、Coarse Heterogeneous、Plemorphic、Fine linear Branching、超音波下鈣化點的有無，共8個變數，所建構的邏輯斯迴歸模型的正確度為87.0％、敏感度為50.0％、特異度為96.2％、AUC為0.731。類神經網路模型，經輸入驗證組的資料後，在切開式切片結果的預測效能方面，得到的正確度為97.9％、敏感度為97.0％、特異度為100.0％、AUC為0.972。相較之下類神經網路模型較邏輯斯迴歸模型有較好的預測效能。