Options
運用機器學習演算法和臨床醫療數據以預測腎病症候群患者之病理分類研究
Other Title
Using Medical Data and Machine Learning Algorithms to Predict Pathologic Classification in Patients with Nephrotic Syndrome
Type
thesis
Date Issued
2023-07-20
Author(s)
楊智淵
Advisor
蘇家玉
Subjects
系所名稱：醫學院人工智慧醫療碩士在職專班
Description
學位別：碩士
語文別：中文
口試委員：林彥仲 LIN, YEN-CHUNG;蘇家玉 SU, EMILY CHIA-YU ;林于翔 LIN, YU-SHIANG
授權範圍：網際網路,開放日期為2023-07-25
語文別：中文
口試委員：林彥仲 LIN, YEN-CHUNG;蘇家玉 SU, EMILY CHIA-YU ;林于翔 LIN, YU-SHIANG
授權範圍：網際網路,開放日期為2023-07-25
Abstract
腎病症候群 ( Nephrotic Syndrome，NS ) 是由一群會造成腎臟功能異常的疾病總稱，最常見的病理症狀如蛋白質由尿中流失、血液白蛋白降低等。目前腎病症候群雖可透過理學檢查、尿液常規檢查、血液常規檢查來做診斷，但往往仍然無法釐清病因。導致腎病症候群的原因很多，不同的病理變化會對應不同的治療處置，尚須以侵入性之腎臟切片進行確認。倘若有更即時性且非侵入性的評估方式，對於臨床診斷及治療會具有更大的價值。
本實驗使用臺北醫學大學附設醫院、臺北市立萬芳醫院、衛生福利部雙和醫院及馬偕紀念醫院共四間醫院資料庫，2011年01月至2021年06月診斷為腎病症候群之病患，其抽血及驗尿報告搭配國際疾病與相關健康問題統計分類第十版( ICD-10 )，進行腎臟切片分型的預測。使用K-NN Imputer將遺失值補值，並將data區分為80% Training Set、20% Test Set。Training set使用SMOTE處理不平衡資料，並以5-fold Cross-Validation訓練Random Forest、XGBoost、Logistic Regression、SVM及K-NN等5種模型，最終以Accuracy及AUC作為評估方式。
在ICD-10編碼N04.0腎病症候群伴有輕微腎絲球異常族群中，Random Forest之Accuracy 83.0%、AUC 0.697；N04.1腎病症候群伴有局部及節段性腎絲球病灶，Random Forest之Accuracy 88.4%、AUC 0.886；N04.2腎病症候群伴有瀰漫性膜性腎絲球腎炎，在Random Forest之Accuracy分別為86.8%、AUC 0.833。整體而言，使用Random Forest不論在哪個分類族群中，均可獲得不錯的表現，對於醫師及病人均可提供另一個診斷協助。
本實驗使用臺北醫學大學附設醫院、臺北市立萬芳醫院、衛生福利部雙和醫院及馬偕紀念醫院共四間醫院資料庫，2011年01月至2021年06月診斷為腎病症候群之病患，其抽血及驗尿報告搭配國際疾病與相關健康問題統計分類第十版( ICD-10 )，進行腎臟切片分型的預測。使用K-NN Imputer將遺失值補值，並將data區分為80% Training Set、20% Test Set。Training set使用SMOTE處理不平衡資料，並以5-fold Cross-Validation訓練Random Forest、XGBoost、Logistic Regression、SVM及K-NN等5種模型，最終以Accuracy及AUC作為評估方式。
在ICD-10編碼N04.0腎病症候群伴有輕微腎絲球異常族群中，Random Forest之Accuracy 83.0%、AUC 0.697；N04.1腎病症候群伴有局部及節段性腎絲球病灶，Random Forest之Accuracy 88.4%、AUC 0.886；N04.2腎病症候群伴有瀰漫性膜性腎絲球腎炎，在Random Forest之Accuracy分別為86.8%、AUC 0.833。整體而言，使用Random Forest不論在哪個分類族群中，均可獲得不錯的表現，對於醫師及病人均可提供另一個診斷協助。