TW201426620A - 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品 - Google Patents

健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品 Download PDF

Info

Publication number
TW201426620A
TW201426620A TW101148426A TW101148426A TW201426620A TW 201426620 A TW201426620 A TW 201426620A TW 101148426 A TW101148426 A TW 101148426A TW 101148426 A TW101148426 A TW 101148426A TW 201426620 A TW201426620 A TW 201426620A
Authority
TW
Taiwan
Prior art keywords
data
graphic
target
graphic data
health check
Prior art date
Application number
TW101148426A
Other languages
English (en)
Inventor
Szu-Han Tzao
Jung-Ping Chen
Yin-Pin Yang
yue-min Jiang
Yu-Chieh Pan
Original Assignee
Ind Tech Res Inst
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ind Tech Res Inst filed Critical Ind Tech Res Inst
Priority to TW101148426A priority Critical patent/TW201426620A/zh
Priority to US13/870,999 priority patent/US9192299B2/en
Publication of TW201426620A publication Critical patent/TW201426620A/zh

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

一種健康檢查路徑評估指標建構方法及系統、運用此方法之裝置及電腦程式產品。健康檢查路徑評估指標建構方法包括下列步驟。根據時間序列，將多個特徵以及多個屬性進行圖像化處理，以產生來源圖形資料，其中來源圖形資料具有群組值。接著，將來源圖形資料與具有相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數，其中這些相似度分數的最小值所對應的圖形為最佳範例圖形資料。根據最佳範例圖形資料對最佳方案或替代方案二者擇一，並在實施後將結果回饋。本揭露亦提供健康檢查路徑評估指標建構系統以實現上述方法。

Description

健康檢查路徑評估指標建構系統、方法、運用此方法 之裝置及電腦程式產品
本揭露是有關於一種健康檢查路徑評估指標建構的技術。
生物標記(biomarkers)可被視為客觀的臨床測量或評估參數，也可用來監測或預測正常生理或疾病的發展。然而，一年一次的健康檢查之間的間隔，生理的變化是無法察覺，對於疾病的風險預防的機制功能明顯不足。尤其是，生物標記的檢驗值屬於一種動態性的數值，其獲得的資料會根據受測者所處環境以及本身的狀況不同而存在著很大的差異。因此，取得這些檢驗資料相較於身體特徵資料而言，相對地不穩定。假若為了取得相對穩定的檢驗資料，則需要多次檢體採樣與採樣檢測。
一套完整的健康檢查必須經過非常多的檢查項目，其檢測程序昂貴且耗時，而且一體適用的健康檢查流程無法滿足不同的個體。在時間與經濟成本的考慮下，主動參加健康檢查的意願性不高。另一方面，一般性的健康檢查，其檢查項目的深度與穿透性不足，對於需要進一步進行檢查的項目，在受限於健康檢查涵蓋面的考量之下，其成效往往只具備形式上的意義。
有鑑於此，提供一種可因應不同個體並定期進行評估的健康檢查系統已成為當務之急。
本揭露提供一種健康檢查路徑評估指標建構方法。首先於時間序列中，提供多個屬性，其中每一屬性具有多個特徵。此方法是根據時間序列，將上述特徵以及上述屬性進行圖像化處理，以產生來源圖形資料，其中來源圖形資料具有群組值。接著，將來源圖形資料與具有相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數，其中這些相似度分數的最小值所對應的圖形為最佳範例圖形資料。接著，根據最佳範例圖形資料對最佳方案或替代方案二者擇一，其中最佳方案與替代方案分別具有多個項目，最佳方案的所有項目對應最佳範例圖形資料，替代方案的部份項目對應最佳範例圖形資料。在實施該最佳方案或該替代方案後，將結果回饋。
本揭露提供一種健康檢查路徑評估指標建構系統。此系統包括：資料提供單元、資料接收單元、圖像化處理單元、目標圖形資料庫、相似度比對單元、最佳範例產生器、資訊樣本資料庫、路徑發展預測模組、以及回饋單元。資料提供單元於一時間序列中，提供多個屬性，其中每一屬性具有多個特徵。資料接收單元用以接收上述特徵以及上述屬性。圖像化處理單元根據時間序列，將上述特徵以及上述屬性進行圖像化處理，以產生來源圖形資料，其中來源圖形資料具有群組值。目標圖形資料庫用以儲存多個目標圖形資料，其中每一目標圖形資料具有群組值。相似度比對單元分別耦接至圖像化處理單元以及目標圖形資料 庫，用以將來源圖形資料與具有相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數。最佳範例產生器耦接至相似度比對單元，用以自目標圖形資料選出最佳範例圖形資料，其中來源資料圖形與最佳範例圖形資料的相似度分數為相似度分數中的最小值。資訊樣本資料庫用以儲存多個方案。路徑發展預測模組分別耦接至最佳範例產生器以及資訊樣本資料庫，根據最佳範例圖形資料從資訊樣本資料庫對最佳方案或替代方案二者擇一，其中最佳方案與替代方案分別具有多個項目，最佳方案的所有項目對應最佳範例圖形資料，替代方案的部份項目對應該最佳範例圖形資料。回饋單元耦接至目標圖形資料庫，在實施最佳方案或替代方案後，將結果回饋至目標圖形資料庫。
為讓本揭露之上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
本揭露的部份實施例接下來將會配合附圖來詳細描述。這些實施例只是本揭露的一部份，並未揭示所有本揭露的可實施方式。更確切的說，這些實施例只是本揭露的專利申請範圍中的裝置與方法的範例。
圖1繪示依據本揭露一實施例之一種健康檢查路徑評估指標建構系統的方塊示意圖，圖2繪示依據本揭露一實施例之一種健康檢查路徑評估指標建構方法的流程圖，但 此僅是為了方便說明，並不用以限制本揭露。
請先參照圖1，本實施例的健康檢查路徑評估指標建構系統100包括：資料提供單元110、資料接收單元120、圖像化處理單元130、目標圖形資料庫140、相似度比對單元150、最佳範例產生器160、資訊樣本資料庫170、路徑發展預測模組180、以及回饋單元190。
首先介紹前述各構件，詳細內容將配合圖2中的健康檢查路徑評估指標建構方法流程圖一併揭露。資料提供單元110於一時間序列中，提供多個屬性，其中每一屬性具有多個特徵。在本實施例中，資料提供單元110可以是由前端自我評估模組(未繪示)與實體檢測輔助模組(未繪示)所組成，但不用以限定本揭露。資料接收單元120用以接收上述特徵以及上述屬性。圖像化處理單元130根據時間序列，將上述特徵以及上述屬性進行圖像化處理，以產生來源圖形資料，其中來源圖形資料具有群組值。目標圖形資料庫140用以儲存多個目標圖形資料，其中每一目標圖形資料具有群組值。相似度比對單元150分別耦接至圖像化處理單元130以及目標圖形資料庫140，用以將來源圖形資料與具有目標圖形資料庫140中相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數。最佳範例產生器160耦接至相似度比對單元150，用以從具有相同群組值的目標圖形資料中選出最佳範例圖形資料，其中最佳範例圖形資料與目標圖形資料的相似度分數為相似度分數中的最小值。資訊樣本資料庫170用以儲存多個 方案。路徑發展預測模組180分別耦接至最佳範例產生器160以及資訊樣本資料庫170，根據最佳範例圖形資料從資訊樣本資料庫170對最佳方案或替代方案二者選擇一方案，其中最佳方案與替代方案分別具有多個項目，最佳方案的所有項目對應最佳範例圖形資料，替代方案的部份項目對應該最佳範例圖形資料。回饋單元190耦接至目標圖形資料庫140，在實施最佳方案或替代方案後，將結果回饋至目標圖形資料庫140。
請同時參照圖1與圖2，以下即圖1中健康檢查路徑評估指標建構系統搭配圖2說明本實施例的健康檢查路徑評估指標建構方法的詳細步驟。
在本實施例中，資料提供單元110包括前端自我評估模組與實體檢測輔助工具。前端健康狀況自我評估模組定期提供使用者一個線上健康問卷，以取得使用者的調查資料。線上健康問卷的內容包括多個屬性，例如生理參數、人口統計變數、疾病徵狀、飲食習慣、運動習慣、病史資料等。每個屬性包括多個特徵，這些特徵可以是多個題目。例如，在腦中風的屬性裡，可以詢問使用者是否有手腳發麻、頭痛、暫時視力消失等特徵，而使用者則針對個人的身體的徵狀進行回覆，而每一特徵的回覆可以轉換成一數值。前端健康狀況自我評估模組會將問卷結果傳送至實體檢測輔助工具模組，接著，實體檢測輔助工具模組會對問卷結果進行評估。
若評估結果顯示使用者為某一疾病的高危險族群，則 針對評估結果建議一個適於使用者的健檢包，以於居家端進行自我檢體採樣。健檢包可以例如是心血管風險健檢包、新陳代謝風險健檢包、中風風險健檢包、乳癌風險健檢包等，為了提高方便性，上述健檢包可以在各區域小診所或是藥房取得。在使用者完成自我檢體採樣後，可寄送檢體採樣給指定的生化檢驗實驗中心進行檢測，以取得使用者的受檢資料。這些檢測亦可以包括多個屬性，例如血液檢測、尿液檢測等。同樣地，每個屬性包括多個特徵，例如，在血液檢測的屬性裡，可以有白血球、紅血球血紅素、血溶比、血小板等多個特徵。每一特徵亦為一數值，即為前述之受檢資料。資料提供單元110則會定期將上述調查資料與受檢資料，也就是多個屬性、多個特徵以及其所對應的數值傳送至資料接收單元120(步驟S201)。為方便說明，以下說明書內容將調查資料與受檢資料合稱為健康資料。
接著，資料接收單元120會將於一時間序列所接收的健康資料傳送至圖像化處理單元130(步驟S202)。此外，資料接收單元可以依使用者所使用的健檢包，給予一個群組值。圖像化處理單元130根據時間序列，依照上述特徵以及上述屬性對上述健康資料進行圖像化處理，以產生來源圖形資料(步驟S203)。圖像化處理的方式可以例如是將健康資料以熱力圖或等高線圖等資料視覺化(data visualization)的方式去呈現。本實施例將以熱力圖為來源圖形資料的呈現方式以進行更進一步的說明，但本揭露不 以此為限。
以熱力圖為圖像化處理的方式而言，假設一個使用者於一個具有t個期數的時間序列中進行健康檢查，其健康資料具有n個特徵，每一特徵分別對應m個屬性之一，而上述健康資料將會依照屬性，儲存至來源矩陣A。圖3繪示為來源矩陣A中的各個元素排列方式。請參照圖3，來源矩陣A具有n列以及t行，而來源矩陣A的元素aij為第i個特徵於第j個時間點的健康資料，其中i=0,1,...,n以及j=0,1,...,t。健康資料是以特徵所對應的屬性進行排序，以將n個特徵於t個期數內所構成的來源矩陣A分為m個特徵組區塊A1、A2、…、Am，也就是說每一特徵組區塊中的特徵具有相同屬性。接著，每一健康資料會依照數值的分布級距範圍設定不同的色彩，以完成圖像化處理，產生來源圖形資料。
以等高線圖為圖像化處理的方式而言，其計算特徵區塊之方式同於以熱力圖為圖像化處理的方式，但以等高線進行圖像化時，會將每一健康資料依照常態分佈處理(normalized；standardized)後之數值的分布級距範圍設定不同的等高線，屬相同級距範圍的健康資料會形一封閉曲線，再利用此等高線所夾的範圍面積做為與其他案例差異比較的基礎。
健康檢查路徑評估指標建構系統包括目標圖形資料庫140，用以儲存多個目標圖形資料，其中每一目標圖形資料可以是代表其它每一使用者的健康資料的熱力圖，其 中上述目標圖形資料可以依這些使用者所使用的健檢包，各自給予一個群組值，例如第1個群組可以是以中風風險健檢包做為自我檢體採樣的群組且其使用者具有中風疾病、第2個群組可以是以新陳代謝風險健檢包做為自我檢體採樣的群組且其使用者具有新陳代謝疾病等。目標圖形資料庫140會進行動態更新，以隨時增加目標圖形資料的數量。
接著，圖像化處理單元130會將來源圖形資料傳輸至相似度比對單元150，此外，相似度比對單元150亦會自目標圖形資料庫140將來源圖形資料與具有相同群組值的目標圖形資料來做相似度比對，以產生多個相似度分數(步驟S204)。本實施例將以歐基里得距離的平方(squared Euclidean distance)取得比對資料間的的距離做為相似度辨別差距的依據的演算方法，而此並非用以限定本揭露。在其它實施例中，相似度分數的演算方法更可以例如是主成份分析(principal component analysis)等其它多維度矩陣(multi-dimensional scaling)，多變量統計分析(multivariate statistical analysis)或電腦影像辨識常用的機器學習(machine learning)演算方法而獲得。
舉例來說，假設代表來源圖形資料的來源矩陣A是以心血管風險健檢包做為自我檢體採樣且其群組值為β，則代表目標圖形資料的目標矩陣B(1)、B(2)、…、B(p)同是以心血管風險健檢包做為自我檢體採樣且其群組值亦為β，p>1。由於代表來源矩陣A的使用者與群組值為β的目標 矩陣B(1)、B(2)、…、B(p)所代表的使用者採用同樣的健檢包做自我檢體採樣，因此目標矩陣B(1)、B(2)、…、B(p)各自具有n列以及t行以及m個特徵組區塊，其排序皆與來源矩陣A相同，其元素為目標矩陣B(k)中第i個特徵值於第j個時間點的健康資料，其中i=0,1,...,n、j=0,1,...,t以及k=0,1,...,p。接著，相似度比對單元150將計算來源矩陣A分別與目標矩陣B(1)、B(2)、…、B(k)的相似度分數，並將這些相似度分數傳送至最佳範例產生器160。相似度分數的計算方式可以是來源矩陣A分別與目標矩陣B(1)、B(2)、…、B(s)的歐基理得距離的平方。此外，對於不同屬性所劃分的特徵組區塊，將會配置不同比例的加權矩陣(weighted matrix)W，其中W為一個具有n列以及n行的對角矩陣(diagonal matrix)，其元素wii分別為第i個特徵所對應的特徵組區塊(或屬性)所分配的權重。所謂權重是指針對一個指標而言，也就是說某一指標的權重是指所述指標在整體中的相對重要程度。例如，以心血管疾病而言，血壓、血糖以及血脂等特徵所分配的權重則會比其它特徵相對地高，並以此加權係數的放大效果，可以更容易區隔比對的特徵差異。
接著最佳範例產生器再取所計算出的相似度分數中的最小值(步驟S205)，稱之為最小相似度分數Smin，其可以數學式表示如下： 其中a j 以及為行向量(column vector)，亦即a j 以及可 分別表示為a j =[a 1j a 2j …a nj ] T 以及。最小相似度分數Smin所對應的目標圖形資料為最佳範例圖形資料，也就是說來源矩陣A與最佳範例圖形資料的健康資料具有最小的相似度分數。
必須特別說明的是，來源矩陣A與目標圖形資料B(1)、B(2)、…、B(s)的行數並不限定為t行，也就是說定期檢查的期數並不限定為t個期數。在其它實施例中，來源矩陣A的期數可以為小於t，而B(1)、B(2)、…、B(s)的行數需因應來源矩陣A而改變為相同的行數。
此外，來源圖形資料與最佳範例圖形資料可以在此時顯示給使用者，以讓使用者藉由圖像化的顯示更容易解讀健康資料。以熱力圖而言，可以藉由色彩或圖像規則來表示必須加以警戒的健康資料，以供使用者參考，使得使用者可以容易解讀這些複雜性高以及可解讀性低的數據，並經由最佳範例圖形資料的對照，得以更加了解自己患病的風險。
舉例來說，圖4繪示依據本揭露一實施例之來源圖形資料與最佳範例圖形資料。請參照圖4，方塊412與方塊422的斜線部份分別為來源圖形資料410與最佳範例圖形資料420有實行檢查的期數。由方塊412可知，來源圖形資料410的檢查期數小於最佳範例圖形資料420的檢查期數，其中來源圖形資料410具有5個檢查期數。若將來源圖形資料410的特徵組區塊414與最佳範例圖形資料420的特徵組區塊424中的前5個期數做比較，其二者的圖形 資料穩合，也就是說可以利用最佳範例圖形資料424的特徵組區塊424對來源圖形資料410的特徵組區塊414的第5個期數之後的健康資料做預估。此外，將來源圖形資料410的特徵組區塊416中具有多個高警戒的健康資料也可以經由熱力圖的顯示提供給資料者做參考。
接著，來源圖形資料與最佳範例圖形資料將會傳送到路徑發展預測模組180，路徑發展預測模組180會根據資訊樣本資料庫170提供最佳方案或替代方案給使用者，請使用者針對二者擇一(步驟S206)，其中資訊樣本資料庫170用以儲存多個醫事專業檢查方案，每一醫事專業檢查方案包含多個檢查項目，並且是經過不斷的田野測試(field study)而建構而成。路徑發展預測模組180會根據最佳範例圖形資料提供最佳方案，其中最佳方案的檢查項目與代表最佳範例圖型資料的使用者的檢查項目完全相同。此外，路徑發展預測模組180會透過時間序列的連續資料，針對健康資料利用馬可夫鏈(Markov chain)、狀態空間(classification of states)與傳遞矩陣(transfer matrix)或是Metropolis-Hasting取樣程序(Metropolis Hasting Sampling)等疊代的機率預測的演算方法進行危險因子的路徑發展分析或預測，並自健康資訊樣本資料庫選擇一替代方案建議給使用者，其中替代方案的檢查項目與代表最佳範例圖型資料的使用者的檢查項目部份相同。
接著，使用者將針對上述最佳方案或替代方案的檢查項目進行醫事專業檢查，並將醫事專業檢查的結果回饋至 目標圖形資料庫140(步驟S207)。進一步來說，若使用者選擇最佳方案的檢查項目，經過醫事專業檢查後，其結果符合檢查項目的疾病，則將來源資料圖形儲存至目標圖形資料庫140，而此來源資料圖形則為一個新增的目標資料圖形，以完成更新。若使用者選擇替代方案的檢查項目，經過醫事專業檢查後，其結果符合檢查項目的疾病，同樣地，將來源資料圖形儲存至目標圖形資料庫140，而此來源資料圖形亦為一個新增的目標資料圖形，以完成更新。
為了更加了解本揭露主要的整體流程，圖5繪示應用本揭露另一實施例之一種健康檢查路徑評估指標建構系統流程示意圖。請參照圖5，其中與圖1的相同構件以相同符號表示，而本實施例是採用熱力圖為圖形資料。首先資料提供單元110會提供使用者的調查資料和受檢資料。接著，相似度比對單元150會將使用者的熱力圖與目標圖形資料庫140所儲存的其它病人的熱力圖做相似度比對，以利用機器學習演算方法做相似度分析。
接著，最佳範例產生器160會從其它病人的熱力圖中找出與使用者的熱力圖最為相似的最佳範例圖形資料。接著，利用馬可夫鏈、狀態空間與傳遞矩陣或是Metropolis-Hasting取樣程序等疊代的機率預測的演算方法的路徑發展預測模組180會根據儲存多個醫事專業檢查方案的資訊樣本資料庫170，進行危險因子的路徑發展分析或預測，經由專家確認後，選擇一個醫事專業檢查方案給使用者。當然，使用者亦可以選擇與代表最佳範例圖形 資料的病人相同的醫事專業檢查方案。無論是使用者進行與最佳範例圖形資料的病人相同或不同的醫事專業檢查方案，若檢查結果符合檢查項目的疾病，則將使用者的熱力圖儲存至目標圖形資料庫，若檢查結果不符合檢查項目的疾病，則必須再透過專家做進一步的確認，以更進一步討論是否進行其它的路徑發展分析或預測。
綜上所述，本揭露所提出的健康檢查路徑評估指標建構系統及方法，透過屬性的分群方法以及熱力圖等方式，並且結合時間序列，將使用者的健康資訊進行圖像化，以增加健康資料的可解讀性。此外，圖像化的健康資料可藉由電腦影像辨識的比對技術和方法，找尋一個最相似的案例，並以這個相似案例做為標準，作為疾病比對預測與醫事專業檢查的參考依據，以對疾病採取即早的預防與治療。
本揭露內容中所提到的一實施例或類似表達方式的引用是指結合該具體實施例所述的特定特色、結構、或特性係包括在本揭露內容的至少一具體實施例中。因此，在本揭露內容中，「在一具體實施例中」及類似表達方式之用語的出現未必指相同的具體實施例。
本領域者當知，本揭露內容可實施為電腦系統、方法或作為電腦程式產品之電腦可讀媒體。因此，本揭露內容可以實施為各種形式，例如完全的硬體實施例、完全的軟體實施例(包含韌體、常駐軟體、微程式碼等)而由例如一處理器執行，或者亦可實施為軟體與硬體的實施形式。此外，本揭露內容亦可以任何有形的媒體形式實施為電腦 程式產品，其具有電腦可使用程式碼儲存於其上。
以上本揭露內容的相關敘述是參照依據本揭露內容具體實施例之系統、裝置、方法及電腦程式產品之流程圖及/或方塊圖來進行說明。當可理解每一個流程圖及/或方塊圖中的每一個方塊，以及流程圖及/或方塊圖中方塊的任何組合，可以使用電腦程式指令來實施。這些電腦程式指令可供通用型電腦或特殊電腦的處理器或其他可程式化資料處理裝置所組成的機器來執行，而指令經由電腦或其他可程式化資料處理裝置處理以便實施流程圖及/或方塊圖中所說明之功能或操作。
這些電腦程式指令亦可被儲存在電腦可讀取媒體上，以便指示電腦或其他可程式化資料處理裝置來進行特定的功能，而這些儲存在電腦可讀取媒體上的指令構成一製成品，其內包括之指令可實施流程圖及/或方塊圖中所說明之功能或操作。
電腦程式指令亦可被載入到電腦上或其他可程式化資料處理裝置，以便於電腦或其他可程式化裝置上進行一系統操作步驟，而於該電腦或其他可程式化裝置上執行該指令時產生電腦實施程序以達成流程圖及/或方塊圖中所說明之功能或操作。
其次，如圖1至圖5中，在圖式中顯示依據本揭露內容各種實施例的裝置、方法及電腦程式產品可實施的架構、功能及操作之流程圖及方塊圖。因此，流程圖或方塊圖中的每個方塊可表示一模組、區段、或部分的程式碼， 其包含一個或多個可執行指令，以實施指定的邏輯功能。 另當注意者，某些其他的實施例中，方塊所述的功能可以不依圖中所示之順序進行。舉例來說，兩個圖示相連接的方塊事實上亦可以同時執行，或依所牽涉到的功能在某些情況下亦可以依圖示相反的順序執行。此外亦需注意者，每個方塊圖及/或流程圖的方塊，以及方塊圖及/或流程圖中方塊之組合，可藉由基於特殊目的硬體的系統來實施，或者藉由特殊目的硬體與電腦指令的組合，來執行特定的功能或操作。
雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露，任何所屬技術領域中具有通常知識者，在不脫離本揭露之精神和範圍內，當可作些許之更動與潤飾，故本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧健康檢查路徑評估指標建構系統
110‧‧‧資料提供單元
120‧‧‧資料接收單元
130‧‧‧圖像化處理單元
140‧‧‧目標圖形資料庫
150‧‧‧相似度比對單元
160‧‧‧最佳範例產生器
170‧‧‧資訊樣本資料庫
180‧‧‧路徑發展預測模組
190‧‧‧回饋單元
S201-S207‧‧‧健康檢查路徑評估指標建構方法之各步驟
A‧‧‧來源矩陣
A1、A2...、An‧‧‧特徵組區塊
410‧‧‧來源圖形資料
420‧‧‧最佳範例圖形資料
412、422‧‧‧方塊
414、416、424‧‧‧特徵組區塊
圖1繪示依據本揭露一實施例之一種健康檢查路徑評估指標建構系統的方塊示意圖。
圖2繪示依據本揭露一實施例之一種健康檢查路徑評估指標建構方法的流程圖。
圖3繪示為來源矩陣A中的各個元素排列方式。
圖4繪示依據本揭露一實施例之來源圖形資料與最佳範例圖形資料。
圖5繪示應用本揭露另一實施例之一種健康檢查路徑評估指標建構系統流程示意圖。
S201-S207‧‧‧健康檢查路徑評估指標建構方法之各步驟

Claims (14)

  1. 一種健康檢查路徑評估指標建構方法包括：於一時間序列中，提供多個屬性，其中每一屬性具有多個特徵；根據該時間序列，將該些特徵以及該些屬性進行圖像化處理，以產生一來源圖形資料，其中該來源圖形資料具有一群組值；根據一目標圖形資料庫，將該來源圖形資料與具有相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數；自該些目標圖形資料選出一最佳範例圖形資料，其中該來源資料圖形與該最佳範例圖形資料的相似度分數為該些相似度分數中的最小值；根據該最佳範例圖形資料選擇一最佳方案或一替代方案，其中該最佳方案與該替代方案分別具有多個項目，該最佳方案的所有該些項目對應該最佳範例圖形資料，該替代方案的部份該些項目對應該最佳範例圖形資料；以及在實施該最佳方案或該替代方案後，將結果回饋至該目標圖形資料庫。
  2. 如申請專利範圍第1項所述之健康檢查路徑評估指標建構方法，其中該來源圖形資料以及該些目標資料是多個熱力圖或多個等高線圖。
  3. 如申請專利範圍第2項所述之健康檢查路徑評估指標建構方法，其中當該來源圖形資料以及該些目標資料 是該些熱力圖時，計算該些相似度分數的演算方法是取歐基里得距離的平方，且分別針對該些屬性分配不同的一加權參數，並且該加權參數將與該目標圖形資料庫一併進行動態更新。
  4. 如申請專利範圍第2項所述之健康檢查路徑評估指標建構方法，其中當該來源圖形資料以及該些目標資料是該些等高線圖時，計算該些相似度分數的演算方法是利用等高線的封閉曲線內所夾的範圍面積做差異比較。
  5. 如申請專利範圍第2項所述之健康檢查路徑評估指標建構方法，其中進行相似度比對以產生該些相似度分數的演算方法包括主成份分析(principal component analysis)之多維度矩陣(multi-dimensional scaling)、多變量統計分析(multivariate statistical analysis)或電腦影像辨識之機器學習(machine learning)演算方法。
  6. 如申請專利範圍第1項所述之健康檢查路徑評估指標建構方法，其中根據該最佳範例圖形資料選擇該替代方案的方法包括利用馬可夫鏈(Markov chain)、狀態空間(classification of states)與傳遞矩陣(transfer matrix)、或是Metropolis-Hasting取樣程序(Metropolis Hasting Sampling)演算方法其中之一。
  7. 一種健康檢查路徑評估指標建構系統包括：一資料提供單元，於一時間序列中，提供多個屬性，其中每一屬性具有多個特徵；一資料接收單元，用以接收該些特徵以及該些屬性； 一圖像化處理單元，根據該時間序列，將該些特徵以及該些屬性進行圖像化處理，以產生一來源圖形資料，其中該來源圖形資料具有一群組值；一目標圖形資料庫，用以儲存多個目標圖形資料，其中每一目標圖形資料具有一群組值；一相似度比對單元，分別耦接至該圖像化處理單元以及該目標圖形資料庫，用以將該來源圖形資料與具有相同群組值的多個目標圖形資料進行相似度比對，以產生多個相似度分數；一最佳範例產生器，耦接至該相似度比對單元，用以自該些目標圖形資料選出一最佳範例圖形資料，其中該來源資料圖形與該最佳範例圖形資料的相似度分數為該些相似度分數中的最小值；一資訊樣本資料庫，用以儲存多個方案；一路徑發展預測模組，分別耦接至該最佳範例產生器以及該資訊樣本資料庫，根據該最佳範例圖形資料從該資訊樣本資料庫選擇一最佳方案或一替代方案，其中該最佳方案與該替代方案分別具有多個項目，該最佳方案的所有該些項目對應該最佳範例圖形資料，該替代方案的部份該些項目對應該最佳範例圖形資料；以及一回饋單元，耦接至該目標圖形資料庫，在實施該最佳方案或該替代方案後，將結果回饋至該目標圖形資料庫。
  8. 如申請專利範圍第7項所述之健康檢查路徑評估指標建構系統，其中該來源圖形資料以及該些目標資料是 多個熱力圖或多個等高線圖。
  9. 如申請專利範圍第8項所述之健康檢查路徑評估指標建構系統，其中當該來源圖形資料以及該些目標資料是該些熱力圖時，該相似度比對單元計算該些相似度分數的演算方法是取歐基里得距離的平方，且分別針對該些屬性分配不同的一加權參數，並且該加權參數將與該目標圖形資料庫一併進行動態更新。
  10. 如申請專利範圍第8項所述之健康檢查路徑評估指標建構系統，其中當該來源圖形資料以及該些目標資料是該些等高線圖時，該相似度比對單元計算該些相似度分數的演算方法是利用等高線的封閉曲線內所夾的範圍面積做差異比較。
  11. 如申請專利範圍第8項所述之健康檢查路徑評估指標建構系統，其中進行相似度比對以產生該些相似度分數的演算方法包括主成份分析(principal component analysis)之多維度矩陣(multi-dimensional scaling)、多變量統計分析(multivariate statistical analysis)或電腦影像辨識之機器學習(machine learning)演算方法。
  12. 如申請專利範圍第7項所述之健康檢查路徑評估指標建構系統，其中根據該最佳範例圖形資料選擇該替代方案的方法包括利用馬可夫鏈(Markov chain)、狀態空間(classification of states)與傳遞矩陣(transfer matrix)、或是Metropolis-Hasting取樣程序(Metropolis Hasting Sampling)演算方法其中之一。
  13. 一種裝置，適用於健康檢查路徑評估指標建構，該裝置包括一處理器與一記憶體裝置，其中該處理器用以執行如申請專利範圍第1到6項所述之方法中任一項所述之方法，而該記憶體裝置用以儲存該目標圖形資料庫。
  14. 一種儲存在一電腦可用媒體上之電腦程式產品，包含一電腦可讀程式，供於一電腦系統上執行時，以實施申請專利範圍第1到6項所述之方法中任一項所述之方法。
TW101148426A 2012-12-19 2012-12-19 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品 TW201426620A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW101148426A TW201426620A (zh) 2012-12-19 2012-12-19 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品
US13/870,999 US9192299B2 (en) 2012-12-19 2013-04-26 Health check path evaluation indicator building system, method thereof, device therewith, and computer program product therein

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW101148426A TW201426620A (zh) 2012-12-19 2012-12-19 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品

Publications (1)

Publication Number Publication Date
TW201426620A true TW201426620A (zh) 2014-07-01

Family

ID=50930352

Family Applications (1)

Application Number Title Priority Date Filing Date
TW101148426A TW201426620A (zh) 2012-12-19 2012-12-19 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品

Country Status (2)

Country Link
US (1) US9192299B2 (zh)
TW (1) TW201426620A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI683223B (zh) * 2018-10-16 2020-01-21 宏碁股份有限公司 篩選資料的方法和裝置
CN113782161A (zh) * 2020-09-30 2021-12-10 北京京东拓先科技有限公司 一种信息输出方法和装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657469A (zh) * 2015-02-13 2015-05-27 罗悦 一种自适应动态数据处理方法
CN114141378A (zh) * 2017-01-19 2022-03-04 京东方科技集团股份有限公司 数据分析方法和设备
US11521740B2 (en) * 2018-06-06 2022-12-06 International Business Machines Corporation Natural language processing of a motion alphabet for unsupervised clinical scoring
CN111324788A (zh) * 2020-02-18 2020-06-23 京东方科技集团股份有限公司 一种数据可视化方法、系统、电子设备及存储介质
CN113779335A (zh) * 2021-02-09 2021-12-10 北京沃东天骏信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN115137323B (zh) * 2021-03-31 2024-10-11 华为技术有限公司 高血压风险检测方法及相关装置
CN114638554B (zh) * 2022-05-18 2022-08-26 国网浙江省电力有限公司 营销业务健康指数评价联控方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6909981B2 (en) 2003-01-27 2005-06-21 Ciphergen Biosystems, Inc. Data management system and method for processing signals from sample spots
TWI278768B (en) 2004-12-24 2007-04-11 Ind Tech Res Inst System and method for personal health management
US20070027368A1 (en) * 2005-07-14 2007-02-01 Collins John P 3D anatomical visualization of physiological signals for online monitoring
TWI313168B (en) 2005-12-27 2009-08-11 Ind Tech Res Inst Systems for health examination results processing, systems for health examination, and methods for processing health examination
TW200832237A (en) 2007-01-19 2008-08-01 Univ Nat Chiao Tung Human activity recognition method by combining temple posture matching and fuzzy rule reasoning
CN101504693B (zh) 2008-02-05 2011-09-07 陈俊荣 整合互动式健康管理系统
TW201020960A (en) 2008-11-26 2010-06-01 Ind Tech Res Inst Computer controlling method for self-health management and computer system for result self-health management information
TWI470571B (zh) 2009-03-27 2015-01-21 Changhua Christian Hospital Autonomous and interactive health management system
US8731966B2 (en) 2009-09-24 2014-05-20 Humedica, Inc. Systems and methods for real-time data ingestion to a clinical analytics platform to generate a heat map
US20110129131A1 (en) * 2009-11-30 2011-06-02 General Electric Company System and method for integrated quantifiable detection, diagnosis and monitoring of disease using population related time trend data and disease profiles
TW201118632A (en) 2009-11-30 2011-06-01 Sien-Shih Chang Method and system of judging health examination data and recording medium thereof
US8679009B2 (en) * 2010-06-15 2014-03-25 Flint Hills Scientific, Llc Systems approach to comorbidity assessment

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI683223B (zh) * 2018-10-16 2020-01-21 宏碁股份有限公司 篩選資料的方法和裝置
CN113782161A (zh) * 2020-09-30 2021-12-10 北京京东拓先科技有限公司 一种信息输出方法和装置

Also Published As

Publication number Publication date
US9192299B2 (en) 2015-11-24
US20140168246A1 (en) 2014-06-19

Similar Documents

Publication Publication Date Title
Maier-Hein et al. Metrics reloaded: recommendations for image analysis validation
TW201426620A (zh) 健康檢查路徑評估指標建構系統、方法、運用此方法之裝置及電腦程式產品
Zhou et al. In-depth mining of clinical data: the construction of clinical prediction model with R
CN106897573B (zh) 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统
US10755810B2 (en) Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities
Klemm et al. Interactive visual analysis of image-centric cohort study data
CN108335755B (zh) 数据分析方法和设备
Bouali et al. Comparative study of different classification techniques: heart disease use case
Mridha et al. Automated stroke prediction using machine learning: an explainable and exploratory study with a web application for early intervention
Cullell-Dalmau et al. Research techniques made simple: deep learning for the classification of dermatological images
Robin et al. PanelomiX: a threshold-based algorithm to create panels of biomarkers
Ranka et al. Artificial intelligence in cardiovascular medicine
Singh et al. A novel ensemble-based classifier for detecting the COVID-19 disease for infected patients
Shrestha et al. Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection
WO2017106819A1 (en) Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities
JP7347977B2 (ja) 情報処理装置、情報処理方法及びプログラム
Nagadeepa et al. Artificial intelligence based cervical cancer risk prediction using m1 algorithms
JP6644767B2 (ja) 相互相関に基づかれる階層的なデータ分析に関する方法及び装置
Evangelista et al. A comparative analysis of the strain-line pattern in the human left ventricle: experiments vs modelling
El Rafaie et al. On the use of SPECT imaging datasets for automated classification of ventricular heart disease
Sankaravadivel et al. Feature based analysis of endometriosis using machine learning
Li et al. Multilevel modeling of joint damage in rheumatoid arthritis
Kasabe et al. Cardio Vascular ailments prediction and analysis based on deep learning techniques
Duffy et al. Deep Learning Discovery of Demographic Biomarkers in Echocardiography
Swathisree et al. Heart Disease Prediction Using Machine Learning