TW201317926A

TW201317926A - 罹病風險預測及風險修正之方法

Info

Publication number: TW201317926A
Application number: TW100138092A
Authority: TW
Inventors: Chun-Keng Cao
Original assignee: Mj Life Entpr Ltd
Priority date: 2011-10-20
Filing date: 2011-10-20
Publication date: 2013-05-01

Abstract

一種罹病風險預測及風險修正之方法，係為解決既有的健檢各項生化檢測數據無法預測罹病風險的缺失。其方法係依一受檢者健檢的原始生化檢測值，以統計模型預測出疾病的原始罹病風險；再依據受檢者的一生活飲食問卷的資料，以及一修正的生活飲食問卷的資料，分別求出兩生化預測值，並將原始生化檢測值減去兩生化預測值的差值，而獲得一修正生化檢測值；再以統計模型預測修正生化檢測值的罹病風險，並與原始罹病風險比較以評價罹病風險的改善，從而可以了解經由調整生活及飲食對人體各項健康的影響，並擴大健檢資料的利用性。

Description

罹病風險預測及風險修正之方法

本發明係關於一種罹病風險預測及風險修正之方法，該方法係以一健康檢查的生化數據為基礎，搭配受檢者的生活方式及生活方式調整修正後所推估的生化數據，共同預測一疾病罹患的風險率及風險可修正的成效。

現代醫學面對疾病的態度側重於早期預防、早期診斷、及早治療，因此健康檢查(健檢)便是預防醫學重要的一環。

就健檢而言，既知健檢所獲得的各項生化檢測數據，充其量只能反映受檢者在健檢前一段時間的生理狀態，但無從反映受檢者的日常生活習慣。以致於若干受檢者基於此數據便恐慌就醫，而不思考調整生活及飲食習慣亦可改善的可能；且，部分醫療者亦未經詳細了解就醫者的生活習慣可能對疾病的影響便盲目給藥，致造成整體醫療資源的過度浪費。再者，健康檢查所獲得的各項生化檢測數據，可以告知受檢者身體何處發生異常現象，但並無法直接告知健檢後一段時間內可能罹患某種疾病的風險；或者，若受檢者基於健檢報告數據，希望經由調整生活方式及飲食習慣來改善身體健康，其可改善的程度及改善後的罹病風險是否會降低？亦無從得知。

有鑑於既有健檢的各項生化檢測數據存在上述的缺失，因此，發明提出一種解決方案。

本發明係一種罹病風險預測及風險修正之方法，其步驟包括：依據一受檢者健康檢查的一原始生化檢測值，利用一統計模型預測出一疾病的原始罹病風險預測值；依據受檢者的一第一問卷的資料，利用一統計模型求出一第一生化預測值；依據受檢者的一第二問卷的資料，利用一統計模型求出第二生化預測值；將原始生化檢測值減去第一生化預測值與第二生化預測值的差值，而獲得一修正生化檢測值；依據修正生化檢測值，利用一統計模型預測出該疾病的修正罹病風險預測值；依據原始罹病風險預測值與修正罹病風險預測值的差值，以評價罹病風險修正的效果。

如上述本發明之一種罹病風險預測及風險修正之方法，較佳的經由第一問卷資料可獲得受檢者於健檢前一段時間的生活方式及飲食習慣的深入性資料，再將該資料經由統計模型預測產生的第一生化預測值，可以比較與健檢當時的原始生化檢測值間的差異，藉此了解長期的生活方式及飲食習慣與健檢時生化數據的關連性及影響性，從而得以解決既知健檢生化數據無法反映受檢者日常生活習慣的問題，並藉此找出一條醫療以外，可以改善人體健康的方法。

如上述本發明之一種罹病風險預測及風險修正之方法，較佳的係依據第一問卷的填答資料，再依受檢者的性別、年齡及工作型態及家族病史等因素，量身製作一建議的修正生活方式及飲食習慣的第二問卷，再以第二問卷的填答資料藉統計模型求出第二生化預測值，將第一、二生化預測值相減，其差值即為經由調整生活及飲食方式後可以改善或影響的生化值；而將此差值與健檢的原始生化檢測值相減的結果，表示經由調整生活及飲食後所呈現的人體各項健康指數。最後，將健檢及修正後的兩系列生化數值分別以統計模型預測其疾病的發病率，且經由其各自發病率的高低，可以看出生活及飲食對人體罹病風險的影響程度。藉由上述本發明之方法，可以提供既知健檢數據無法完成的罹病風險預估，暨提供經由調整生活方式及飲食習慣後罹病風險可修正的程度。

經由上述本發明之一種罹病風險預測及風險修正之方法，完全可以改善既知健檢報告的缺失，並發揮既知健檢報告所無法蹴及的功效。

如上述本發明之一種罹病風險預測及風險修正之方法，較佳的第二問卷係依據第一問卷修正而成；更佳的，第二問卷係依據第一問卷，由一預設系統做成。較佳的，第一、二問卷包括生活方式及膳食模式的問卷內容；以及，較佳的，第一問卷的資料，係受檢者依據其健康檢查時的生活方式及膳食模式所填答的資料；而第二問卷的資料，則依據第一問卷的資料，由一預設系統做成一修正的問卷內容，再由受檢者填答而成的資料。

如上述本發明之一種罹病風險預測及風險修正之方法，較佳的原始生化檢測值及修正生化檢測值，係利用Logistic回歸模型或COX模型求出其罹病風險預測值。以及，較佳的第一、二問卷的資料，係利用廣義線性模型求出第一、二生化預測值。

如上述本發明之一種罹病風險預測及風險修正之方法，其中罹病風險預測係針對一疾病的五年發病風險預測。

如上述本發明之一種罹病風險預測及風險修正之方法，其中可預測罹病風險的疾病包括：糖尿病(diabetes)、高血壓症(hypertension)、代謝症候群(MS)、慢性腎臟病(CKD)、血脂異常症(dyslipidemia)、肥胖(obesity)、脂肪肝(fatty liver)、骨質疏鬆症(osteoporosis)、高尿酸血症(hyperuricemia)、甲狀腺功能亢進(hyperthyroidism)、甲狀腺功能低下(hypothyroid)、心血管疾病(CVD)及肺癌(lung cancer)任一種。

如上述本發明之一種罹病風險預測及風險修正之方法，其中生化檢測值或生化預測值，至少包括以下項目：身體質量指數(BMI)、空腹血糖值(CACSUGAR)、鹼性磷酸酶(DALP)、舒張血壓值(DBP)、收縮血壓值(SBP)、骨質密度(DTSCORE)、腎小球濾過率(EGFR)、血尿酸值(FUA)、高密度脂蛋白膽固醇值(GHDLC)、低密度脂蛋白膽固醇值(GLDLC)、總甘油三酯值(TG)、癌胚抗原值(CEA)、C反應蛋白值(CRP)。

以下謹佐以較佳之實施例詳細說明本發明的進一步技術特徵。

依健康檢查的檢測值預測罹病風險的方法

實施例

A君，61歲，男性，接受一健康檢查後實際獲取的各項生化檢測值如表1所示。

以表1的各項生化檢測值為依據，利用Logistic回歸模型或COX模型預測各項疾病之五年發病率(罹病風險)，其中由於自健檢後的甲狀腺功能異常(甲狀腺功能亢進或低下)、心血管死亡或肺癌死亡的五年發病率較其他疾病低，故選用COX模型預測能比以Logistic回歸模型預測得到較佳的精度，其餘疾病則以Logistic回歸模型預測，而得到以下表2的各項疾病發病率預測值，表中僅列出較常發病的項目，而省略甲狀腺功能亢進、低下及心血管死亡的項目。表中的五年發病率預測值(P)係利用以下公式計算求得，Logistic回歸模型的公式：

COX模型的公式：

依健檢受檢者於健檢時的生活方式及膳食模式的問卷資料，求出一生化預測值的方法

表1是受檢者實際健檢所獲取的生化檢測值，本方法係希望了解受檢者個人的生活方式及膳食模式對生化檢測值的影響程度，藉著設計一問卷了解受檢者在受檢前的生活型態，並將該問卷所填答的資料，透過統計模型推估出一系列的生化預測值，再藉此觀察生化預測值與實際生化檢測值的差異。該問卷內容包括受檢者的生活方式如：性別、年齡、家族病史、工作型態、運動習慣、睡眠時間等；以及，膳食模式如：五大營養素的攝取狀況。該問卷資料經由表格整理後如表3，表中的”選項”是受檢者根據問卷內容的選擇代號，例如問卷內容對飲酒的選擇包括：1.不飲酒、2.戒酒、3.經常飲酒(每週1-4次)、4.每天飲酒，而受檢者填答的代號為3。表中的”轉換”係將問卷的選項代號透過預先的設定轉換成可計算的係數，以方便後續利用統計模型的公式求出生化預測值。

將表3的資料透過廣義線性模型求出一系列的生化預測值，定義為原問卷預測值b如表4，廣義線性模型的公式如下：

依一修正的問卷資料，求出一修正生化預測值的方法

由表4呈現的數值觀之，經由問卷所推估的生化預測值b，雖然某些部分與實際健檢的生化值有明顯差異，例如血壓值(dbp與sbp)，但實際健檢的血壓值可能是短暫的血壓呈現，其可能受量測血壓時的環境及心理因素影響，但經由生活習慣的問卷所推估的血壓值反而可以看出長期的血壓狀態。除了上述的差異外，其他如身體質量指數(BMI)、空腹血糖值(cacsugar)、骨質密度(dtscore)及尿酸值(fua)等變化不大，顯見經由長期的生活習慣的問卷所推估的生化預測值，可以當作觀測人體健康狀態的重要指標。有鑑於此，本方法根據原問卷的填答內容，試著從調整某些生活習慣及飲食內容而提出一份修正的問卷再交由受檢者填答，該修正的問卷內容係根據受檢者的性別、年齡、工作型態及家族病史等變數由預設系統做出，問卷中可設計一份建議值供填答者參考，例如以喝酒習慣而言，修正的問卷內容選擇仍然包括：1.不飲酒、2.戒酒、3.經常飲酒(每週1-4次)、4.每天飲酒，但依受檢者的原問卷內容的選擇建議值為1(即不飲酒)，但受檢者可選擇其能接受的代號而不必遵照建議值，例如表5中該項填答代號為3(即經常飲酒)。由表5可看出受檢者依問卷的建議所能調整的生活方式及膳食模式變化。

上述修正之問卷經由受檢者填答完成後，仍然經由上述”依健檢受檢者於健檢時的生活方式及膳食模式的問卷資料，求出一生化預測值的方法”，由一廣義線性模型求出一修正生化預測值c如表6，並可得知二問卷預測值的差值b-c，由差值的結果大部分都為正值(即較原問卷降低)可知，受檢者在修正問卷的建議下調整其生活方式及膳食模式，其空腹血糖值降低、高密度膽固醇值升高，而低密度膽固醇值降低。因此，經由修正建議的生活方式及膳食模式的調整，可以有效優化人體的各項生化值。

根據兩問卷生化預測值之差值，求出一修正生化檢測值的方法

表6結果的二問卷預測值的差值b-c表示透過經由修正建議的生活方式及膳食模式能調整或改善的人體各項生化值的幅度，將實際生化檢測值a減去二問卷預測值的差值b-c所得的結果值，可以當作是經由修正建議的生活方式及膳食模式的調整後，人體各項生化值的調整結果，將其定義為一修正生化檢測值a-(b-c)，如表7。

依據修正生化檢測值預測修正罹病風險的方法，以及評價罹病風險修正的效果

根據表7的修正生化檢測值a-(b-c)，按照”依健康檢查的檢測值預測罹病風險的方法”可預測各疾病的修正罹病風險(發病率)，並與依健康檢查的檢測值所預測的罹病風險比較(兩者發病率差值)，可以評價生活方式及膳食模式調整的效果，結果如表8。

由表8的發病率差值的結果都為正值可知，受檢者在修正問卷的建議下調整其生活方式及膳食模式後，其疾病的五年發病率(即罹病風險)可望下降，而證實了經由生活及飲食方式的調整，可以當作改善人體健康的一帖良方。

以上實施例僅為說明本發明的較佳實施方式，並非用以限制本發明的權利範圍，任何本領域之通常知識者，在參酌本發明如上揭露之技術說明後，所進行不悖離本發明技術精神的改變、修飾，皆是可能的。因此，本發明的權利範圍如本發明申請專利範圍中所界定者。

Claims

一種罹病風險預測及風險修正之方法，其步驟包括：依據一受檢者健康檢查的一原始生化檢測值，利用一統計模型預測出一疾病的原始罹病風險預測值；依據受檢者的一第一問卷的資料，利用一統計模型求出一第一生化預測值；依據受檢者的一第二問卷的資料，利用一統計模型求出第二生化預測值；將原始生化檢測值減去第一生化預測值與第二生化預測值的差值，而獲得一修正生化檢測值；依據修正生化檢測值，利用一統計模型預測出該疾病的修正罹病風險預測值；依據原始罹病風險預測值與修正罹病風險預測值的差值，以評價罹病風險修正的效果。
如申請專利範圍第1項之方法，其中第二問卷係依據第一問卷修正而成。
如申請專利範圍第1項之方法，其中第二問卷係依據第一問卷，由一預設系統做成。
如申請專利範圍第1項之方法，其中第一、二問卷包括生活方式及膳食模式的問卷內容。
如申請專利範圍第1項之方法，其中第一問卷的資料，係受檢者依據其健康檢查時的生活方式及膳食模式所填答的資料；第二問卷的資料，係依據第一問卷的資料，由一預設系統做成一修正的問卷內容，再由受檢者填答而成的資料。
如申請專利範圍第1項之方法，其中原始生化檢測值及修正生化檢測值，係利用Logistic回歸模型或COX模型求出其罹病風險預測值。
如申請專利範圍第1項之方法，其中第一、二問卷的資料，係利用廣義線性模型求出第一、二生化預測值。
如申請專利範圍第1項之方法，其中罹病風險預測係一疾病的五年發病風險預測。
如申請專利範圍第1項之方法，可預測罹病風險的疾病包括：糖尿病(diabetes)、高血壓症(hypertension)、代謝症候群(MS)、慢性腎臟病(CKD)、血脂異常症(dyslipidemia)、肥胖(obesity)、脂肪肝(fatty liver)、骨質疏鬆症(osteoporosis)、高尿酸血症(hyperuricemia)、甲狀腺功能亢進(hyperthyroidism)、甲狀腺功能低下(hypothyroid)、心血管疾病(CVD)及肺癌(lung cancer)任一種。
如申請專利範圍第1項之方法，其中生化檢測值或生化預測值，至少包括以下項目：身體質量指數(BMI)、空腹血糖值(CACSUGAR)、鹼性磷酸酶(DALP)、舒張血壓值(DBP)、收縮血壓值(SBP)、骨質密度(DTSCORE)、腎小球濾過率(EGFR)、血尿酸值(FUA)、高密度脂蛋白膽固醇值(GHDLC)、低密度脂蛋白膽固醇值(GLDLC)、總甘油三酯值(TG)、癌胚抗原值(CEA)、C反應蛋白值(CRP)。