TWI641963B - Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm - Google Patents
Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm Download PDFInfo
- Publication number
- TWI641963B TWI641963B TW106122803A TW106122803A TWI641963B TW I641963 B TWI641963 B TW I641963B TW 106122803 A TW106122803 A TW 106122803A TW 106122803 A TW106122803 A TW 106122803A TW I641963 B TWI641963 B TW I641963B
- Authority
- TW
- Taiwan
- Prior art keywords
- heart disease
- coronary heart
- mechanical learning
- cardiovascular
- screening
- Prior art date
Links
Abstract
一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,透過將複數受檢者的檢體以具有多項心血管標記的套組進行檢驗,並將檢驗之結果及其相對應的冠心症疾病狀態輸入至機械學習機中,接著使用變量挑選方法並結合心血管標誌變量及冠心症疾病狀態,藉由監督式機械學習運算法建立冠心症預測模型,再將新受檢者所檢驗出的心血管標記套組檢驗數據,輸入至上述冠心症預測模型中進行罹患冠心症之風險評估,藉由上述方法不但能提高一般族群冠心症篩檢便利性,更能提高經濟性及正確性。
Description
本發明為一種冠心症篩檢的方法,尤指一種結合了心血管標誌及機械學習運算法而得到的冠心症篩檢的方法。
心血管疾病是許多開發中國家、先進國家的主要死因,尤其是冠心症及其隨時可能導致的心肌梗塞,而冠心症之治療及照護,更是為社會帶來了沉重的負擔。因此若在早期對冠心症進行診斷,則可降低心肌梗塞及其他併發症,然而在先前相關技術中,並不存在實施簡單篩檢冠心症的方法,現有冠心症篩檢之工具費時、花費高、輻射曝露、較危險,又須仰賴人工判斷。
舉例來說,通常無症狀、相對健康族群欲進行冠心症篩檢,會採用下列方法:1.心臟核子造影;2.心導管;3.冠狀動脈電腦斷層造影,以讓病患在無明顯症狀的情況下篩檢出潛在的冠心症。上述篩檢方法雖然成效良好,卻都存在著一定的限制。首先,心臟核子造影、心導管檢查、冠狀動脈電腦斷層造影的檢查過程中都伴隨著高量的輻射暴露。心導管檢查雖說準確率最高,但也向時有著冠狀動脈破裂風險。冠狀動脈電腦斷層造影是目前侵入性較低且同時高準確率之冠心症篩檢方法,然而這種方法必須仰賴電腦斷層造影的使用,除了放射量暴露的問題以外,電腦斷層造影的儀器、檢查費用還是相對昂貴,無法滿足族群大規模篩檢之
需求。
習用的另一種方式係透過使用心血管標記套組來進行檢驗,然而心血管標記套組包含了相當多項心血管標記的檢驗數值,目前醫療常規大多仍依靠人員的判讀。在判讀的方法部份,多使用各個心血管標記之閾值為依據,意即:若任一心血管標記之檢驗數值超出了閾值,即預測該受測者有潛在冠心症的危險性較高。然而,這樣的做法通常無法對整體數據的綜合分佈型態進行判斷,因而影響其在臨床使用上的準確效能。
總體而言,這些做法不但不便利、價錢高,而且可能使受檢者暴露在潛在的醫源性傷害及輻射量下,不是理想的做法。綜合上述,目前缺乏可行之技術,可方便地在無症狀的一般族群中做冠心症篩檢。
因此,本發明之目的即在針對無明顯症狀的一般族群,提供一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,以能同時提高冠心症篩檢的便利性、經濟性及正確性。
於是,本發明將多個受檢者的檢體以具有多項心血管標記的套組進行檢驗,並將檢驗之結果及其相對應的冠心症疾病狀態,輸入至機械學習機,接著再使用挑選後最佳的數值,並結合數值及冠心症疾病狀態,透過監督式機械學習運算法建立冠心症預測模型,之後再將新受檢者所檢驗出的血管標記套組檢驗數據,輸入至上述冠心症預測模型中,即可透過運算及分析新受檢者是否具有罹患冠心症之潛在機率的風險評估。
本發明之功效在於:除了保有多項心血管標記套組能在單次採樣中,即可得到涵蓋多種潛在冠心症的篩檢結果外,透過結合監督式
機械學習運算法,得以最大程度從多種潛在冠心症的篩檢結果的綜合數據,分析冠心症與非冠心症個案及其血管標記分布上的差異。因此,除了大幅降低受檢者檢驗時間,增加方便性及時效性之外,更是減少了許多可能的醫源性傷害及輻射暴露;此外,本發明可以從整體的綜合數據分布樣貌中找出分類依據,提供一般族群冠心症篩檢時之時效性、正確性及重現性,透過結合臨床醫學及資訊工程之演算的優勢,可廣為冠心症篩檢所應用,進而增加醫療診斷之進步。
圖1為方塊流程圖,說明冠心症預測模型建立的流程及其風險評估和預警。
圖2為直條圖,以ROC曲線下面積為指標說明心血管標誌與機械學習運算法的預測效能。
在本發明被詳細描述之前,應當注意在以下的說明內容的數值,當不能以此限定本發明實施之範圍。
參閱圖1,為本發明說明冠心症預測模型建立的流程及其風險評估和預警,包含下列步驟:首先,將受檢者的血液、尿液、唾液、汗液、糞便、胸水、腹水或腦脊髓液等檢體,以具有多項心血管標記的套組進行檢驗,並將檢驗之結果及其相對應的冠心症疾病狀態輸入至機械學習機中,所述之冠心症疾病狀態可依照有冠心症/無冠心症的狀態分類,或是以冠心症嚴重程度分類;接著可在機械學習機中使用變量挑選的方法,
以挑選出分類效能最佳的數個心血管標誌變量,藉由機械學習機內部的監督式機械學習運算法建立冠心症預測模型;最後,透過將新受檢者所檢驗出的心血管標記套組檢驗數據,輸入至上述冠心症預測模型中進行運算及分析,即可評估新受檢者是否具有潛在冠心症之風險,當冠心症預測模型的判讀結果出來後,可對新受檢者進行預警通知,提醒受檢者可採取後續行動,例如與醫生討論採取的治療手段等等。
需注意的是,冠心症疾病狀態之判定日期與多項心血管標記套組之檢驗日期,兩者相隔一段時間,相隔時間因應用的不同而可能為1天到3年之間。
上述中,多項心血管標誌為高密度脂蛋白、低密度脂蛋白、三酸甘油脂、總膽固醇、血糖、微白蛋白、醣化血色素、C反應蛋白、同半胱胺酸、脂蛋白、尿酸、心肌肌鈣蛋白、肌酸磷化酵素、B型利鈉尿胜、原生B型利納胜、前降鈣素、紅血球沉降速率、乳酸去氫酶、鈉離子、鉀離子、鈣離子、氯離子、鎂離子、亞鐵離子、鐵離子、尿素氮、肌酐酸、胱蛋白C、膽紅素、酮體、酸鹼值或上述之任意組合。
上述中,機械學習機使用的監督式機械學習運算法為邏輯式回歸(Logistic Regression)、k鄰近法(k Nearest Neighbor)、支持向量機(Support Vector Machine)、類神經網路學習(Artificial Neural Network)、決策樹運算法(Decision Tree Induction Algorithm)、隨機森林運算法(Random Forest Algorithm)、貝氏決策法(Bayesian Classification Algorithms)或上述之任意組合。
具體實施方式如下:
一、受試者之條件(納入、排除條件)、數目:
受試者為接受心血管標誌物篩檢套組檢驗之大於20歲成人。本實施例採用病歷回溯,不需另外招募受試者。
二、設計及方法:
主要臨床資訊或檢驗測量值為性別(sex)、年齡(age)、身體質量指標(Body Mass Index,BMI)、高血壓病史(Hypertension)、糖尿病病史(Diabetes mellitus)、高密度脂蛋白(High Density Lipoprotein,HDL)、低密度脂蛋白(Low Density Lipoprotein,LDL)、三酸甘油脂(Triglycerol,TG)、醣化血色素(glycosylated hemoglobin,HbAlC)之量測。此543位成人,抽血同時皆有接受心導管檢查以確認冠狀動脈之疾病狀況。在資料整理完成之後,本實施例依此建立數個監督式學習模型,包含:k鄰近法、支持向量機、類神經網路。
三、資料回溯期間、本實施例執行期間:
資料回溯其間自2010年9月1日至2011年3月31日。
四、結果之評估及統計方法:
本實施例計算各種不同心血管標誌物數據的分布情形,並依此變量數值及其數值訓練預測模型。本實施例將以內部驗證的組別,驗證各個模型的預測能力。預測模型之效力將以接收者操作特徵曲線(ROC curve)進行評估,並同時計算其曲線下面積。
圖2係以ROC曲線下面積為指標評估冠心症預測效能,採用單一檢驗標誌,有三酸甘油脂、低密度膽固醇、總膽固醇、醣化血色素、高密度膽固醇)與機械學習機(支持向量機、k鄰近、類神經網路),藉
此分析心血管檢驗套組的冠心症預測效能、各種不同心血管標誌,及不同監督式機械學習運算法分析心血管檢驗套組後的冠心症篩檢效能。其操作特徵曲線下面積證明了,單一心血管檢驗標誌的曲線下面積至多0.7左右;但若用監督式機械學習運算法分析心血管檢驗套組(含複數個心血管標誌)後,其冠心症預測之效能可大幅提升至0.9左右。本實施例說明了,使用監督式機械學習運算法分析合適之心血管標誌套組(含複數心血管檢驗標誌),可做出準確之冠心症預測。透過不同的監督式機械學習運算法進行心血管標誌套組資料的學習,能大幅地提升了潛在冠心症的篩檢效能。
綜上所述,本發明除了保有多項心血管標記套組能在單次採樣中,即可得到涵蓋多種心血管標記的檢測結果外,透過結合監督式機械學習運算法,得以最大程度從多種心血管標記的檢測數據,分析冠心症與非冠心症個案及其血管標記分布上的差異,從整體的綜合數據分布樣貌中找出分類依據,且訓練完成之冠心症預測模型亦可多方面地複製至使用者的終端機進行使用,因此可廣為冠心症篩檢所應用,進而增加醫療診斷之進步,在正確性、時效性、經濟效益及重現性上,與傳統人為判讀相比皆獲得重大改善。
需注意的是,上述實施例僅為例示性說明本發明之原理及其功效,而非用於限制本發明之範圍。任何熟於此項技術之人均可在不違背本發明之技術原理及精神下,對實施例作修改與變化。因此本發明之權利保護範圍應如後述之申請專利範圍所述。
Claims (7)
- 一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,包含下列步驟:A.輸入多個受檢者檢體以具有多項心血管標記的套組進行檢驗,並將檢驗之結果及其相對應冠心症疾病狀態輸入至機械學習機中;B.於該機械學習機中使用變量挑選方法進行挑選,選出分類效能最佳的數個心血管標誌變量;C.使用挑選過後之變量數值及冠心症疾病狀態,藉由監督式機械學習運算法建立冠心症預測模型;及D.將新受檢者所檢驗出的心血管標記套組檢驗數據,輸入至上述冠心症預測模型中進行比對運算及分析,並做出罹患冠心症之風險評估。
- 如申請專利範圍第1項所述之一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,其中在冠心症預測模型的判讀結果出來後,可對新受檢者進行預警通知。
- 如申請專利範圍第1項或第2項所述之一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,所述之冠心症疾病狀態係以有冠心症/無冠心症的狀態分類,或是以冠心症嚴重程度分類。
- 如申請專利範圍第3項所述之一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,其中冠心症疾病狀態之判定日期與多項心血管標記套組之檢驗日期,兩者相隔時間為1天到3年之間。
- 如申請專利範圍第1項述之一種以心血管標誌及機械學習運算法進行冠 心症篩檢的方法,其中機械學習機所挑選的多項心血管標記為高密度脂蛋白、低密度脂蛋白、三酸甘油脂、總膽固醇、血糖、微白蛋白、醣化血色素、C反應蛋白、同半胱胺酸、脂蛋白、尿酸、心肌肌鈣蛋白、肌酸磷化酵素、B型利鈉尿胜、原生B型利納胜、前降鈣素、紅血球沉降速率、乳酸去氫酶、鈉離子、鉀離子、鈣離子、氯離子、鎂離子、亞鐵離子、鐵離子、尿素氮、肌酐酸、胱蛋白C、膽紅素、酮體、酸鹼值或上述之任意組合。
- 如申請專利範圍第1項所述之一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,其中受檢者的檢體為人體之血液、尿液、唾液、汗液、糞便、胸水、腹水或腦脊髓液。
- 如申請專利範圍第1項所述之一種以心血管標誌及機械學習運算法進行冠心症篩檢的方法,其中機械學習機使用的監督式機械學習運算法為邏輯式回歸(Logistic Regression)、k鄰近法(k Nearest Neighbor)、支持向量機(Support Vector Machine)、類神經網路學習(Artificial Neural Network)、決策樹(Decision Tree Induction Algorithm)、隨機森林(Random Forest Algorithm)、貝氏決策法(Bayesian Classification Algorithms)或上述之任意組合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122803A TWI641963B (zh) | 2017-07-07 | 2017-07-07 | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106122803A TWI641963B (zh) | 2017-07-07 | 2017-07-07 | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI641963B true TWI641963B (zh) | 2018-11-21 |
TW201907328A TW201907328A (zh) | 2019-02-16 |
Family
ID=65034632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106122803A TWI641963B (zh) | 2017-07-07 | 2017-07-07 | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI641963B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI730674B (zh) * | 2020-03-16 | 2021-06-11 | 臺北醫學大學 | 使用人工智慧預測人工生殖懷孕率的方法和系統 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100042438A1 (en) * | 2008-08-08 | 2010-02-18 | Navigenics, Inc. | Methods and Systems for Personalized Action Plans |
TW201012434A (en) * | 2008-09-03 | 2010-04-01 | Keimar Inc | Systems for characterizing physiologic parameters and methods for use therewith |
CN102762743A (zh) * | 2009-12-09 | 2012-10-31 | 阿维埃尔公司 | 用于心血管疾病的诊断和分类的生物标记物检验 |
TWM529163U (zh) * | 2016-05-06 | 2016-09-21 | Ebio Technology Inc | 快速檢測設備 |
-
2017
- 2017-07-07 TW TW106122803A patent/TWI641963B/zh not_active IP Right Cessation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100042438A1 (en) * | 2008-08-08 | 2010-02-18 | Navigenics, Inc. | Methods and Systems for Personalized Action Plans |
TW201012434A (en) * | 2008-09-03 | 2010-04-01 | Keimar Inc | Systems for characterizing physiologic parameters and methods for use therewith |
CN102762743A (zh) * | 2009-12-09 | 2012-10-31 | 阿维埃尔公司 | 用于心血管疾病的诊断和分类的生物标记物检验 |
TWM529163U (zh) * | 2016-05-06 | 2016-09-21 | Ebio Technology Inc | 快速檢測設備 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI730674B (zh) * | 2020-03-16 | 2021-06-11 | 臺北醫學大學 | 使用人工智慧預測人工生殖懷孕率的方法和系統 |
Also Published As
Publication number | Publication date |
---|---|
TW201907328A (zh) | 2019-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brady et al. | The HEART score: A guide to its application in the emergency department | |
Sanders et al. | A systematic review of studies comparing diagnostic clinical prediction rules with clinical judgment | |
JP2019507354A5 (zh) | ||
Piscator et al. | Predicting neurologically intact survival after in-hospital cardiac arrest-external validation of the Good Outcome Following Attempted Resuscitation score | |
CN109841278A (zh) | 一种以心血管标志及机械学习运算法进行冠心症筛检的方法 | |
van Wijnen et al. | Diagnostic accuracy of evaluation of suspected syncope in the emergency department: usual practice vs. ESC guidelines | |
Coutts et al. | Psychotic disorders as a framework for precision psychiatry | |
Athilingam et al. | Predictive validity of NYHA and ACC/AHA classifications of physical and cognitive functioning in heart failure | |
TWI641963B (zh) | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm | |
Choi et al. | Electrocardiogram-based deep learning algorithm for the screening of obstructive coronary artery disease | |
JP6401297B2 (ja) | インスリン分泌能分析装置、当該装置を備えるインスリン分泌能分析システム及びインスリン分泌能分析方法 | |
TWI649699B (zh) | A method for predicting the function of daily life of disabled person | |
Goeddel et al. | Analysis of the 4th universal definition of myocardial infarction—key concepts and perioperative implications | |
US20190221309A1 (en) | Coronary Artery Disease Screening Method by Using Cardiovascular Markers and Machine Learning Algorithms | |
CN113707272A (zh) | 桡动脉入路肝癌介入治疗适宜人群评估模型及构建方法 | |
Tomlinson et al. | Risk assessment in anaesthesia | |
Talebpour et al. | Comparison between Emergency Severity Index plus Capnometer and Emergency Severity Index in the dyspneic patients with Chronic Heart Failure | |
CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
CN110504030A (zh) | 一种创伤性凝血病预测方法 | |
Mercurio et al. | Bedside exclusion of pulmonary embolism in children without radiation (BEEPER): a national study of the Pediatric Emergency Care Applied Research Network—Study protocol | |
Jacob et al. | Longitudinal prediction of outcome in idiopathic pulmonary fibrosis using automated CT analysis | |
Fossion et al. | On the role of continuous physiological monitoring and time-series analysis in medical prognosis | |
Fitzpatrick et al. | Manchester ACS electrocardiograph model for the identification of non-STEMI in the ED | |
Tian et al. | Prediction of the left ventricular ejection fraction by machine learning algorithms based on heart rate variability parameters in patients with ischemic heart disease | |
US20210217485A1 (en) | Method of establishing a coronary artery disease prediction model for screening coronary artery disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |