TWI649699B - A method for predicting the function of daily life of disabled person - Google Patents
A method for predicting the function of daily life of disabled person Download PDFInfo
- Publication number
- TWI649699B TWI649699B TW106141328A TW106141328A TWI649699B TW I649699 B TWI649699 B TW I649699B TW 106141328 A TW106141328 A TW 106141328A TW 106141328 A TW106141328 A TW 106141328A TW I649699 B TWI649699 B TW I649699B
- Authority
- TW
- Taiwan
- Prior art keywords
- daily life
- function
- scale
- daily
- predicting
- Prior art date
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一種預測失能者日常生活功能之方法,將複數失能者多項復健評估指標套組之測量結果及其相對應之日常生活功能狀態輸入至機械學習機中,透過機械學習機選出數個分類效能最佳的復健評估指標套組之變量數值後,搭配其相對應的日常生活功能狀態,藉由監督式機械學習演算法以建立日常生活功能狀態預測模型後,最後將新受檢者多項復健評估指標套組的施測結果輸入至日常生活功能狀態預測模型中,透過日常生活功能狀態預測模型的內部運算,即可得到日常生活功能狀態之預測結果。
Description
本發明係提供一種預測失能者日常生活功能之方法,係透過日常生活功能狀態預測模型的建立,從而預測受檢者未來的日常生活功能狀態,並據以妥善分配照護資源,減少不必要的照護資源浪費。
身心失能者(簡稱失能者)的定義為:身體或心智功能部分或全部喪失,致其日常生活需要他人協助者。失能的程度,通常係由日常生活功能量表(ADLs)或工具性日常生活功能量表(IADLs)來評判,通常依照狀況分為輕度、中度與重度失能。據統計,台灣於2011年共有近67萬失能者,其中65歲以上約41萬人,到了2020年將預估成為86萬失能者,65歲以上的失能者則會突破60萬人。
現今社會往往在輕度失能時缺乏照護,隨即很快地惡化成為中、重度失能,而當今的醫學技術又足以維持失能者的生命,長期下來會造成中、重度失能者的人數越來越多,造成國家與社會的負擔越來越重。
為了克服上述問題,現有技術係使用人工對單一危險因子的復健評估量表進行判讀,以評估失能者日常生活功能之方法,然而上述方法缺乏系統性的評估、未使用多項實驗室檢驗數據、無法評估整體數據的分佈型態且效率低下,無法輕易得知失能者未來的日常功能狀態,進而
影響其在臨床使用上的效能,因此在正確性、時效性及判讀結果重現性上仍有改善的空間。
本發明係提供一種預測失能者日常生活功能之方法,主要透過將多項復健評估指標套組對複數失能者施測,並將測量結果及其對應各個失能者的日常生活功能狀態輸入至機械學習機中,透過機械學習機選出數個分類效能最佳的復健評估指標套組之變量數值後,搭配其相對應的日常生活功能狀態,藉由監督式機械學習演算法以建立日常生活功能狀態預測模型,最後將新受檢者進行多項復健評估指標套組的施測,再把施測後結果輸入至日常生活功能狀態預測模型中,即可進行日常生活功能狀態的運算,並得到日常生活功能狀態之預測結果;所得到的結果可提醒受檢者採取後續行動,達到高效能預測受檢者未來的日程生活狀態,並據以分配照護資源,減少不必要的照護資源浪費為其主要目的。
本發明第二目的為日常生活功能狀態預測模型解決大數據判讀的問題,該等復健評估量表套組包含多樣化的資訊,能讓醫療人員能從更多面向得知失能者的身體情況及日常生活功能,因此當評估指標越多,其評估效果會越好,但這大數據直接由臨床醫療人員進行判斷,在時效性及正確性上可能皆有其不足,因此本發明利用監督式機械學習演算法,得以最大程度地從現有的數據中,分析失能者於復健評估指標套組分佈上的差異,並且從整體的數據分佈樣貌中找出分類依據,從而預測未來個案的日常生活狀態是屬於輕度依賴、中度依賴或重度依賴;因此利用建立的日常生活功能狀態預測模型代替人力判讀,則是增加了整體判讀效率
及正確率,且該日常生活功能狀態預測模型,亦可多方面地複製至使用者的終端機進行使用。
圖1為本發明之流程示意圖
圖2為本發明工具性日常生活功能分數預測模型之ROC曲線
圖3為本發明工具性日常生活功能分數預測模型之效能,以ROC曲線下面積作為指標
圖4為本發明以ROC曲線下面積為指標,比較複數指標搭配不同的監督式機械學習演算法及單一指標預測效能的比較表
有關本發明的實施例及原理,請參閱圖式說明如下:
首先請參閱圖1,本發明所提供的主體概念為一種預測失能者日常生活功能之方法,將複數失能者統計分數的多項不同復健評估量表及實驗室檢驗數值建立復健評估指標套組;將複數失能者分別進行多項不同復健評估指標套組的施測後,再將測量結果及其對應各個失能者的日常生活功能狀態輸入至機械學習機中;透過機械學習機挑選出數個分類效能最佳的復健評估指標套組之變量數值後,搭配相對應的日常生活功能狀態,藉由監督式機械學習演算法以建立日常生活功能狀態預測模型;最後將新受檢者進行多項復健評估指標套組的施測,並將施測後結果輸入至日常生活功能狀態預測模型中,即可進行日常生活功能狀態的運算,並得到日常生活功能狀態之預測結果,而後即可根據預測結果提醒受檢者採取後續對應狀態之行動。
其中日常功能狀態之判定日期與復健評估量表之評估日期,兩者相隔時間為2周至1年。
其中復健評估量表為雷氏修正量表(Modified Rankin Scale,MRS)、巴氏量表(Barthel Index)、功能性由口進食量表(Functional oral intake scale,FOIS)、迷你營養評估量表(Mini Nutrition Assessment,MNA)、健康生活品質測量問卷(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)、六分鐘行走測試(Six minutes walking test,6MWT)、傅格-梅爾評估量表(Fugl-Meyer Assessment,FMA)、簡短智能測驗(Mini-mental state examination,MMSE)、動作活動量表(Motor Activity Log,MAL)、簡明失語症測驗(Concise Chinese Aphasia Test,CCAT)或上述之任意組合。
其中日常生活功能狀態係使用巴氏量表-日常生活依賴程度(Barthel Index)、工具性日常生活功能分數(IADL Scale)或雷氏修正量表分數(MRS)進行評估。
其中實驗室檢驗數值為全套血液檢查(CBC)、白血球分類計數(White Blood Cells Differential Counts)、總蛋白(Total Protein),白蛋白(Albumin)、白血球脂化酶(Leukocyte Esterase)、C反應蛋白(C-Reactive Protein)、前降鈣素(Procalcitonin)、紅血球沉降速率(Erythrocyte Sedimentation Rate)、乳酸(Lactate)、乳酸去氫酶(Lactate Dehydrogenase),糖份(Sugar)、鈉離子(Na)、鉀離子(K)、鈣離子(Ca)、氯離子(Cl)、鎂離子(Mg)、亞鐵離子(Fe2+)、鐵離子(Fe3+)、尿素氮(Urea Nitrogen)、肌酐酸(Creatinine)、胱蛋白C(Cystatin C)、膽紅素(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)、總膽固醇(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)或上述之任意組合。
其中監督式機械學習演算法係使用邏輯式回歸、K鄰近法、支持向量機、類神經網路學習、決策樹、隨機森林、貝氏決策法或上述之任意組合。
接著參閱圖2及圖3並搭配圖1,具體的實施方式如下:
本實施例以三年長庚醫院北院區腦中風病人之復健評估指標套組作為基礎,並將復健評估指標套組結合相對應之日常生活功能狀態後輸入至機械學習機中,並透過監督式機械學習機演算法建立日常生活功能狀態預測模型。
受試者的條件(納入、排除條件)、數目:
受試者為長庚醫院北院區腦中風病人之復健資料,採用病歷回溯,不需另外招募受試者。
設計及方法:
日常生活功能狀態的主要臨床資訊為入院時雷氏修正量表(Modified Rankin Scale,MRS)、巴氏量表(Barthel Index)、功能性由口進食量表(Functional oral intake scale,FOIS)、迷你營養評估量表(Mini Nutrition Assessment,MNA)、健康生活品質測量問卷(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)、六分鐘行走測試(Six minutes walking test,6MWT)、傅格-梅爾評估量表(Fugl-Meyer Assessment,FMA)、簡短智能測驗(Mini-mental state examination,MMSE)、動作活動量表(Motor Activity Log,MAL)、簡明失語症測驗(Concise Chinese Aphasia Test,CCAT)量表分數。此264位成人,同時皆有出院時的日常生活功能狀態的評估資料,因此在上述資料整理並以變量挑選方法挑選出分類效能最佳的日常生活功能狀態之變量數值。變量挑選:在進行初步資料篩選後,本實施例使用單變量分析,依變量特性選擇適當的單變量統計法(卡方檢定與t檢定),可選出雷氏修正量表(MRS)、伯格氏平衡量表(BBS)、工具性日常生活功能量表(IADL Scale)為分類效能最佳的變量。挑選最佳的變量後,再輸入至機械學習機中使用複數監督式機械學習演算法,如:邏輯式回歸(Logistic Regression,LR)、決策樹(Decision Tree,DT)、隨機森林(Random Forest,RF)、K鄰近(K Nearest Neighbor,KNN)、支持向量機(Support Vector Machines,SVM)、類神經網路學習(Artificial Neuron Network)、貝氏決策法(Bayesian Network)等,建立日常生活功能狀態預測模型。
資料回溯期間、本實施例執行期間:
資料回溯其間自2014年3月至2016年10月。
結果之評估及驗證方法:
本實施例計算各個復健評估指標套組的分布情形,並依此變量及其數值訓練日常生活功能狀態預測模型,透過內部驗證各個日常生活功能狀態預測模型的預測能力。日常生活功能狀態預測模型之效力將以接收者操作特徵曲線(ROC curve)進行驗證,並同時計算其曲線下面積。
效能:
圖2、圖3顯示日常生活功能狀態預測模型係使用不同監督式機械學習演算法進行測試,能透過該等監督式機械學習演算法的ROC曲線下面積作為效能的評測,以預測工具性日常生活功能分數(IADL Scale)的效能。所使用的監督式機械學習演算法包括邏輯式回歸、決策樹、隨機森林及K鄰近。其中邏輯式回歸的曲線下面積為0.84、決策樹為0.75、隨機森林為0.86,而K鄰近則為0.77,綜合而言,各種機械學習方法效益都相當良好,其中又以邏輯式回歸及隨機森林為佳。
圖4係以ROC曲線下面積平均值(AUC平均值)為指標,比較採用複數指標(搭配不同的監督式機械學習演算法)與單一指標,預測出院後的日常生活功能狀態之效能。先以受試者入院時的量表數值作為基準,以預測出院後的量表數值。所使用的監督式機械學習演算法:邏輯式回歸AUC平均值為0.796(AUC標準誤差為0.015)、隨機森林AUC平均值為0.792(AUC標準誤差為0.014)及支持向量機AUC平均值為0.774(AUC標準誤差為0.028)。所使用的單一指標:巴式量表AUC平均值為0.756(AUC標準誤差為0.029)、工具性日常生活功能量表AUC平均值為0.681(AUC標準誤差為0.035)、伯格氏平衡量表AUC平均值為0.720(AUC標準誤差為0.032)。從上述來看,使用複數指標(監督式機械學習演算法)的標準誤差明顯小於單一指標的標準誤差,且各個監督式機械學習演算法的AUC平均值均大於單一指標的AUC平均值,證明了增加複數個復健評估指標於復健評估指標套組中,不但可增加日常生活功能狀態預測的效能,同時,透過不同的監督式機械學習演算法進行復健評估指標套組資料形式學習及使用,均能大幅地
提升了日常生活功能狀態的預測效能。
因此,本實施例使用日常生活功能狀態預測模型分析複數個多項復健評估指標,可做出準確之日常生活功能狀態預測。
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)
- 一種預測失能者日常生活功能之方法,包括:A.建立多項不同復健評估指標套組,該等復健評估指標套組具有可統計分數的復健評估量表及實驗室檢驗數值;B.將複數失能者分別進行多項不同復健評估指標套組的施測後,再將復健評估指標套組之測量結果及其對應各個失能者的日常生活功能狀態輸入至機械學習機中;C.透過機械學習機選出複數分類效能最佳的復健評估指標套組之變量數值,搭配其相對應的日常生活功能狀態,並透過監督式機械學習演算法以建立日常生活功能狀態預測模型;及D.將新受檢者進行多項復健評估指標套組的施測,並將施測後結果輸入至日常生活功能狀態預測模型中,即可進行日常生活功能狀態的運算,並得到日常生活功能狀態之預測結果。
- 如申請專利範圍第1項所述之一種預測失能者日常生活功能之方法,其中獲得日常生活功能狀態之預測後,可根據預測結果提醒受檢者採取後續對應狀態之行動。
- 如申請專利範圍第1項所述之一種預測失能者日常生活功能之方法,其中日常功能狀態之判定日期與復健評估量表之評估日期,兩者相隔時間為2周至1年。
- 如申請專利範圍第1項所述之一種預測失能者日常生活功能之方法,其中復健評估量表為雷氏修正量表(Modified Rankin Scale,MRS)、巴氏量表(Barthel Index)、功能性由口進食量表(Functional oral intake scale, FOIS)、迷你營養評估量表(Mini Nutrition Assessment,MNA)、健康生活品質測量問卷(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)、六分鐘行走測試(Six minutes walking test,6MWT)、傅格-梅爾評估量表(Fugl-Meyer Assessment,FMA)、簡短智能測驗(Mini-mental state examination,MMSE)、動作活動量表(Motor Activity Log,MAL)、簡明失語症測驗(Concise Chinese Aphasia Test,CCAT)或上述之任意組合。
- 如申請專利範圍第1項所述之一種預測失能者白常生活功能之方法,其中日常生活功能狀態係使用巴氏量表-日常生活依賴程度(Barthel Index)、工具性日常生活功能分數(IADL Scale)或雷氏修正量表分數(Modified Rankin Scale,MRS)進行評估。
- 如申請專利範圍第1項所述之一種預測失能者日常生活功能之方法,其中實驗室檢驗數值為全套血液檢查(CBC)、白血球分類計數(White Blood Cells Differential Counts)、總蛋白(Total Protein),白蛋白(Albumin)、白血球脂化酶(Leukocyte Esterase)、C反應蛋白(C-Reactive Protein)、前降鈣素(Procalcitonin)、紅血球沉降速率(Erythrocyte Sedimentation Rate)、乳酸(Lactate)、乳酸去氫酶(Lactate Dehydrogenase),糖份(Sugar)、鈉離子(Na)、鉀離子(K)、鈣離子(Ca)、氯離子(Cl)、鎂離子(Mg)、亞鐵離子(Fe2+)、鐵離子(Fe3+)、尿素氮(Urea Nitrogen)、肌酐酸(Creatinine)、胱蛋白C(Cystatin C)、膽紅素(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)、總膽固醇(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)或上述之任意組合。
- 如申請專利範圍第1項所述之一種預測失能者日常生活功能之方法,其中監督式機械學習演算法係使用邏輯式回歸、K鄰近法、支持向量機、類神經網路學習、決策樹、隨機森林、貝氏決策法或上述之任意組合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141328A TWI649699B (zh) | 2017-11-28 | 2017-11-28 | A method for predicting the function of daily life of disabled person |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106141328A TWI649699B (zh) | 2017-11-28 | 2017-11-28 | A method for predicting the function of daily life of disabled person |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI649699B true TWI649699B (zh) | 2019-02-01 |
TW201926157A TW201926157A (zh) | 2019-07-01 |
Family
ID=66213524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106141328A TWI649699B (zh) | 2017-11-28 | 2017-11-28 | A method for predicting the function of daily life of disabled person |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI649699B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111657621A (zh) * | 2020-06-04 | 2020-09-15 | 厉晨宇 | 一种检测穿戴时间和运动力度的运动鞋及预防损伤方法 |
US11636336B2 (en) | 2019-12-04 | 2023-04-25 | Industrial Technology Research Institute | Training device and training method for neural network model |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9339241B2 (en) * | 2011-05-27 | 2016-05-17 | Virginia Commonwealth University | Assessment and prediction of cardiovascular status during cardiac arrest and the post-resuscitation period using signal processing and machine learning |
US20160180042A1 (en) * | 2014-12-01 | 2016-06-23 | Quikflo Technologies Inc. | Decision support tool for stroke patients |
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 |
CN107280666A (zh) * | 2017-08-08 | 2017-10-24 | 中山大学孙逸仙纪念医院 | 一种基于机器学习的耳聋患者ci术后康复预测方法及系统 |
-
2017
- 2017-11-28 TW TW106141328A patent/TWI649699B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9339241B2 (en) * | 2011-05-27 | 2016-05-17 | Virginia Commonwealth University | Assessment and prediction of cardiovascular status during cardiac arrest and the post-resuscitation period using signal processing and machine learning |
US20160180042A1 (en) * | 2014-12-01 | 2016-06-23 | Quikflo Technologies Inc. | Decision support tool for stroke patients |
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 |
CN107280666A (zh) * | 2017-08-08 | 2017-10-24 | 中山大学孙逸仙纪念医院 | 一种基于机器学习的耳聋患者ci术后康复预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11636336B2 (en) | 2019-12-04 | 2023-04-25 | Industrial Technology Research Institute | Training device and training method for neural network model |
CN111657621A (zh) * | 2020-06-04 | 2020-09-15 | 厉晨宇 | 一种检测穿戴时间和运动力度的运动鞋及预防损伤方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201926157A (zh) | 2019-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6463572B1 (ja) | 対象システムの内部状態を推定する支援システム | |
Oeffinger et al. | Gross Motor Function Classification System and outcome tools for assessing ambulatory cerebral palsy: a multicenter study | |
Nutting et al. | Competing demands from physical problems: effect on initiating and completing depression care over 6 months | |
Danso et al. | Developing an explainable machine learning-based personalised dementia risk prediction model: A transfer learning approach with ensemble learning algorithms | |
US20150332012A1 (en) | Patient risk evaluation | |
Jiang et al. | An explainable machine learning algorithm for risk factor analysis of in-hospital mortality in sepsis survivors with ICU readmission | |
JP2019511057A (ja) | Sirsの予測のための臨床パラメータの使用 | |
Pérez-Zepeda et al. | Predictive value of frailty indices for adverse outcomes in older adults | |
TWI649699B (zh) | A method for predicting the function of daily life of disabled person | |
Joshi et al. | Feasibility of using C-reactive protein for point-of-care testing | |
Kim et al. | Practical machine learning model to predict the recovery of motor function in patients with stroke | |
Kaur et al. | Artificial Intelligence approaches for Predicting Hypertension Diseases: Open Challenges and Research Issues | |
Safari et al. | The ability of Canadian Syncope risk score in differentiating cardiogenic and non-cardiogenic syncope; a cross-sectional study | |
US20190216368A1 (en) | Method of predicting daily activities performance of a person with disabilities | |
Chu et al. | A Bayesian expert system for clinical detecting coronary artery disease | |
Hamid et al. | Application of random survival forest for competing risks in prediction of cumulative incidence function for progression to AIDS | |
JP2008186439A (ja) | 在宅健康管理システム | |
Hughes | Memory and arithmetic as laboratory stressors for analyses of cardiovascular reactivity: A cursory assessment | |
CN109841279A (zh) | 一种预测失能者日常生活功能的方法 | |
Lacasa et al. | Unsupervised cluster analysis reveals distinct subtypes of ME/CFS patients based on peak oxygen consumption and SF-36 scores | |
Fajardo et al. | An alternative method for predicting the risk of postoperative complications in lung resection | |
Wæhre et al. | Gender variance, medical treatment and our responsibility | |
Herazo-Padilla et al. | Screening a portfolio of pathologies by subject profiling and medical test rationing | |
Shekhar | Prediction Of The Sickle Cell Anaemia Disease Using Machine Learning Techniques | |
Johnsson | Predictive modeling and severity scoring after cardiac arrest in patients treated with targeted temperature management |