CN109841279A - 一种预测失能者日常生活功能的方法 - Google Patents
一种预测失能者日常生活功能的方法 Download PDFInfo
- Publication number
- CN109841279A CN109841279A CN201711218498.9A CN201711218498A CN109841279A CN 109841279 A CN109841279 A CN 109841279A CN 201711218498 A CN201711218498 A CN 201711218498A CN 109841279 A CN109841279 A CN 109841279A
- Authority
- CN
- China
- Prior art keywords
- daily life
- life function
- prediction
- scale
- evaluation index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
一种预测失能者日常生活功能的方法,将多个失能者多项复健评估指标套组的测量结果及其相对应的日常生活功能状态输入至机械学习机中,透过机械学习机选出数个分类效能最佳的复健评估指标套组的变量数值后,搭配其相对应的日常生活功能状态,藉由监督式机械学习演算法以建立日常生活功能状态预测模型后,最后将新受检者多项复健评估指标套组的施测结果输入至日常生活功能状态预测模型中,透过日常生活功能状态预测模型的内部运算,即可得到日常生活功能状态的预测结果。
Description
技术领域
本发明系提供一种预测失能者日常生活功能的方法,系透过日常生活功能状态预测模型的建立,从而预测受检者未来的日常生活功能状态,并据以妥善分配照护资源,减少不必要的照护资源浪费。
背景技术
身心失能者(简称失能者)的定义为:身体或心智功能部分或全部丧失,致其日常生活需要他人协助者。失能的程度,通常系由日常生活功能量表(ADLs)或工具性日常生活功能量表(IADLs)来评判,通常依照状况分为轻度、中度与重度失能。据统计,台湾于2011年共有近67万失能者,其中65岁以上约41万人,到了2020年将预估成为86万失能者,65岁以上的失能者则会突破60万人。
现今社会往往在轻度失能时缺乏照护,随即很快地恶化成为中、重度失能,而当今的医学技术又足以维持失能者的生命,长期下来会造成中、重度失能者的人数越来越多,造成国家与社会的负担越来越重。
为了克服上述问题,现有技术系使用人工对单一危险因子的复健评估量表进行判读,以评估失能者日常生活功能的方法,然而上述方法缺乏系统性的评估、未使用多项实验室检验数据、无法评估整体数据的分布型态且效率低下,无法轻易得知失能者未来的日常功能状态,进而影响其在临床使用上的效能,因此在正确性、时效性及判读结果重现性上仍有改善的空间。
发明内容
本发明的目的在于提供一种预测失能者日常生活功能的方法,预测受检者未来的日常生活功能状态,并据以妥善分配照护资源,减少不必要的照护资源浪费。
为实现上述目的,本发明公开了一种预测失能者日常生活功能的方法,其特征在于包括:
A.建立多项复健评估指标套组,该些复健评估指标套组具有能统计分数的复健评估量表及实验室检验数值;
B.将多个失能者分别进行多项复健评估指标套组的施测后,再将复健评估指标套组的测量结果及其对应各个失能者的日常生活功能状态输入至机械学习机中;
C.透过机械学习机选出多个分类效能最佳的复健评估指标套组的变量数值,搭配其相对应的日常生活功能状态,并透过监督式机械学习演算法以建立日常生活功能状态预测模型;及
D.将新受检者进行多项复健评估指标套组的施测,并将施测后结果输入至日常生活功能状态预测模型中,即可进行日常生活功能状态的运算,并得到日常生活功能状态的预测结果。
其中,获得日常生活功能状态的预测后,可根据预测结果提醒受检者采取后续对应状态的行动。
其中,日常功能状态的判定日期与复健评估量表的评估日期,两者相隔时间为2周至1年。
其中,复健评估量表为雷氏修正量表、巴氏量表、功能性由口进食量表、迷你营养评估量表、健康生活品质测量问卷、工具性日常生活功能量表、伯格氏平衡量表、步行速率、六分钟行走测试、傅格-梅尔评估量表、简短智能测验、动作活动量表、简明失语症测验或上述的任意组合。
其中,日常生活功能状态系使用巴氏量表-日常生活依赖程度、工具性日常生活功能分数或雷氏修正量表分数进行评估。
其中,实验室检验数值为全套血液检查、白血球分类计数、总蛋白、白蛋白、白血球脂化酶、C反应蛋白、前降钙素、红血球沉降速率、乳酸、乳酸去氢酶、糖份、钠离子、钾离子、钙离子、氯离子、镁离子、亚铁离子、铁离子、尿素氮、肌酐酸、胱蛋白C、胆红素、低密度脂蛋白、高密度脂蛋白、三酸甘油脂、总胆固醇、血糖、微白蛋白、醣化血色素、同半胱胺酸、脂蛋白、尿酸或上述的任意组合。
其中,监督式机械学习演算法使用逻辑式回归、K邻近法、支持向量机、类神经网路学习、决策树、随机森林、贝氏决策法或上述的任意组合。
通过上述内容,本发明主要透过将多项复健评估指标套组对多个失能者施测,并将测量结果及其对应各个失能者的日常生活功能状态输入至机械学习机中,透过机械学习机选出数个分类效能最佳的复健评估指标套组的变量数值后,搭配其相对应的日常生活功能状态,藉由监督式机械学习演算法以建立日常生活功能状态预测模型,最后将新受检者进行多项复健评估指标套组的施测,再把施测后结果输入至日常生活功能状态预测模型中,即可进行日常生活功能状态的运算,并得到日常生活功能状态的预测结果;所得到的结果可提醒受检者采取后续行动,达到高效能预测受检者未来的日程生活状态,并据以分配照护资源,减少不必要的照护资源浪费为其主要目的。
本发明为日常生活功能状态预测模型解决大数据判读的问题,该等复健评估量表套组包含多样化的资讯,能让医疗人员能从更多面向得知失能者的身体情况及日常生活功能,因此当评估指标越多,其评估效果会越好,但这大数据直接由临床医疗人员进行判断,在时效性及正确性上可能皆有其不足,因此本发明利用监督式机械学习演算法,得以最大程度地从现有的数据中,分析失能者于复健评估指标套组分布上的差异,并且从整体的数据分布样貌中找出分类依据,从而预测未来个案的日常生活状态是属于轻度依赖、中度依赖或重度依赖;因此利用建立的日常生活功能状态预测模型代替人力判读,则是增加了整体判读效率及正确率,且该日常生活功能状态预测模型,亦可多方面地复制至使用者的终端机进行使用。
附图说明
图1为本发明的流程示意图。
图2为本发明工具性日常生活功能分数预测模型的ROC曲线。
图3为本发明工具性日常生活功能分数预测模型的效能,以ROC曲线下面积作为指标。
图4为本发明以ROC曲线下面积为指标,比较多个指标搭配不同的监督式机械学习演算法及单一指标预测效能的比较表。
具体实施方式
首先请参阅图1,本发明所提供的主体概念为一种预测失能者日常生活功能的方法,将多个失能者统计分数的多项复健评估量表及实验室检验数值建立复健评估指标套组;将多个失能者分别进行多项复健评估指标套组的施测后,再将测量结果及其对应各个失能者的日常生活功能状态输入至机械学习机中;透过机械学习机挑选出数个分类效能最佳的复健评估指标套组的变量数值后,搭配相对应的日常生活功能状态,藉由监督式机械学习演算法以建立日常生活功能状态预测模型;最后将新受检者进行多项复健评估指标套组的施测,并将施测后结果输入至日常生活功能状态预测模型中,即可进行日常生活功能状态的运算,并得到日常生活功能状态的预测结果,而后即可根据预测结果提醒受检者采取后续对应状态的行动。
其中日常功能状态的判定日期与复健评估量表的评估日期,两者相隔时间为2周至1年。
其中复健评估量表为雷氏修正量表(Modified Rankin Scale,MRS)、巴氏量表(Barthel Index)、功能性由口进食量表(Functional oral intake scale,FOIS)、迷你营养评估量表(Mini Nutrition Assessment,MNA)、健康生活品质测量问卷(Euro QoL-5D)、工具性日常生活功能量表(IADL Scale)、伯格氏平衡量表(Berg Balance Scale,BBS)、步行速率(Gait speed)、六分钟行走测试(Six minutes walking test,6MWT)、傅格-梅尔评估量表(Fugl-Meyer Assessment,FMA)、简短智能测验(Mini-mental state examination,MMSE)、动作活动量表(Motor Activity Log,MAL)、简明失语症测验(Concise ChineseAphasia Test,CCAT)或上述的任意组合。
其中日常生活功能状态系使用巴氏量表-日常生活依赖程度(Barthel Index)、工具性日常生活功能分数(IADL Scale)或雷氏修正量表分数(MRS)进行评估。
其中实验室检验数值为全套血液检查(CBC)、白血球分类计数(White BloodCells Differential Counts)、总蛋白(Total Protein),白蛋白(Albumin)、白血球脂化酶(Leukocyte Esterase)、C反应蛋白(C-Reactive Protein)、前降钙素(Procalcitonin)、红血球沉降速率(Erythrocyte Sedimentation Rate)、乳酸(Lactate)、乳酸去氢酶(LactateDehydrogenase),糖份(Sugar)、钠离子(Na)、钾离子(K)、钙离子(Ca)、氯离子(Cl)、镁离子(Mg)、亚铁离子(Fe2+)、铁离子(Fe3+)、尿素氮(Urea Nitrogen)、肌酐酸(Creatinine)、胱蛋白C(Cystatin C)、胆红素(Bilirubin)、低密度脂蛋白(Low Density Lipoprotein,LDL)、高密度脂蛋白(High Density Lipoprotein,HDL)、三酸甘油脂(Triglyceride)、总胆固醇(Total cholesterol)、血糖(blood sugar)、微白蛋白(Microalbumin)、醣化血色素(HbA1C)、同半胱胺酸(Homocysteine)、脂蛋白(Lipoprotein A)、尿酸(Uric acid)或上述的任意组合。
其中监督式机械学习演算法系使用逻辑式回归、K邻近法、支持向量机、类神经网路学习、决策树、随机森林、贝氏决策法或上述的任意组合。
接着参阅图2及图3并搭配图1,具体的实施方式如下:
本实施例以三年长庚医院北院区脑中风病人的复健评估指标套组作为基础,并将复健评估指标套组结合相对应的日常生活功能状态后输入至机械学习机中,并透过监督式机械学习机演算法建立日常生活功能状态预测模型。
受试者的条件(纳入、排除条件)、数目:
受试者为长庚医院北院区脑中风病人的复健资料,采用病历回溯,不需另外招募受试者。
设计及方法:
日常生活功能状态的主要临床资讯为入院时雷氏修正量表(Modified RankinScale,MRS)、巴氏量表(Barthel Index)、功能性由口进食量表(Functional oral intakescale,FOIS)、迷你营养评估量表(Mini Nutrition Assessment,MNA)、健康生活品质测量问卷(Euro QoL-5D)、工具性日常生活功能量表(IADL Scale)、伯格氏平衡量表(BergBalance Scale,BBS)、步行速率(Gait speed)、六分钟行走测试(Six minutes walkingtest,6MWT)、傅格-梅尔评估量表(Fugl-Meyer Assessment,FMA)、简短智能测验(Mini-mental state examination,MMSE)、动作活动量表(Motor Activity Log,MAL)、简明失语症测验(Concise Chinese Aphasia Test,CCAT)量表分数。此264位成人,同时皆有出院时的日常生活功能状态的评估资料,因此在上述资料整理并以变量挑选方法挑选出分类效能最佳的日常生活功能状态的变量数值。变量挑选:在进行初步资料筛选后,本实施例使用单变量分析,依变量特性选择适当的单变量统计法(卡方检定与t检定),可选出雷氏修正量表(MRS)、伯格氏平衡量表(BBS)、工具性日常生活功能量表(IADL Scale)为分类效能最佳的变量。挑选最佳的变量后,再输入至机械学习机中使用多个监督式机械学习演算法,如:逻辑式回归(Logistic Regression,LR)、决策树(Decision Tree,DT)、随机森林(RandomForest,RF)、K邻近(K Nearest Neighbor,KNN)、支持向量机(Support Vector Machines,SVM)、类神经网路学习(Artificial Neuron Network)、贝氏决策法(Bayesian Network)等,建立日常生活功能状态预测模型。
资料回溯期间、本实施例执行期间:
资料回溯其间自2014年3月至2016年10月。
结果的评估及验证方法:
本实施例计算各个复健评估指标套组的分布情形,并依此变量及其数值训练日常生活功能状态预测模型,透过内部验证各个日常生活功能状态预测模型的预测能力。日常生活功能状态预测模型的效力将以接收者操作特征曲线(ROC curve)进行验证,并同时计算其曲线下面积。
效能:
图2、图3显示日常生活功能状态预测模型系使用不同监督式机械学习演算法进行测试,能透过该等监督式机械学习演算法的ROC曲线下面积作为效能的评测,以预测工具性日常生活功能分数(IADL Scale)的效能。所使用的监督式机械学习演算法包括逻辑式回归、决策树、随机森林及K邻近。其中逻辑式回归的曲线下面积为0.84、决策树为0.75、随机森林为0.86,而K邻近则为0.77,综合而言,各种机械学习方法效益都相当良好,其中又以逻辑式回归及随机森林为佳。
图4系以ROC曲线下面积平均值(AUC平均值)为指标,比较采用多个指标(搭配不同的监督式机械学习演算法)与单一指标,预测出院后的日常生活功能状态的效能。先以受试者入院时的量表数值作为基准,以预测出院后的量表数值。所使用的监督式机械学习演算法:逻辑式回归AUC平均值为0.796(AUC标准误差为0.015)、随机森林AUC平均值为0.792(AUC标准误差为0.014)及支持向量机AUC平均值为0.774(AUC标准误差为0.028)。所使用的单一指标:巴式量表AUC平均值为0.756(AUC标准误差为0.029)、工具性日常生活功能量表AUC平均值为0.681(AUC标准误差为0.035)、伯格氏平衡量表AUC平均值为0.720(AUC标准误差为0.032)。从上述来看,使用多个指标(监督式机械学习演算法)的标准误差明显小于单一指标的标准误差,且各个监督式机械学习演算法的AUC平均值均大于单一指标的AUC平均值,证明了增加多个个复健评估指标于复健评估指标套组中,不但可增加日常生活功能状态预测的效能,同时,透过不同的监督式机械学习演算法进行复健评估指标套组资料形式学习及使用,均能大幅地提升了日常生活功能状态的预测效能。
Claims (7)
1.一种预测失能者日常生活功能的方法,其特征在于包括:
A.建立多项复健评估指标套组,该些复健评估指标套组具有能统计分数的复健评估量表及实验室检验数值;
B.将多个失能者分别进行多项复健评估指标套组的施测后,再将复健评估指标套组的测量结果及其对应各个失能者的日常生活功能状态输入至机械学习机中;
C.透过机械学习机选出多个分类效能最佳的复健评估指标套组的变量数值,搭配其相对应的日常生活功能状态,并透过监督式机械学习演算法以建立日常生活功能状态预测模型;及
D.将新受检者进行多项复健评估指标套组的施测,并将施测后结果输入至日常生活功能状态预测模型中,即可进行日常生活功能状态的运算,并得到日常生活功能状态的预测结果。
2.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,获得日常生活功能状态的预测后,可根据预测结果提醒受检者采取后续对应状态的行动。
3.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,日常功能状态的判定日期与复健评估量表的评估日期,两者相隔时间为2周至1年。
4.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,复健评估量表为雷氏修正量表、巴氏量表、功能性由口进食量表、迷你营养评估量表、健康生活品质测量问卷、工具性日常生活功能量表、伯格氏平衡量表、步行速率、六分钟行走测试、傅格-梅尔评估量表、简短智能测验、动作活动量表、简明失语症测验或上述的任意组合。
5.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,日常生活功能状态系使用巴氏量表-日常生活依赖程度、工具性日常生活功能分数或雷氏修正量表分数进行评估。
6.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,实验室检验数值为全套血液检查、白血球分类计数、总蛋白、白蛋白、白血球脂化酶、C反应蛋白、前降钙素、红血球沉降速率、乳酸、乳酸去氢酶、糖份、钠离子、钾离子、钙离子、氯离子、镁离子、亚铁离子、铁离子、尿素氮、肌酐酸、胱蛋白C、胆红素、低密度脂蛋白、高密度脂蛋白、三酸甘油脂、总胆固醇、血糖、微白蛋白、醣化血色素、同半胱胺酸、脂蛋白、尿酸或上述的任意组合。
7.如权利要求1所述的预测失能者日常生活功能的方法,其特征在于,监督式机械学习演算法使用逻辑式回归、K邻近法、支持向量机、类神经网路学习、决策树、随机森林、贝氏决策法或上述的任意组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218498.9A CN109841279A (zh) | 2017-11-28 | 2017-11-28 | 一种预测失能者日常生活功能的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711218498.9A CN109841279A (zh) | 2017-11-28 | 2017-11-28 | 一种预测失能者日常生活功能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109841279A true CN109841279A (zh) | 2019-06-04 |
Family
ID=66881371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711218498.9A Pending CN109841279A (zh) | 2017-11-28 | 2017-11-28 | 一种预测失能者日常生活功能的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109841279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354449A (zh) * | 2020-02-27 | 2020-06-30 | 平安医疗健康管理股份有限公司 | 长期护理策略分配方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217095A (zh) * | 2014-05-23 | 2014-12-17 | 陈立典 | 人体健康功能状态评估模型 |
US20150272511A1 (en) * | 2014-03-27 | 2015-10-01 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Method, device, and system for diagnosing and monitoring frailty |
CN106650284A (zh) * | 2016-12-30 | 2017-05-10 | 深圳先进技术研究院 | 一种疾病康复评价方法及系统 |
-
2017
- 2017-11-28 CN CN201711218498.9A patent/CN109841279A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150272511A1 (en) * | 2014-03-27 | 2015-10-01 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Method, device, and system for diagnosing and monitoring frailty |
CN104217095A (zh) * | 2014-05-23 | 2014-12-17 | 陈立典 | 人体健康功能状态评估模型 |
CN106650284A (zh) * | 2016-12-30 | 2017-05-10 | 深圳先进技术研究院 | 一种疾病康复评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
MU ZHU等: ""using machine learning algorithms to guide rehabilitation planning for home care clients"", 《BMC MEDICAL INFORMATICS AND DECISION MAKING》 * |
NUUTINEN等: ""Development and validation of classifiers and variable subsets for predicting nursing home admission"", 《BMC MEDICAL INFORMATICS AND DECISION MAKING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354449A (zh) * | 2020-02-27 | 2020-06-30 | 平安医疗健康管理股份有限公司 | 长期护理策略分配方法、装置、计算机设备和存储介质 |
CN111354449B (zh) * | 2020-02-27 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 长期护理策略分配方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | A machine learning methodology for diagnosing chronic kidney disease | |
El-kenawy et al. | A machine learning model for hemoglobin estimation and anemia classification | |
Park et al. | Parental ADHD symptoms and parenting behaviors: A meta-analytic review | |
Islam et al. | Chronic kidney disease prediction based on machine learning algorithms | |
Xing et al. | Combination data mining methods with new medical data to predicting outcome of coronary heart disease | |
Cismondi et al. | Reducing unnecessary lab testing in the ICU with artificial intelligence | |
Chang et al. | A new hybrid XGBSVM model: application for hypertensive heart disease | |
Danso et al. | Developing an explainable machine learning-based personalised dementia risk prediction model: A transfer learning approach with ensemble learning algorithms | |
Sajadi et al. | Diagnosis of hypothyroidism using a fuzzy rule-based expert system | |
CN107767960A (zh) | 临床检测项目的数据处理方法、装置及电子设备 | |
Steering Committee of the Cardiac Care Network of Ontario* et al. | Predicting mortality after coronary artery bypass surgery: what do artificial neural networks learn? | |
Massaro et al. | Telemedicine DSS-AI multi level platform for monoclonal gammopathy assistance | |
CN115985515A (zh) | 一种基于机器学习的弱视矫治效果预测方法、装置及设备 | |
Mohammed et al. | A Survey on various Machine Learning Approaches for thalassemia detection and classification | |
CN109841279A (zh) | 一种预测失能者日常生活功能的方法 | |
TWI649699B (zh) | A method for predicting the function of daily life of disabled person | |
CN111816303A (zh) | 一种基于机器学习的难治性精神分裂症风险的预测方法 | |
WO2019156254A1 (ja) | 検査対象の複雑系の状態を推定するシステム | |
Arunkarthick et al. | Prediction of myositis disease using machine learning algorithm | |
CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、系统和装置 | |
CN108346471A (zh) | 一种病理数据的分析方法及装置 | |
Jamshidnezhad et al. | Evaluation of suspected pediatric appendicitis with Alvarado method using a computerized intelligent model | |
US20190216368A1 (en) | Method of predicting daily activities performance of a person with disabilities | |
Mishra et al. | An Intelligent and Effective Framework for Reduction of Diabetes Risk | |
CN118053583A (zh) | 一种血管性认知障碍疾病风险预测系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190604 |
|
WD01 | Invention patent application deemed withdrawn after publication |