Options
應用機器學習演算法建立65歲以上台灣老人代謝症侯群之高危險群預測模型
Other Title
Using Machine Learning Algorithm to Establish High-Risk Group Prediction Model for Metabolic Syndrome in Taiwan's population aged 65 and over
Type
thesis
Date Issued
2017-12-20
Author(s)
楊逸淳
Advisor
劉建財
Subjects
系所名稱：醫學資訊研究所
Description
學位別：碩士
語文別：中文
指導教授：劉建財
口試委員：葉雨婷;羅友聲
中文關鍵字：代謝症侯群;預測模型;機器學習演算法;老人預防保健;混亂矩陣;人工類神經網絡
英文關鍵字：Metabolic syndrome;Prediction model;Machine learning;Adult preventive health care aged 65 and over;Confusion matrix;Artificial neural network
語文別：中文
指導教授：劉建財
口試委員：葉雨婷;羅友聲
中文關鍵字：代謝症侯群;預測模型;機器學習演算法;老人預防保健;混亂矩陣;人工類神經網絡
英文關鍵字：Metabolic syndrome;Prediction model;Machine learning;Adult preventive health care aged 65 and over;Confusion matrix;Artificial neural network
Abstract
目前成人預防保健服務分為兩個階段，第一階段包括基本資料、問卷填答(疾病史、生活習慣等)、身體檢查(身高、體重、血壓、身體質量指數、腰圍)、及實驗室檢查(血液生化檢查)。第二階段主要為實驗室檢查結果判讀、病人教育與健康諮詢。然而第一階段檢查後，須間隔一定的工作天數才能執行第二階段。本研究希望能為節省受檢者等待第二階段之時間及增進高危險群族民眾接受健康教育機會，將針對65歲以上參加第一階段成人預防保健服務之民眾，找出最佳之高危險代謝症候群預測模型，藉由本研究之預測結果，提供高危險群民眾，在執行第一階段時，即可先行實施相關衛教。
本研究對象為2013年接受成人預防保健服務的老人(65歲以上民眾)，使用的輸入變項為成人預防保健服務第一階段之項目，包括身體檢查(身高、體重、血壓、身體質量指數、腰圍)、疾病史以及生活習慣。運用三種不同的機器學習演算法：類神經網絡(Artificial Neural Network，ANN)、隨機森林(Random Forest，RF)以及支持向量機(Support Vector Machine，SVM)等三種預測模型，並使用混亂矩陣的靈敏度、特異度及曲線下的面積(Area Under Curve，AUC)等方式來進行預測模型間比較。
在三種預測模型中，ANN、RF及SVM之敏感度分別為64.27%、33.16%以及59.64%；ANN、RF及SVM之特異性分別為89.73%、92.94%以及79.82%；而以AUC而言，則以ANN(0.885) 表現最好，RF(0.793)次之，SVM(0.756)較差。運用成人預防保健服務第一階段資料來預測為高危險代謝症候群的老人，整體而言以混亂矩陣來進行比較後，以ANN表現最好，具有優良的鑑別力。
本研究對象為2013年接受成人預防保健服務的老人(65歲以上民眾)，使用的輸入變項為成人預防保健服務第一階段之項目，包括身體檢查(身高、體重、血壓、身體質量指數、腰圍)、疾病史以及生活習慣。運用三種不同的機器學習演算法：類神經網絡(Artificial Neural Network，ANN)、隨機森林(Random Forest，RF)以及支持向量機(Support Vector Machine，SVM)等三種預測模型，並使用混亂矩陣的靈敏度、特異度及曲線下的面積(Area Under Curve，AUC)等方式來進行預測模型間比較。
在三種預測模型中，ANN、RF及SVM之敏感度分別為64.27%、33.16%以及59.64%；ANN、RF及SVM之特異性分別為89.73%、92.94%以及79.82%；而以AUC而言，則以ANN(0.885) 表現最好，RF(0.793)次之，SVM(0.756)較差。運用成人預防保健服務第一階段資料來預測為高危險代謝症候群的老人，整體而言以混亂矩陣來進行比較後，以ANN表現最好，具有優良的鑑別力。