TWI794863B - 臨床關聯評估裝置及臨床關聯評估方法 - Google Patents
臨床關聯評估裝置及臨床關聯評估方法 Download PDFInfo
- Publication number
- TWI794863B TWI794863B TW110124537A TW110124537A TWI794863B TW I794863 B TWI794863 B TW I794863B TW 110124537 A TW110124537 A TW 110124537A TW 110124537 A TW110124537 A TW 110124537A TW I794863 B TWI794863 B TW I794863B
- Authority
- TW
- Taiwan
- Prior art keywords
- association
- correlation
- processor
- coefficient
- clinical
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000003814 drug Substances 0.000 claims abstract description 85
- 229940079593 drug Drugs 0.000 claims abstract description 83
- 201000010099 disease Diseases 0.000 claims abstract description 65
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 20
- 206010020772 Hypertension Diseases 0.000 description 10
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 10
- 230000002596 correlated effect Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 206010012601 diabetes mellitus Diseases 0.000 description 6
- 102000004877 Insulin Human genes 0.000 description 5
- 108090001061 Insulin Proteins 0.000 description 5
- 229940125396 insulin Drugs 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229960003105 metformin Drugs 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010012289 Dementia Diseases 0.000 description 2
- 208000036647 Medication errors Diseases 0.000 description 2
- 239000003472 antidiabetic agent Substances 0.000 description 2
- 239000002220 antihypertensive agent Substances 0.000 description 2
- 229940127088 antihypertensive drug Drugs 0.000 description 2
- 229960002781 bisoprolol Drugs 0.000 description 2
- FAKRSMQSSFJEIM-RQJHMYQMSA-N captopril Chemical compound SC[C@@H](C)C(=O)N1CCC[C@H]1C(O)=O FAKRSMQSSFJEIM-RQJHMYQMSA-N 0.000 description 2
- 229960000830 captopril Drugs 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229960002003 hydrochlorothiazide Drugs 0.000 description 2
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229960001597 nifedipine Drugs 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 108060003345 Adrenergic Receptor Proteins 0.000 description 1
- 102000017910 Adrenergic receptor Human genes 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- JZUFKLXOESDKRF-UHFFFAOYSA-N Chlorothiazide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC2=C1NCNS2(=O)=O JZUFKLXOESDKRF-UHFFFAOYSA-N 0.000 description 1
- 201000004624 Dermatitis Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 241001303601 Rosacea Species 0.000 description 1
- 229910001347 Stellite Inorganic materials 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 239000003146 anticoagulant agent Substances 0.000 description 1
- 229940127219 anticoagulant drug Drugs 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- VHYCDWMUTMEGQY-UHFFFAOYSA-N bisoprolol Chemical compound CC(C)NCC(O)COC1=CC=C(COCCOC(C)C)C=C1 VHYCDWMUTMEGQY-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- AHICWQREWHDHHF-UHFFFAOYSA-N chromium;cobalt;iron;manganese;methane;molybdenum;nickel;silicon;tungsten Chemical compound C.[Si].[Cr].[Mn].[Fe].[Co].[Ni].[Mo].[W] AHICWQREWHDHHF-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000001882 diuretic effect Effects 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- HYIMSNHJOBLJNT-UHFFFAOYSA-N nifedipine Chemical compound COC(=O)C1=C(C)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1[N+]([O-])=O HYIMSNHJOBLJNT-UHFFFAOYSA-N 0.000 description 1
- 239000000955 prescription drug Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000003087 receptor blocking agent Substances 0.000 description 1
- 201000004700 rosacea Diseases 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Credit Cards Or The Like (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本發明實施例提供一種臨床關聯評估裝置及臨床關聯評估方法。在這方法中，透過評估模型判斷數個疾病與數個藥品之間的關聯係數。這評估模型是透過機器學習演算法所訓練。維持各藥品與具有關聯係數中的最高者的疾病之間的第一關聯性，並中斷各藥品與具有關聯係數的非最高者的疾病之間的第二關聯性。依據維持的第一關聯性及中斷的第二關聯性透過評估模型修改疾病與藥品之間的關聯係數。藉此，修改的關聯係數可適用於臨床應用，並可去除偽關聯。
Description
本發明是有關於一種臨床醫療評估技術，且特別是有關於一種臨床關聯評估裝置及臨床關聯評估方法。
從資料探勘到深度學習，臨床變數之間的關聯探索是將機器學習(Machine learning)導入至臨床應用的重要工作。然而，習知的機率式模型(Probabilistic model)與類神經網路(Neural network)，均無法有效解決臨床常見的共病性問題，更讓偽關聯造成無效的臨床發現。
有鑑於此，本發明實施例提供一種臨床關聯評估裝置及臨床關聯評估方法，增進不同組合之間的差異，並據以排除偽關聯。
本發明實施例的臨床關聯評估方法包括(但不僅限於)下
列步驟：透過評估模型判斷數個疾病與數個藥品之間的關聯係數。這評估模型是透過機器學習演算法所訓練。維持各藥品與具有關聯係數中的最高者的疾病之間的第一關聯性，並中斷各藥品與具有關聯係數的非最高者的疾病之間的第二關聯性。依據維持的第一關聯性及中斷的第二關聯性透過評估模型修改疾病與藥品之間的關聯係數。
本發明實施例的臨床關聯評估裝置包括(但不僅限於)儲存器及處理器。儲存器用以儲存程式碼。處理器耦接儲存器，並經配置用以載入且執行程式碼以執行下列步驟：透過評估模型判斷數個疾病與數個藥品之間的關聯係數，維持各藥品與具有關聯係數中的最高者的疾病之間的第一關聯性，中斷各藥品與具有關聯係數的非最高者的疾病之間的第二關聯性，並依據維持的第一關聯性及中斷的第二關聯性透過評估模型修改疾病與藥品之間的關聯係數。這評估模型是透過機器學習演算法所訓練。
基於上述，依據本發明實施例的臨床關聯評估裝置及臨床關聯評估方法，提升強關聯組合(即，特定藥品與特定疾病之間具有最高關聯係數的組合)的關聯係數，並降低弱關聯組合(即，特定藥品與特定疾病之間未具有最高關聯係數的組合)的關聯係數。藉此，增進兩組合之間的差異，並有效去除偽關聯。
為讓本發明的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。
100:臨床關聯評估裝置
110:儲存器
130:處理器
S210~S250:步驟
圖1是依據本發明一實施例的臨床關聯評估裝置的元件方塊圖。
圖2是依據本發明一實施例的臨床關聯評估方法的流程圖。
圖1是依據本發明一實施例的臨床關聯評估裝置100的元件方塊圖。請參照圖1，臨床關聯評估裝置100包括(但不僅限於)儲存器110及處理器130。臨床關聯評估裝置100可以是桌上型電腦、筆記型電腦、智慧型手機、平板電腦、伺服器、醫療檢測儀器或其他運算裝置。
儲存器110可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory，RAM)、唯讀記憶體(Read Only Memory，ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid-State Drive，SSD)或類似元件。在一實施例中，儲存器110用以記錄程式碼、軟體模組、組態配置、資料(例如，關聯變數、關聯係數、模型等)或檔案，並待後文詳述其實施例。
處理器130耦接儲存器110，處理器130並可以是中央處理單元(Central Processing Unit，CPU)、圖形處理單元(Graphic Processing unit，GPU)，或是其他可程式化之一般用途或特殊用途
的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array，FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中，處理器130用以執行臨床關聯評估裝置100的所有或部份作業，且可載入並執行儲存器110所記錄的各程式碼、軟體模組、檔案及資料。
下文中，將搭配臨床關聯評估裝置100中的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。
圖2是依據本發明一實施例的臨床關聯評估方法的流程圖。請參照圖2，處理器130透過評估模型判斷數個疾病與數個藥品之間的關聯係數(步驟S210)。具體而言，評估模型是透過機器學習演算法所訓練。機器學習演算法可以是監督學習(Supervised learning)或非監督式學習(Unsupervised learning)演算法。機器學習演算法可分析訓練樣本以自中獲得規律，從而透過規律對未知資料預測。而評估模型即是經學習後所建構出的機器學習模型，並據以對待評估資料推論。
在一實施例中，評估模型是將實際的處方用藥及疾病作為訓練樣本。此外，關聯係數的大小相關於藥品與疾病之間的關聯程度。例如，若關聯係數越高，則這藥品與這疾病的關聯程度越高，且可能代表針對疾病的大部分處方箋中都有這藥品(但不以此為
限)。或者，若關聯係數越低，則這藥品與這疾病的關聯程度越低，且可能代表針對疾病的所有處方箋中都沒有這藥品(但不以此為限)。
例如，文獻1「Computer Methods and Programs in Biomedicine(用於生物醫學的電腦方法及程式)期刊接受於2021年5月的Improved diagnosis medication association mining to reduce pseudo-associations(以改善診斷用藥關聯探勘減少偽關聯的方法)」藉由第二次係數計算診斷與藥物以及診斷與檢驗之間關聯係數，從而減少偽關聯。
在一實施例中，評估模型是機率式模型(Probabilistic model)。機率式模型屬於非監督學習演算法，並為資料探勘(Data Mining)的重要方法。例如，文獻2「Journal of Biomedical Informatics(生物醫學資訊期刊)volume(卷)43,issue(議題)6,2020年12月，891至901頁的An automated technique for identifying associations between medications,laboratory results and problems(用於辨識用藥、檢驗結果及問題之間的關聯性的自動化技術)」藉由確信(Conviction)係數計算診斷與藥物以及診斷與檢驗之間關聯係數，並可透過關聯係數的強度判斷上述兩對臨床變數(例如，診斷與藥物、及診斷與檢驗)之間的關係。
又例如，https：//doi.org/10.1371/journal.pone.0082401在2013年12月所公開的文獻3「A Probabilistic Model for Reducing Medication Errors(用於減少用藥錯誤的機率式模型)」藉由類似模
型Q係數計算診斷與藥物及藥物與藥物之間關聯係數，並透過處方箋適當性(Appropriateness of Prescription，AOP)模型來評估處方的適當性。其中，Q係數的範圍被定義在[0，∞]；Q=1表示疾病和藥物間沒有關聯；Q<1表示疾病和藥物為負相關；Q>1表示疾病和藥物為正相關。
在另一實施例中，評估模型是類神經網路模型。例如，深度神經網路(Deep Neural Network，DNN)是以人工神經網路為主要架構。這深度神經網路架構包括輸入層、隱藏層及輸出層。值得注意的是，深度神經網路是由一個多層神經元(Neuron)結構組成，每一層神經元經組態有輸入(例如，前一層神經元的輸出)及輸出。隱藏層的任一層中的神經元是對輸入向量與權重向量內積並經過非線性傳遞函式而輸出純量結果。評估模型的學習階段將訓練並決定前述權重向量，而評估模型的推論階段使用已決定的權重向量得出評估結果(即，輸出)。在本實施例中，評估模型的評估結果為輸入的臨床變數之間的關聯係數。這關聯係數可以是機率、Q係數或其他量化值。而臨床變數例如是藥品、疾病、病人特性(例如，性別、年紀、人種、社會經濟地位或體重)、及/或就診分類(例如，診所或醫院、諸如台灣台北市或美國加州等就診區域、急診住院或門診、或歸屬科別)。
例如，表(1)說明評估模型所得出疾病、藥品及關聯係數的對應關係：表(1)
值得注意的是，現有機率式模型或類神經網路模型所得出的關聯係數可能無法排除偽關聯。舉例而言，雖然文獻2所揭露胰島素(insulin)與高血壓(hypertension)具有強/高關聯的事實，但胰島素並非用於高血壓(即，與事實相反)。然而，因為糖尿病與高血壓診斷的共病性高，從而形成偽關聯。偽關聯還可能是心血管疾病(例如，使用抗凝血劑、降低心率、增強心肌)與高血壓，糖尿病(例如，使用降血糖藥與胰島素)與高血脂等等。
基於現有技術的缺陷並為了符合臨床需求的目的，處理器130維持各藥品與具有關聯係數的最高者的疾病之間的第一關聯性，並中斷各藥品與具有關聯係數的非最高者的疾病之間的第二關聯性(步驟S230)。具體而言，各藥品與各疾病皆有對應的一個關聯係數，並據以形成一個組合。其中，各組包括一種藥品、一種疾病及對應的關聯係數。處理器130可進一步分類這些組合。
在一實施例中，處理器130將那些藥品與其對應的關聯係數的最高者的一個或更個疾病分類到強/高關聯組合，並將那些藥品與其對應的關聯係數的非最高者的一個或更多個疾病分類到
弱/低關聯組合。換句而言，針對任一個藥品，處理器130判斷那些疾病中的何者具有最高的關聯係數，並將這藥品且具有最高關聯係數的疾病的組合分類到強關聯組合。另一方面，處理器130將相同藥品但不具有最高關聯係數的疾病的其他組合分類到弱關聯組合。
此外，處理器130維持強關聯組合中的那些組合的第一關聯性，並中斷弱關聯組合中的那些組合的第二關聯性。也就是說，強關聯組合中的任一個組合中的疾病及藥品的關聯性維持(即，關聯性維持為「有(yes)」)，但弱關聯組合中的任一個組合中的疾病及藥品的關聯性被移除(即，關聯性由「有」變成「無(no)」)。
舉例而言，表(2)說明待評估的組合：
在透過評估模型計算關聯係數之前，處理器130建立各組合的關聯性(即，關聯性皆為「有」)：
例如，疾病1與藥品1的關聯性為「有」(即，有關聯)，其餘依此類推。
處理器130透過評估模型計算關聯係數Q11,Q12,Q13,Q21,Q22,Q23(以Q係數為例)，以得出表(4)：
處理器130依據以下函數(1)~(3)得出強關聯組合：Max(疾病i藥品1 Q)...(1)
Max(疾病i藥品2 Q)...(2)
Max(疾病i藥品3 Q)...(3)Max()指取關聯係數最大者，i為1~2，Q為Q11、Q12、…、Q23。
假設強關聯組合為：疾病1與藥品1、疾病1與藥品2及疾病2與藥品3；其餘為弱關聯組合。處理器130維持這些強關聯組合的關聯性(即，前述第一關聯性)，並中斷那些弱關聯組合的關聯性(即，前述第二關聯性)：
例如，疾病3與藥品1的關聯性為「無」(即，無關聯)，其餘依此類推。
處理器130依據維持的第一關聯性及中斷的第二關聯性透過評估模型修改那些疾病與那些藥品之間的關聯係數(步驟S250)。具體而言，不同於步驟S210對所有組合都建立關聯性(即，所有組合的關聯性皆為「有」)，此時部分組合(例如，弱關聯組合)已無關聯性(即，關聯性為「無」)。因此，基於修改的關聯性的評估模型所得出那些疾病與那些藥品之間的關聯係數應不同步驟S210所得出的關聯係數。在一實施例中，處理器130依據修改的關聯性將增加強關聯組合中的關聯係數。例如，關聯係數增加20%。
在另一實施例中，處理器130依據修改的關聯性將減少弱關聯組合中的關聯係數。例如，關聯係數減少50%。又一實施例中，處理器130依據修改的關聯性將增加強關聯組合與弱關聯組合之間的差異。
以表(1)為例，假設第二型糖尿病與二甲雙胍、高血壓與卡托普利為強關聯組合，且第二型糖尿病與卡托普利、高血壓與二甲雙胍為弱關聯組合，則表(6)為一範例說明經修改的關聯係數：
藉此，可增加強關聯組合與弱關聯組合之間的差異。此外，弱關聯組合的關聯係數甚至接近於零，進而排除這些與與臨床無關的弱關聯項目(例如，止痛抗發炎、第一線抗生素等常見的症狀治療用藥)。
除了藥品與疾病的組合，還能進一步評估其他關聯變數。關聯變數包括一個或更多個疾病、一個或更多個病人特性及/或一個或更多個就診分類。在一實施例中，處理器130可透過評估模型判斷那些關聯變數與數個藥品之間的關聯係數。相似地，評估模
型已基於機器學習演算法學習關聯變數與藥品之間的關聯係數。例如，實際的處方箋與病歷資料作為訓練樣本，並據以理解這些變數之間的關聯程度。相似地，針對任一個藥品，處理器130判斷那些關聯變數中的何者具有最高的關聯係數，並將這藥品且具有最高關聯係數的關聯變數的組合分類到強關聯組合。另一方面，處理器130將相同藥品但不具有最高關聯係數的關聯變數的組合分類到弱關聯組合。取得出強關聯組合及弱關聯組合之後，處理器13可依據維持的第一關聯性(對應於強關聯組合)及中斷的第二關聯性(對應於弱關聯組合)透過評估模型修改那些關聯變數與那些藥品之間的關聯係數。藉此，可降低弱關聯組合的關聯係數。
舉例而言，表(7)說明性別、年齡、疾病、藥品與關聯係數的對應關係：
值得注意的是，思特來錠是非常泛用的藥品。若沒有將科別作為關聯變數，皮膚科使用這思特來錠於酒糟型皮膚炎這種關鍵的處方外使用方式，無論以年齡或性別分群都無法成為合理用藥。然而，只要將科別獨立出來，無論男女或任意年齡層都屬合理使用。
表(8)為一範例說明關聯係數經修改後的對應關係(考慮皮膚科)：
由此可知，在引入皮膚科之後，所有關聯係數都改變成接近零。
在另一案例中，行為衝突型失智症使用意妥明以控制激動、攻擊或過動，無論科別與性別都主要為老人用藥。若將失智症用藥用於60歲以下，無論任何病人特性都應屬於不恰當用藥。本發明實施例可驗證大數據僅有60歲以上不分男女的處方行為。例如，表(9)為一範例說明關聯係數經修改後的對應關係：
又一案例中，某病人罹患糖尿病與高血壓，在糖尿病與高血壓初期使用降血糖藥-二甲雙胍與利尿劑-氫氯噻嗪(Hydrochlorothiazide)及鈣離子阻斷劑-硝苯地平(Nifedipine)，後期使用胰島素及β1-選擇性腎上腺受體阻斷劑-畢索洛爾(Bisoprolol)。本發明實施例輸入前述所有的處方箋後，不會誤將任何降血壓藥與糖尿病關聯。相反而言，本發明實施例亦不會將降血糖或胰島素與高血壓關聯。此外，本發明實施例可自動分類某一階段的降血壓藥與高血壓相關，且另一階段的血糖控制用藥與糖尿病相關。
綜上所述，在本發明實施例的臨床關聯評估裝置及臨床關聯評估方法中，中斷關聯係數較低的組合中的關聯性，以改變不同組合的關聯係數。本發明實施例可適用於多種評估模型，去除偽關聯，並可廣泛地應用在實際案例(例如，自動分類複雜的臨床數據)。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S250:步驟
Claims (8)
- 一種臨床關聯評估方法，包括：透過一處理器並使用一評估模型判斷多個疾病與多個藥品之間的關聯係數，其中該評估模型是透過一機器學習演算法所訓練；透過該處理器維持每一該藥品與具有該關聯係數的最高者的一該疾病之間的一第一關聯性，並透過該處理器中斷每一該藥品與具有該關聯係數的非最高者的至少一該疾病之間的一第二關聯性，其中透過該處理器將該評估模型的該第一關聯性設定為有，且透過該處理器將該評估模型的該第二關聯性設定為無；透過該處理器將該些藥品與其對應的該關聯係數的非最高者的至少一該疾病分類到一弱關聯組合；以及透過該處理器使用基於該第一關聯性及該第二關聯性的該評估模型修改該些疾病與該些藥品之間的關聯係數，包括：透過該處理器減少該弱關聯組合中的該關聯係數。
- 如請求項1所述的臨床關聯評估方法，更包括：透過該處理器將該些藥品與其對應的該關聯係數的最高者的至少一該疾病分類到一強關聯組合。
- 如請求項2所述的臨床關聯評估方法，其中透過該評估模型修改該些疾病與該些藥品之間的關聯係數的步驟包括： 透過該處理器增加該強關聯組合中的該關聯係數。
- 如請求項1所述的臨床關聯評估方法，更包括：透過該處理器並使用該評估模型判斷多個關聯變數與多個藥品之間的關聯係數，其中該些關聯變數包括該些疾病、多個病人特性及多個就診分類中的至少一者；以及透過該處理器依據維持的該第一關聯性及中斷的該第二關聯性透過該評估模型修改該些關聯變數與該些藥品之間的關聯係數。
- 一種臨床關聯評估裝置，包括：一儲存器，用以儲存一程式碼；以及一處理器，耦接該儲存器，經配置用以載入且執行該程式碼以執行：透過一評估模型判斷多個疾病與多個藥品之間的關聯係數，其中該評估模型是透過一機器學習演算法所訓練；維持每一該藥品與具有該關聯係數的最高者的一該疾病之間的一第一關聯性，並中斷每一該藥品與具有該關聯係數的非最高者的至少一該疾病之間的一第二關聯性，其中將該評估模型的該第一關聯性設定為有，且將該評估模型的該第二關聯性設定為無；將該些藥品與其對應的該關聯係數的非最高者的至少一該疾病分類到一弱關聯組合；以及使用基於該第一關聯性及該第二關聯性的該評估模型修 改該些疾病與該些藥品之間的關聯係數，包括：減少該弱關聯組合中的該關聯係數。
- 如請求項5所述的臨床關聯評估裝置，其中該處理器更經配置用以：將該些藥品與其對應的該關聯係數的最高者的至少一該疾病分類到一強關聯組合。
- 如請求項6所述的臨床關聯評估裝置，其中該處理器更經配置用以：增加該強關聯組合中的該關聯係數。
- 如請求項5所述的臨床關聯評估裝置，其中該處理器更經配置用以：透過該評估模型判斷多個關聯變數與多個藥品之間的關聯係數，其中該些關聯變數包括該些疾病、多個病人特性及多個就診分類中的至少一者；以及依據維持的該第一關聯性及中斷的該第二關聯性透過該評估模型修改該些關聯變數與該些藥品之間的關聯係數。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US18/286,750 US20240194317A1 (en) | 2021-06-02 | 2021-11-25 | Method, apparatus related to medication list management, and computer-readable recording medium |
| PCT/US2021/060881 WO2022256038A1 (en) | 2021-06-02 | 2021-11-25 | Method, apparatus related to medication list management, and computer-readable recording medium |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163196186P | 2021-06-02 | 2021-06-02 | |
| US63/196,186 | 2021-06-02 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202249027A TW202249027A (zh) | 2022-12-16 |
| TWI794863B true TWI794863B (zh) | 2023-03-01 |
Family
ID=84285394
Family Applications (4)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110124434A TWI782608B (zh) | 2021-06-02 | 2021-07-02 | 提供建議診斷的電子裝置和方法 |
| TW110124537A TWI794863B (zh) | 2021-06-02 | 2021-07-05 | 臨床關聯評估裝置及臨床關聯評估方法 |
| TW110124702A TWI781674B (zh) | 2021-06-02 | 2021-07-06 | 視覺化臨床資訊提供方法及電子裝置 |
| TW111141574A TWI817803B (zh) | 2021-06-02 | 2022-11-01 | 與藥物清單管理相關的方法、設備以及電腦可讀記錄媒體 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110124434A TWI782608B (zh) | 2021-06-02 | 2021-07-02 | 提供建議診斷的電子裝置和方法 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110124702A TWI781674B (zh) | 2021-06-02 | 2021-07-06 | 視覺化臨床資訊提供方法及電子裝置 |
| TW111141574A TWI817803B (zh) | 2021-06-02 | 2022-11-01 | 與藥物清單管理相關的方法、設備以及電腦可讀記錄媒體 |
Country Status (4)
| Country | Link |
|---|---|
| US (3) | US20240153631A1 (zh) |
| CN (3) | CN117119947A (zh) |
| TW (4) | TWI782608B (zh) |
| WO (2) | WO2022256027A1 (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201430754A (zh) * | 2013-01-16 | 2014-08-01 | Univ Taipei Medical | 以簡單參數評分系統來預測院內感染之模型 |
| TW202111723A (zh) * | 2019-09-06 | 2021-03-16 | 臺北醫學大學 | 用於處理處方之裝置及方法 |
| TWI728369B (zh) * | 2019-05-24 | 2021-05-21 | 臺北醫學大學 | 人工智慧雲端膚質與皮膚病灶辨識方法及其系統 |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100114602A1 (en) * | 1999-12-18 | 2010-05-06 | Raymond Anthony Joao | Apparatus and method for processing and/or for providing healthcare information and/or healthcare-related information |
| US8301468B2 (en) * | 2000-05-15 | 2012-10-30 | Optuminsight, Inc. | System and method of drug disease matching |
| US20040103001A1 (en) * | 2002-11-26 | 2004-05-27 | Mazar Scott Thomas | System and method for automatic diagnosis of patient health |
| US20070055552A1 (en) * | 2005-07-27 | 2007-03-08 | St Clair David | System and method for health care data integration and management |
| US20110010099A1 (en) * | 2005-09-19 | 2011-01-13 | Aram S Adourian | Correlation Analysis of Biological Systems |
| JP2013535756A (ja) * | 2010-08-13 | 2013-09-12 | インテリメディシン インコーポレイテッド | 個別化された医薬品の生産のためのシステムおよび方法 |
| JP5691815B2 (ja) * | 2011-05-11 | 2015-04-01 | コニカミノルタ株式会社 | 信号処理装置、信号処理方法および生体情報測定装置 |
| US8996428B2 (en) * | 2012-01-17 | 2015-03-31 | International Business Machines Corporation | Predicting diagnosis of a patient |
| WO2014111933A1 (en) * | 2013-01-16 | 2014-07-24 | Medaware Ltd. | Medical database and system |
| BR112015022528A2 (pt) * | 2013-03-12 | 2017-07-18 | Tahoe Institute For Rural Health Res Llc | sistema e métodos para provar algaritmos de cuidados médicos a um usuário |
| WO2015009550A1 (en) * | 2013-07-16 | 2015-01-22 | Net.Orange, Inc. | System and method for optimizing clinical flow and operational efficiencies in a network environment |
| US20150161344A1 (en) * | 2013-12-11 | 2015-06-11 | H2 Inc. | Cloud systems for providing health-related services in a communication network and methods thereof |
| US11037684B2 (en) * | 2014-11-14 | 2021-06-15 | International Business Machines Corporation | Generating drug repositioning hypotheses based on integrating multiple aspects of drug similarity and disease similarity |
| EP3306617A1 (en) * | 2016-10-06 | 2018-04-11 | Fujitsu Limited | Method and apparatus of context-based patient similarity |
| US20180121606A1 (en) * | 2016-11-01 | 2018-05-03 | International Business Machines Corporation | Cognitive Medication Reconciliation |
| US20180181720A1 (en) * | 2016-12-27 | 2018-06-28 | General Electric Company | Systems and methods to assign clinical goals, care plans and care pathways |
| TWI638275B (zh) * | 2017-04-12 | 2018-10-11 | 哈沙斯特醫學研發有限公司 | 跨平台臨床醫療數據分析及顯示系統 |
| US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
| US11657912B2 (en) * | 2019-03-05 | 2023-05-23 | Paradigm Senior Services, Inc. | Devices, systems, and their methods of use for evaluating and processing remuneration claims from third-party obligator |
| CN110245217B (zh) * | 2019-06-17 | 2022-07-22 | 京东方科技集团股份有限公司 | 一种药品推荐方法、装置及电子设备 |
| EP4000079A1 (en) * | 2019-07-15 | 2022-05-25 | BenevolentAI Technology Limited | Ranking biological entity pairs by evidence level |
| US10847261B1 (en) * | 2019-10-30 | 2020-11-24 | Kenneth Neumann | Methods and systems for prioritizing comprehensive diagnoses |
| TWI709978B (zh) * | 2019-12-20 | 2020-11-11 | 國泰醫療財團法人國泰綜合醫院 | 智慧醫療決策方法及智慧醫療決策系統 |
| TWM595870U (zh) * | 2020-03-11 | 2020-05-21 | 范豪益 | 照護系統 |
-
2021
- 2021-07-02 TW TW110124434A patent/TWI782608B/zh active
- 2021-07-05 TW TW110124537A patent/TWI794863B/zh active
- 2021-07-06 TW TW110124702A patent/TWI781674B/zh active
- 2021-08-19 CN CN202180095012.5A patent/CN117119947A/zh active Pending
- 2021-08-19 US US18/279,875 patent/US20240153631A1/en active Pending
- 2021-08-19 WO PCT/US2021/046587 patent/WO2022256027A1/en active Application Filing
- 2021-08-26 US US17/412,262 patent/US20220392649A1/en not_active Abandoned
- 2021-09-06 WO PCT/US2021/049188 patent/WO2022256029A1/en active Application Filing
- 2021-09-06 US US18/282,795 patent/US20240170164A1/en active Pending
- 2021-09-06 CN CN202180096140.1A patent/CN117280312A/zh active Pending
- 2021-11-25 CN CN202180096272.4A patent/CN117136413A/zh active Pending
-
2022
- 2022-11-01 TW TW111141574A patent/TWI817803B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201430754A (zh) * | 2013-01-16 | 2014-08-01 | Univ Taipei Medical | 以簡單參數評分系統來預測院內感染之模型 |
| TWI728369B (zh) * | 2019-05-24 | 2021-05-21 | 臺北醫學大學 | 人工智慧雲端膚質與皮膚病灶辨識方法及其系統 |
| TW202111723A (zh) * | 2019-09-06 | 2021-03-16 | 臺北醫學大學 | 用於處理處方之裝置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 期刊 Ching-Huan Wang, Phung Anh Nguyen, Yu Chuan (Jack) Li, Md. Mohaimenul Islam, Tahmina Nasrin Poly, Quoc-Viet Tran, Chih-Wei Huang, Hsuan-Chia Yang Improved diagnosis-medication association mining to reduce pseudo-associations Computer Methods and Programs in Biomedicine 207, 106181 ELSEVIER 2021年05月16日 https://www.researchgate.net/publication/351616541_Improved_Diagnosis-Medication_Association_M * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117136413A (zh) | 2023-11-28 |
| CN117119947A (zh) | 2023-11-24 |
| CN117280312A (zh) | 2023-12-22 |
| WO2022256029A1 (en) | 2022-12-08 |
| TW202249032A (zh) | 2022-12-16 |
| TWI817803B (zh) | 2023-10-01 |
| US20240153631A1 (en) | 2024-05-09 |
| TWI782608B (zh) | 2022-11-01 |
| TW202249027A (zh) | 2022-12-16 |
| TW202322139A (zh) | 2023-06-01 |
| US20220392649A1 (en) | 2022-12-08 |
| TW202247815A (zh) | 2022-12-16 |
| TWI781674B (zh) | 2022-10-21 |
| WO2022256027A1 (en) | 2022-12-08 |
| US20240170164A1 (en) | 2024-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khemasuwan et al. | Artificial intelligence in pulmonary medicine: computer vision, predictive model and COVID-19 | |
| Sawhney et al. | A comparative assessment of artificial intelligence models used for early prediction and evaluation of chronic kidney disease | |
| Ahmadi et al. | Diseases diagnosis using fuzzy logic methods: A systematic and meta-analysis review | |
| Ge et al. | Predicting post-stroke pneumonia using deep neural network approaches | |
| Desautels et al. | Prediction of sepsis in the intensive care unit with minimal electronic health record data: a machine learning approach | |
| CN111710420B (zh) | 一种基于电子病历大数据的并发症发病风险预测方法、系统、终端以及存储介质 | |
| Cramer et al. | Predicting the incidence of pressure ulcers in the intensive care unit using machine learning | |
| Vellido et al. | Machine learning in critical care: state-of-the-art and a sepsis case study | |
| Aggarwal | Data augmentation in dermatology image recognition using machine learning | |
| Detmer et al. | Comparison of statistical learning approaches for cerebral aneurysm rupture assessment | |
| Pujianto et al. | Comparison of Naïve Bayes Algorithm and Decision Tree C4. 5 for Hospital Readmission Diabetes Patients using HbA1c Measurement. | |
| Ni et al. | Towards phenotyping stroke: Leveraging data from a large-scale epidemiological study to detect stroke diagnosis | |
| Saha et al. | Classification system for prediction of chronic kidney disease using data mining techniques | |
| Lam et al. | Multitask learning with recurrent neural networks for acute respiratory distress syndrome prediction using only electronic health record data: model development and validation study | |
| Ndaba et al. | An improved generalized regression neural network for type II diabetes classification | |
| Nandakumar et al. | Cardiac disease detection using cuckoo search enabled deep belief network | |
| Navazi et al. | An examination of the hybrid meta-heuristic machine learning algorithms for early diagnosis of type II diabetes using big data feature selection | |
| Mainenti et al. | Machine Learning Approaches for Diabetes Classification: Perspectives to Artificial Intelligence Methods Updating. | |
| TWI794863B (zh) | 臨床關聯評估裝置及臨床關聯評估方法 | |
| Li et al. | Assessing treatment switch among patients with multiple sclerosis: A machine learning approach | |
| Shrivastava et al. | Early Diabetes Prediction using Random Forest | |
| Abdalrada et al. | Predicting Diabetes Disease Occurrence Using Logistic Regression: An Early Detection Approach | |
| Rajeshwari et al. | Skin cancer severity prediction model based on modified deep neural network with horse herd optimization | |
| Seyedtabib et al. | Predicting polypharmacy in half a million adults in the Iranian population: comparison of machine learning algorithms | |
| Talari et al. | Hybrid feature selection and classification technique for early prediction and severity of diabetes type 2 |