TWI834520B - 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 - Google Patents
用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 Download PDFInfo
- Publication number
- TWI834520B TWI834520B TW112109189A TW112109189A TWI834520B TW I834520 B TWI834520 B TW I834520B TW 112109189 A TW112109189 A TW 112109189A TW 112109189 A TW112109189 A TW 112109189A TW I834520 B TWI834520 B TW I834520B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- effect
- white
- correlation
- data
- Prior art date
Links
- 230000000694 effects Effects 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 229940079593 drug Drugs 0.000 claims abstract description 75
- 239000003814 drug Substances 0.000 claims abstract description 75
- 238000010801 machine learning Methods 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 37
- 238000013145 classification model Methods 0.000 claims description 22
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 230000024924 glomerular filtration Effects 0.000 description 5
- 230000035488 systolic blood pressure Effects 0.000 description 5
- 108010023302 HDL Cholesterol Proteins 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 230000001631 hypertensive effect Effects 0.000 description 4
- 230000000391 smoking effect Effects 0.000 description 4
- LXMSZDCAJNLERA-ZHYRCANASA-N spironolactone Chemical compound C([C@@H]1[C@]2(C)CC[C@@H]3[C@@]4(C)CCC(=O)C=C4C[C@H]([C@@H]13)SC(=O)C)C[C@@]21CCC(=O)O1 LXMSZDCAJNLERA-ZHYRCANASA-N 0.000 description 4
- 229960002256 spironolactone Drugs 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 239000002160 alpha blocker Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 229910001414 potassium ion Inorganic materials 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 108010082126 Alanine transaminase Proteins 0.000 description 2
- 229940127291 Calcium channel antagonist Drugs 0.000 description 2
- 108010028554 LDL Cholesterol Proteins 0.000 description 2
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 2
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 2
- 208000005434 White Coat Hypertension Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229940125364 angiotensin receptor blocker Drugs 0.000 description 2
- 239000002876 beta blocker Substances 0.000 description 2
- 229940097320 beta blocking agent Drugs 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000000480 calcium channel blocker Substances 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 230000035485 pulse pressure Effects 0.000 description 2
- 150000003626 triacylglycerols Chemical class 0.000 description 2
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 2
- 229940116269 uric acid Drugs 0.000 description 2
- 239000005541 ACE inhibitor Substances 0.000 description 1
- JBMKAUGHUNFTOL-UHFFFAOYSA-N Aldoclor Chemical class C1=C(Cl)C(S(=O)(=O)N)=CC2=C1NC=NS2(=O)=O JBMKAUGHUNFTOL-UHFFFAOYSA-N 0.000 description 1
- PQSUYGKTWSAVDQ-ZVIOFETBSA-N Aldosterone Chemical compound C([C@@]1([C@@H](C(=O)CO)CC[C@H]1[C@@H]1CC2)C=O)[C@H](O)[C@@H]1[C@]1(C)C2=CC(=O)CC1 PQSUYGKTWSAVDQ-ZVIOFETBSA-N 0.000 description 1
- PQSUYGKTWSAVDQ-UHFFFAOYSA-N Aldosterone Natural products C1CC2C3CCC(C(=O)CO)C3(C=O)CC(O)C2C2(C)C1=CC(=O)CC2 PQSUYGKTWSAVDQ-UHFFFAOYSA-N 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- QXNVGIXVLWOKEQ-UHFFFAOYSA-N Disodium Chemical compound [Na][Na] QXNVGIXVLWOKEQ-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- CPGKMLVTFNUAHL-UHFFFAOYSA-N [Ca].[Ca] Chemical compound [Ca].[Ca] CPGKMLVTFNUAHL-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 229960002478 aldosterone Drugs 0.000 description 1
- 239000002333 angiotensin II receptor antagonist Substances 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000001882 diuretic effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 125000005456 glyceride group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000003451 thiazide diuretic agent Substances 0.000 description 1
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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一種用於分析白袍效應關聯度的模型之建立方法,對於多個測試者之每一者,將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料,且根據該等訓練資料利用一可解釋機器學習演算法,獲得一關聯度模型及多個影響程度,並自每一組訓練資料移除影響程度最低之項目,且根據經移除後的該等訓練資料利用一機器學習演算法及一驗證方法獲得一白袍效應關聯度模型及一模型評估值,並移除影響程度最低所對應之項目,以及獲得另一白袍效應關聯度模型及另一模型評估值,最後根據該等模型評估值獲得一目標白袍效應關聯度模型。
Description
本發明是有關於一種電子數位資料處理,特別是指一種用於分析白袍效應關聯度的模型之建立方法。
白袍效應(White coat effect)是指高血壓患者在醫院中所量測到的血壓落在高血壓範圍,但在醫院外卻維持在正常血壓範圍,根據近幾年研究指出,白袍效應又可細分為兩類,第一類為白袍高血壓(White Coat Hypertension,簡稱WCH),第二類為白袍未控制高血壓(White Coat Uncontrolled Hypertension,簡稱WUCH),其中白袍未控制高血壓是指有服用藥物卻有診間內外血壓不一致狀況,目前因高血壓而就診的患者當中就有百分之十至百分之三十的人出現白袍效應。
然而,對於診間內外血壓不一致導致的白袍效應之評斷方法,目前的作法是居家量測血壓,或是24小時監測血壓,如此一來不但耗費時間亦耗費人力,若是能提出一種方法,可以快速評估診間內外血壓不一致的狀況,便可節省時間及人力,以及供醫生參考更多的分析資料,及早下對策。
因此,本發明之目的,即在提供一種自動化建立白袍效應關聯度模型的用於分析白袍效應關聯度的模型之建立方法。
於是,本發明一種用於分析白袍效應關聯度的模型之建立方法,藉由一運算裝置來實施,該運算裝置儲存有多筆對應多個不同測試者的生理資料、多筆對應該等測試者的用藥資料,及多個對應該等測試者且指示出是否有白袍效應的標記結果,及一相關於機器學習演算法之目標超參數組合,每一生理資料包含所對應之測試者針對多個檢測項目所檢測出之多個生理參數,每一用藥資料包含所對應之測試者針對多種藥品項目之多個服用狀態,該用於分析白袍效應關聯度的模型之建立方法包含一步驟(A)、一步驟(B)、一步驟(C)、一步驟(D),及一步驟(E)。
該步驟(A)是對於每一測試者,該運算裝置將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料。
該步驟(B)是該運算裝置根據該等訓練資料,利用一對應有該目標超參數組合之可解釋機器學習演算法,獲得一關聯度模型及該等檢測項目及該等藥品項目對該關聯度模型之判定結果的多個影響程度。
該步驟(C)是該運算裝置根據該等訓練資料,利用一對應有該目標超參數組合之機器學習演算法及一驗證方法,獲得一白袍效應關聯度模型及一相關於該白袍效應關聯度模型之模型評估值。
該步驟(D)是對於每一組訓練資料,該運算裝置根據該等檢測項目及該等藥品項目所對應之該等影響程度,自該組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程度最低之項目的生理參數及服用狀態之其中一者。
該步驟(E)是該運算裝置根據經步驟(D)之移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得另一白袍效應關聯度模型及另一模型評估值,並回到步驟(D)直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者。
該步驟(F)是該運算裝置根據步驟(C)及步驟(E)所獲得之所有白袍效應關聯度模型及模型評估值,獲得一目標白袍效應關聯度模型。
本發明的另一目的,即在提供一種能夠實現上述方法的之用於建立白袍效應關聯度模型的運算裝置。
於是,本發明運算裝置,包含一儲存模組及一處理模組。
該儲存模組用於儲存多筆對應多個不同測試者的生理資料、多筆對應該等測試者的用藥資料、多個對應該等測試者且指示出是否有白袍效應的標記結果,一相關於機器學習演算法之目標超參數組合,每一生理資料包含所對應之測試者針對多個檢測項目所檢測出之多個生理參數,每一用藥資料包含所對應之測試者針對多種藥品項目之多個服用狀態。
該處理模組電連接該儲存模組。
其中,對於每一測試者,該處理模組將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料,該處理模組根據該等訓練資料,利用一對應有該目標超參數組合之可解釋機器學習演算法,獲得一關聯度模型及該等檢測項目及該等藥品項目對該關聯度模型之判定結果的多個影響程度,該處理模組根據該等訓練資料,利用一對應有該目標超參數組合之機器學習演算法及一驗證方法,獲得一白袍效應關聯度模型及一相關於該白袍效應關聯度模型之模型評估值,對於每一組訓練資料,該處理模組根據該等檢測項目及該等藥品項目所對應之該等影響程度,自該組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程度最低之項目的生理參數及服用狀態之其中一者,該處理模組根據經移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得另一白袍效應關聯度模型及另一模型評估值,並自每一組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程度最低之項目的生理參數及服用狀態之其中一者,且根據移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得再一白袍效應關聯度模型,直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者,該處理模組自所獲得之所有的白袍效應關聯度模型及模型評估值,獲得一目標白袍效應關聯度模型。
本發明的又一目的,即在提供一種自動化且用於評估白袍效應之關聯度的白袍效應關聯度分析方法。
於是,本發明白袍效應關聯度分析方法,適用於評估一使用者與白袍效應之一關聯度,並藉由一運算裝置來實施,該運算裝置儲存如上所述的該目標白袍效應關聯度模型,且包含一步驟(A)。
該步驟(A)是該運算裝置在接收到一待評估者之一待評估生理資料及一待評估用藥資料之其中一者後,根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應關聯度模型,獲得該待評估者與白袍效應之該關聯度,其中該待評估生理資料包含該待評估者針對至少一檢測項目所檢測出之至少一待評估生理參數,該待評估用藥資料包含該待評估者針對至少一藥品項目之至少一服用狀態。
本發明的再一目的,即在提供一種能夠實現上述之白袍效應關聯度分析方法之用於分析白袍效應關聯度的運算裝置。
於是,本發明運算裝置,適用於評估一使用者與白袍效應之一關聯度,並包含一儲存模組,及一電連接該儲存模組的處理模組。
該儲存模組用於儲存如上所述的該目標白袍效應關聯度模型。
其中,該處理模組在接收到一待評估者之一待評估生理資料及一待評估用藥資料之其中一者後,根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應關聯度模型,獲得該待評估者與白袍效應之該關聯度,其中該待評估生理資料包含該待評估者針對至少一檢測項目所檢測出之至少一待評估生理參數,該待評估用藥資料包含該待評估者針對至少一藥品項目之至少一服用狀態。
本發明的功效在於:藉由該處理模組根據該等訓練資料,利用該可解釋機器學習演算法,獲得該關聯度模型及該等影響程度,且利用對應有該目標超參數組合之機器學習演算法及該驗證方法,在獲得該白袍效應關聯度模型及該模型評估值後,根據該等影響程度,自該組訓練資料移除對應有影響程度最低之項目的生理參數及服用狀態之其中一者,並根據經移除後的該等訓練資料,利用對應有該目標超參數組合之機器學習演算法及該驗證方法,獲得該另一白袍效應關聯度模型,並自每一組訓練資料移除影響程度最低之項目的生理參數及服用狀態之其中一者,並根據移除後的該等訓練資料,利用應有該目標超參數組合之機器學習演算法及該驗證方法,獲得該再一白袍效應關聯度模型,直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者,最後該處理模組自所獲得之所有的白袍效應關聯度模型獲得該目標白袍效應關聯度模型,便可利用該目標白袍效應關聯度模型分析出該待評估者與白袍效應之該關聯度,以自動化建立模型及分析。
參閱圖1,本發明用於分析白袍效應關聯度的模型之建立方法的一實施例,藉由一運算裝置1來實施,該運算裝置1包含一儲存模組11,及一電連接該儲存模組11的處理模組12。
該儲存模組11用於儲存多筆對應多個不同測試者的生理資料、多筆對應該等測試者的用藥資料、多個對應該等測試者且指示出是否有白袍效應的標記結果、一用於評估一使用者與白袍效應之一關聯度的目標白袍效應關聯度模型、多個對應多個不同超參數組合之機器學習演算法,及相關於機器學習演算法的目標超參數組合及多個分類閾值,每一生理資料包含所對應之測試者針對多個檢測項目所檢測出之多個生理參數,每一用藥資料包含所對應之測試者針對多種藥品項目之多個服用狀態。其中,該等檢測項目包含性別(Sex)、年齡(Age)、身體質量指數(Body Mass Index,簡稱BMI)、腰臀比(Waist-Hip Ratio,簡稱WHR)、診間收縮壓(Office systolic BP)、診間舒張壓(Office diastolic BP)、診間脈壓(Office pulse pressure)、總膽固醇(Total Cholesterol,簡稱 TC)、三酸甘油酯(Triglyceride ,簡稱TG)、高密度脂蛋白膽固醇(High-Density Lipoprotein cholesterol,簡稱HDL-C)、低密度脂蛋白膽固醇(Low Density Lipoprotein Cholesterol,簡稱LDL-C)、腎絲球過濾率(estimated Glomerular Filtration Rate,簡稱eGFR)、肌酸酐(Creatinine)、鈉離子(Sodium)、鉀離子(Potassium)、丙氨酸轉胺酵素(Alanine aminotransferase)、尿酸(Uric acid)、空腹血糖(Fasting glucose)、當前吸菸狀況(Current smoking status),及醛固酮(Aldosterone),且該等藥品項目包含血管張力素轉化酶抑制劑/血管張力素受體阻滯劑(Angiotensin Converting Enzyme Inhibitors/Angiotensin Receptor Blockers,簡稱ACEI/ARB)、乙型阻斷劑(Beta blockers)、鈣離子阻斷劑 (Calcium Channel Blocker , 簡稱CCB)、利尿劑(Thiazide)、螺內酯(Spironolactone)及甲型阻斷劑 (Alpha blocker),每一藥品項目所對應的服用狀態為是或否之其中一者,該等機器學習演算法之網路架構可以是相關於隨機森林演算模型(Random Forest,簡稱RF)、極限梯度提升演算模型(eXtreme Gradient Boosting, XGBoost)、邏輯回歸分析演算模型(Logistic Regression,簡稱LR),或人工神經網路演算模型(Artificial Neural Network,簡稱ANN),不以此為限,若每一超參數組合例如為人工神經網路演算模型之網路架構所包含的兩個隱藏層之神經元數目組合,或三個隱藏層之神經元數目組合,以兩個隱藏層來說,每一層隱藏層可以為200個神經元,或第一層200個神經元,第二層250個神經元,但不以此為限。
在本實施例中,該運算裝置1之實施態樣例如為一個人電腦、一伺服器、一平板電腦、一智慧型手機或一筆記型電腦,但不以此為限。
以下將藉由本發明用於分析白袍效應關聯度的模型之建立方法之該實施例來說明該運算裝置1之細部作動,該實施例包含一用於建立白袍效應關聯度模型之模型建立程序及一用於評估白袍效應關聯度之評估程序。
參閱圖1與圖2,該模型建立程序包括以下步驟。
在步驟601中,當該等生理資料存在至少一缺失生理參數時,對於每一缺失生理參數,該處理模組12將該缺失生理參數進行補值,其中,該處理模組12是獲得該缺失生理參數所對應之檢測項目之所有生理參數之平均,並將該缺失生理參數設定為所對應之檢測項目之所有生理參數之平均以進行補值,值得特別說明的是,該處理模組12進行補值的方式,可以是平均值補值,或是多重插補(Multiple imputation),但不以此為限。
在步驟602中,對於每一測試者,該處理模組12將該測試者所對應之生理資料的該等生理參數進行標準化處理,其中,該處理模組12是將該等生理參數標準化至-1~+1的區間,更詳細而言,該處理模組12是將每一生理參數減去所有生理參數之平均再除以所有生理參數之標準差(Standard Deviation,簡稱SD),以將每一生理參數標準化至-1~+1,但不以此為限。
在步驟603中,對於每一測試者,該處理模組12將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料。
在步驟604中,對於每一機器學習演算法,該處理模組12根據該等訓練資料,利用該機器學習演算法及一驗證方法,獲得一關聯度模型及一相關於該關聯度模型的評估值,其中該驗證方法包含k交叉驗證(k-fold cross-validation)及計算接收者操作特徵曲線之曲線下面積。舉例來說,對於每一機器學習演算法,先將該等訓練資料切分為5等分(亦即,k值),根據第1~4等分的訓練資料,利用該機器學習演算法訓練,並透過第5等分的訓練資料計算該關聯度模型之接收者操作特徵曲線之曲線下面積;根據第2~5等分的訓練資料,利用該機器學習演算法訓練,並透過第1等分的訓練資料計算該關聯度模型之接收者操作特徵曲線之曲線下面積,以此類推,直到歷遍所有等分的訓練資料,最後獲得5個接收者操作特徵曲線之曲線下面積值,並統計5個接收者操作特徵曲線之曲線下面積值之平均值,以獲得該評估值。
在步驟605中,該處理模組12根據該等評估值,自該等關聯度模型中獲得對應最高的評估值之關聯度模型所對應的該目標超參數組合並將該目標超參數組合儲存至該儲存模組11。
在步驟606中,該處理模組12根據該等訓練資料,利用一對應有該目標超參數組合之可解釋機器學習演算法,獲得另一關聯度模型及該等檢測項目,及該等藥品項目對該白袍效應關聯度模型之判定結果的多個影響程度,其中每一影響程度係為一夏普里值(Shapley值),且該等夏普里值是透過Shapley Additive exPlanations而計算出,該可解釋機器學習演算法例如為隨機森林演算模型、極限梯度提升演算模型、邏輯回歸分析演算模型,或人工神經網路演算模型。每一影響程度(亦即,夏普里值)所對應的檢測項目或藥品項目可參閱圖3所示。
在步驟607中,該處理模組12根據該等訓練資料,利用一對應有該目標超參數組合之機器學習演算法及另一驗證方法,獲得一白袍效應關聯度模型及一相關於該白袍效應關聯度模型之模型評估值,類似於步驟604,該另一驗證方法包含k交叉驗證及計算接收者操作特徵曲線之曲線下面積,該處理模組12是利用k交叉驗證及計算接收者操作特徵曲線之曲線下面積,以統計出k個接收者操作特徵曲線之曲線下面積值之平均值,以獲得該模型評估值,值得特別說明的是,接收者操作特徵曲線之曲線下面積亦可為精確率-召回率(Precision-recall curve)之曲線下面積、F1分數(F1 score)、F2分數(F2 score)、敏感性(sensitivity)、特異性(specificity)、陽性預測值(positive predictive value,簡稱PPV)、陰性預測值(negative predictive value,簡稱NPV)或校正圖(calibration plot)的校正最大值(calibration-in-the-large)或校正圖的校正斜率(calibration slope),不以此為限。
在步驟608中,對於每一組訓練資料,該處理模組12根據該等檢測項目,及該等藥品項目所對應之該等影響程度,自該組訓練資料移除該等檢測項目,及該等藥品項目中對應有影響程度最低之項目的生理參數,及服用狀態之其中一者。
在步驟609中,該處理模組12根據經步驟608之移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該另一驗證方法,獲得另一白袍效應關聯度模型及另一模型評估值,並回到步驟608直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者。
在步驟610中,該處理模組12根據步驟607及步驟609所獲得之所有白袍效應關聯度模型及模型評估值,獲得一目標白袍效應關聯度模型,其中,該處理模組12是根據所有白袍效應關聯度模型之模型評估值,獲得對應有最高模型評估值的該目標白袍效應關聯度模型。
舉例來說,在步驟606中若最低的夏普里值是對應螺內酯此一項目(參閱圖3),則在步驟608中,該處理模組12將每一組訓練資料中對應螺內酯此一項目所對應之生理參數移除,以在步驟609中將移除後的該等訓練資料(項目僅剩25個)利用對應有該目標超參數組合的該機器學習演算法及該另一驗證方法,獲得該另一白袍效應關聯度模型及該另一模型評估值,接著再回到步驟608,針對該等夏普里值中除了對應螺內酯的夏普里值外的最低的夏普里值,若為甲型阻斷劑此一項目,則該處理模組12將每一組訓練資料中對應甲型阻斷劑此一項目所對應的用藥狀態移除,以在步驟609中將移除後的該等訓練資料(此時項目僅剩24) 利用對應有該目標超參數組合的該機器學習演算法及該另一驗證方法獲得該再一白袍效應關聯度模型及該再一模型評估值,以此類推,直到僅剩下最高的夏普里值,接著在步驟610中比較所有獲得的白袍效應關聯度模型之模型評估值,以根據該等模型評估值獲得最高模型評估值所對應的該目標白袍效應關聯度模型,藉此,便可針對影響模型程度較高的訓練因子(該等檢測項目及該等藥品項目)加以訓練,以獲得準確率較高的模型。
值得特別說明的是,在另一實施例中,對於每一組訓練資料,該處理模組12亦可根據該等檢測項目,及該等藥品項目所對應之該等影響程度,自該組訓練資料獲得該等檢測項目及該等藥品項目中對應有最高的影響程度之項目的生理參數,及服用狀態之其中一者,以根據對應最高影響程度之項目的生理參數,及服用狀態之其中一者,利用對應有該目標超參數組合的該機器學習演算法及該另一驗證方法,獲得該另一白袍效應關聯度模型及該另一模型評估值,並自該組訓練資料獲得該等檢測項目及該等藥品項目中對應次高的影響程度之項目的生理參數,及服用狀態之其中一者,以根據對應最高以及次高的影響程度之項目的生理參數或服用狀態,利用對應有該目標超參數組合的該機器學習演算法及該另一驗證方法,獲得該再一白袍效應關聯度模型及該再一模型評估值,以此類推,直到全部的項目皆透過對應有該目標超參數組合的該機器學習演算法及該另一驗證方法訓練完畢,再根據所有的模型評估值獲得最高模型評估值所對應之該目標白袍效應關聯度模型。
在步驟611中,該處理模組12自所有的訓練資料中獲得該目標白袍效應關聯度模型所對應之訓練資料。
在步驟612中,對於每一分類閾值,該處理模組12根據該分類閾值及該目標白袍效應關聯度模型所對應之訓練資料,利用對應有該目標超參數組合的該機器學習演算法及再一驗證方法,獲得一白袍效應分類模型及一分類評估值,類似於步驟604,不同之處在於,該再一驗證方法包含k交叉驗證及F1分數,該處理模組12是利用k交叉驗證及計算F1分數,以統計出k個F1分數之平均值,以獲得該分類評估值,但不以此為限。
在步驟613中,該處理模組12根據所有白袍效應分類模型之分類評估值,獲得對應有最高分類評估值的一目標白袍效應分類模型。
需特別再說明的是,由於該目標白袍效應關聯度模型之輸出為機率值(關聯度),為使分析更加準確,因此將該目標白袍效應關聯度模型加入分類閾值進行訓練,以獲得用於評估一使用者為白袍效應之高風險者或為白袍效應之低風險者之其中一者的該目標白袍效應分類模型,使得分析更加明確。
參閱圖4,值得特別說明的是,若對應有該目標超參數組合的該機器學習演算法例如為邏輯回歸分析演算模型,則所獲得之所有白袍效應關聯度模型(26個)所對應之接收者操作特徵曲線之曲線下面積如圖4之A小圖所示,縱軸為每一白袍效應關聯度模型之接收者操作特徵曲線之曲線下面積值,橫軸為用於訓練每一白袍效應關聯度模型所採用的項目數量。若該可解釋機器學習演算法例如為隨機森林演算模型,則所獲得之所有白袍效應關聯度模型(26個)所對應之接收者操作特徵曲線之曲線下面積如圖4之B小圖所示,縱軸為每一白袍效應關聯度模型之接收者操作特徵曲線之曲線下面積值,橫軸為用於訓練每一白袍效應關聯度模型所採用的項目數量。若該可解釋機器學習演算法例如為極限梯度提升演算模型,則所獲得之所有白袍效應關聯度模型(26個)所對應之接收者操作特徵曲線之曲線下面積如圖4之C小圖所示,縱軸為每一白袍效應關聯度模型之接收者操作特徵曲線之曲線下面積值,橫軸為用於訓練每一白袍效應關聯度模型所採用的項目數量。若該可解釋機器學習演算法例如為人工神經網路演算模型,則所獲得之所有白袍效應關聯度模型(26個)所對應之接收者操作特徵曲線之曲線下面積如圖4之D小圖所示,縱軸為每一白袍效應關聯度模型之接收者操作特徵曲線之曲線下面積值,橫軸為用於訓練每一白袍效應關聯度模型所採用的項目數量。
參閱圖1與圖5,該評估程序包括以下步驟。
在步驟701中,該處理模組12在接收到一待評估者之一待評估生理資料及一待評估用藥資料之其中一者後,根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應關聯度模型,獲得該待評估者與白袍效應之該關聯度,其中該待評估生理資料包含該待評估者針對用於訓練該目標白袍效應關聯度模型的所有檢測項目所檢測出之待評估生理參數,該待評估用藥資料包含該待評估者針對用於訓練該目標白袍效應關聯度模型的所有藥品項目之服用狀態,每一藥品項目所對應的服用狀態為是或否之其中一者。藉此以自動分析該待評估者與白袍效應之關聯度。值得特別說明的是,另一實施例中,該處理模組12亦可根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應分類模型,獲得一相關於該待評估者之風險評估結果,該風險評估結果指示出該待評估者為白袍效應之高風險者或為白袍效應之低風險者之其中一者。
值得一提的是,將該等訓練資料套用不同之機器學習演算法後得出,若該機器學習演算法為隨機森林演算模型,則該待評估者所應之檢測項目包含診間收縮壓、診間舒張壓、腎絲球過濾率、空腹血糖及當前吸菸狀況。若該機器學習演算法為極限梯度提升演算模型,則該待評估者所應檢測項目包含診間收縮壓、診間舒張壓、腎絲球過濾率、腰臀比、肌酸酐、三酸甘油酯、空腹血糖、丙氨酸轉胺酵素、鈉離子、鉀離子身體質量指數,及當前吸菸狀況,所對應之藥品項目包含鈣離子阻斷劑。若該機器學習演算法為邏輯回歸分析演算模型,則該待評估者所應之檢測項目包含診間收縮壓、診間舒張壓、腰臀比、腎絲球過濾率、三酸甘油酯、身體質量指數、總膽固醇、尿酸、高密度脂蛋白膽固醇鉀離子,及當前吸菸狀況,所對應之藥品項目包含乙型阻斷劑。若該機器學習演算法為人工神經網路演算模型,則該待評估者所應之檢測項目包含診間收縮壓、診間舒張壓、腰臀比、腎絲球過濾率、鉀離子,及三酸甘油酯。
需再特別強調的是,在另一實施例中,該處理模組12經由步驟604~步驟613,可同時獲得四個目標白袍效應分類模型,分別相關於隨機森林演算模型,人工神經網路演算模型,極限梯度提升演算模型,及邏輯回歸分析演算模型,對於每一目標白袍效應分類模型,該處理模組12根據一內部驗證資料,計算該目標白袍效應分類模型之接收操作者特徵曲線以視覺化呈現,其中該內部驗證資料是相關於台灣六間醫學中心之高血壓患者之資料,但不以此為限,對於每一目標白袍效應分類模型,根據一外部驗證資料計算該目標白袍效應分類模型之接收操作者特徵曲線以視覺化呈現,其中該外部驗證資料是相關於臺北榮民總醫院之高血壓患者之資料,但不以此為限,藉此來分析該等四個目標白袍效應分類模型。
綜上所述,本發明用於分析白袍效應關聯度的模型之建立方法,藉由該處理模組12先是將具有缺失值的生理資料進行補值,再將每一測試者之生理資料的該等生理參數進行標準化處理,以將所對應之生理資料、用藥資料及標記結果作為該組訓練資料,接著,對於每一機器學習演算法,根據該等訓練資料,利用該機器學習演算及該驗證方法,獲得該關聯度模型及該評估值,並根據該等評估值獲得最高評估值所對應之該目標超參數組合,再根據該等訓練資料,利用對應有該目標超參數組合之該可解釋機器學習演算法獲得該另一關聯度模型及該等影響程度(亦即,該等夏普里值),並根據該等訓練資料先利用對應有該目標超參數組合之機器學習演算法及該另一驗證方法,獲得該白袍效應關聯度模型及該模型評估值,再根據該等影響程度,對每一組訓練資料之該等檢測項目及該等藥品項目移除對應有影響程度最低之項目的生理參數及服用狀態之其中一者,並根據經移除後的該等訓練資料,利用對應有該目標超參數組合之機器學習演算法及該另一驗證方法獲得該另一白袍效應關聯度模型,並接續自每一組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程度最低之項目的生理參數及服用狀態之其中一者,且根據移除後的該等訓練資料,再次利用對應有該目標超參數組合之機器學習演算法及該另一驗證方法獲得該再一白袍效應關聯度模型,如此重複直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者,最後自所獲得之所有的白袍效應關聯度模型,獲得模型評估值最高的該目標白袍效應關聯度模型,便可利用該目標白袍效應關聯度模型分析該待評估者與白袍效應之該關聯度,藉此針對影響模型程度較高的訓練因子(該等檢測項目及該等藥品項目)加以訓練,以自動化獲得準確率較高的模型以及自動化精準分析白袍效應之關聯度,醫生便可根據模型所分析出來的關聯度,進一步分析該待評估者之血壓狀況,此外,亦可加入該等閾值與該等訓練資料、該目標白袍效應關聯度模型及該再一驗證方法進行訓練,以獲得該目標白袍效應分類模型,以更加精準分析該待評估者為白袍效應之高風險者或白袍效應之低風險者,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍內。
1:運算裝置
11:儲存模組
12:處理模組
601~613:步驟
701:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:
圖1是一方塊圖,說明一用於執行本發明用於分析白袍效應關聯度的模型之建立方法之一實施例的運算裝置;
圖2為一流程圖,說明本發明用於分析白袍效應關聯度的模型之建立方法的該實施例的一模型建立程序;
圖3為一示意圖,說明該模型建立程序所獲得的每一影響程度所對應之項目;
圖4為一示意圖,說明該模型建立程序所獲得的每一白袍效應關聯度模型所對應之項目數量;及
圖5是一流程圖,說明該實施例的一評估程序。
601~613:步驟
Claims (12)
- 一種用於分析白袍效應關聯度的模型之建立方法,藉由一運算裝置來實施,該運算裝置儲存有多筆對應多個不同測試者的生理資料、多筆對應該等測試者的用藥資料、多個對應該等測試者且指示出是否有白袍效應的標記結果、一相關於機器學習演算法之目標超參數組合,及多個相關於機器學習演算法之分類閾值,每一生理資料包含所對應之測試者針對多個檢測項目所檢測出之多個生理參數,每一用藥資料包含所對應之測試者針對多種藥品項目之多個服用狀態,該用於分析白袍效應關聯度的模型之建立方法包含以下步驟:(A)對於每一測試者,該運算裝置將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料;(B)該運算裝置根據該等訓練資料,利用一對應有該目標超參數組合之可解釋機器學習演算法,獲得一關聯度模型及該等檢測項目及該等藥品項目對該關聯度模型之判定結果的多個影響程度;(C)該運算裝置根據該等訓練資料,利用一對應有該目標超參數組合之機器學習演算法及一驗證方法,獲得一白袍效應關聯度模型及一相關於該白袍效應關聯度模型之模型評估值;(D)對於每一組訓練資料,該運算裝置根據該等檢測項目及該等藥品項目所對應之該等影響程度,自該組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程 度最低之項目的生理參數及服用狀態之其中一者;(E)該運算裝置根據經步驟(D)之移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得另一白袍效應關聯度模型及另一模型評估值,並回到步驟(D)直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者;(F)該運算裝置根據步驟(C)及步驟(E)所獲得之所有白袍效應關聯度模型及模型評估值,獲得一目標白袍效應關聯度模型及所對應之訓練資料;(G)對於每一分類閾值,該運算裝置根據該分類閾值及該目標白袍效應關聯度模型所對應之訓練資料,利用對應有該目標超參數組合的該機器學習演算法及再一驗證方法,獲得一白袍效應分類模型及一分類評估值;及(H)該運算裝置根據所有白袍效應分類模型之分類評估值,獲得對應有最高分類評估值的一目標白袍效應分類模型。
- 如請求項1所述的用於分析白袍效應關聯度的模型之建立方法,其中,每一影響程度係為一夏普里值。
- 如請求項1所述的用於分析白袍效應關聯度的模型之建立方法,在步驟(A)之前,還包含以下步驟:(I)當該等生理資料存在至少一缺失生理參數時,對於每一缺失生理參數,該運算裝置將該缺失生理參數進行補值;及(J)對於每一測試者,該運算裝置將該測試者所對應 之生理資料的該等生理參數進行標準化處理。
- 如請求項1所述的用於分析白袍效應關聯度的模型之建立方法,其中,在步驟(F)中,該運算裝置是根據所有白袍效應關聯度模型之模型評估值,獲得對應有最高模型評估值的該目標白袍效應關聯度模型。
- 如請求項1所述的用於分析白袍效應關聯度的模型之建立方法,該運算裝置還儲存有多個對應多個不同超參數組合之機器學習演算法,在步驟(B)之前,還包含以下步驟:(K)對於每一機器學習演算法,該運算裝置根據該等訓練資料,利用該機器學習演算法及另一驗證方法,獲得另一關聯度模型及一相關於該另一關聯度模型的評估值;及(L)該運算裝置根據該等評估值,自該等另一關聯度模型中獲得對應最高的評估值之另一關聯度模型所對應的一目標超參數組合。
- 一種白袍效應關聯度分析方法,適用於評估一使用者與白袍效應之一關聯度,並藉由一運算裝置來實施,該運算裝置儲存如請求項1所述的該目標白袍效應分類模型,且包含以下步驟:(A)該運算裝置在接收到一待評估者之一待評估生理資料及一待評估用藥資料之其中一者後,根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應分類模型,獲得該待評估者與白袍效應之一風險評估結果,其中該待評估生理資料包含該待評估者針對至少一 檢測項目所檢測出之至少一待評估生理參數,該待評估用藥資料包含該待評估者針對至少一藥品項目之至少一服用狀態。
- 一種用於建立白袍效應關聯度模型的運算裝置,包含:一儲存模組,用於儲存多筆對應多個不同測試者的生理資料、多筆對應該等測試者的用藥資料、多個對應該等測試者且指示出是否有白袍效應的標記結果、一相關於機器學習演算法之目標超參數組合,及多個相關於機器學習演算法之分類閾值,每一生理資料包含所對應之測試者針對多個檢測項目所檢測出之多個生理參數,每一用藥資料包含所對應之測試者針對多種藥品項目之多個服用狀態;及一處理模組,電連接該儲存模組;其中,對於每一測試者,該處理模組將該測試者所對應之生理資料、用藥資料及標記結果作為一組訓練資料,該處理模組根據該等訓練資料,利用一對應有該目標超參數組合之可解釋機器學習演算法,獲得一關聯度模型及該等檢測項目及該等藥品項目對該關聯度模型之判定結果的多個影響程度,該處理模組根據該等訓練資料,利用一對應有該目標超參數組合之機器學習演算法及一驗證方法,獲得一白袍效應關聯度模型及一相關於該白袍效應關聯度模型之模型評估值,對於每一組訓練資料,該處理模組根據該等檢測項目及該等藥品項目所對應之該等影響程度,自該組訓練資料移除該等檢測項目及該等藥品項目 中對應有影響程度最低之項目的生理參數及服用狀態之其中一者,該處理模組根據經移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得另一白袍效應關聯度模型及另一模型評估值,並自每一組訓練資料移除該等檢測項目及該等藥品項目中對應有影響程度最低之項目的生理參數及服用狀態之其中一者,且根據移除後的該等訓練資料,利用對應有該目標超參數組合的該機器學習演算法及該驗證方法,獲得再一白袍效應關聯度模型,直到該等訓練資料僅剩下影響程度最高之項目的生理參數及服用狀態之其中一者,該處理模組自所獲得之所有的白袍效應關聯度模型及模型評估值,獲得一目標白袍效應關聯度模型及所對應之訓練資料,對於每一分類閾值,該處理模組根據該分類閾值及該目標白袍效應關聯度模型所對應之訓練資料,利用對應有該目標超參數組合的該機器學習演算法及再一驗證方法,獲得一白袍效應分類模型及一分類評估值,並根據該等分類評估值及該等白袍效應分類模型,自該等分類閾值及該等白袍效應分類模型中分別獲得對應最高的分類評估值之一目標分類閾值,及一目標白袍效應分類模型。
- 如請求項7所述的運算裝置,其中,每一影響程度係為一夏普里值。
- 如請求項7所述的運算裝置,其中,當該等生理資料存在至少一缺失生理參數時,對於每一缺失生理參數,該處理模組將該缺失生理參數進行補值,對於每一測試者,該處 理模組將該測試者所對應之生理資料的該等生理參數進行標準化處理。
- 如請求項7所述的運算裝置,其中,該處理模組是根據所有白袍效應關聯度模型之模型評估值,獲得對應有最高模型評估值的該目標白袍效應關聯度模型。
- 如請求項7所述的運算裝置,其中,該儲存模組還儲存有多個對應多個不同超參數組合之機器學習演算法,對於每一機器學習演算法,該處理模組根據該等訓練資料,利用該機器學習演算法及另一驗證方法,獲得另一關聯度模型及一相關於該另一關聯度模型的評估值,根據該等評估值,自該等另一關聯度模型中獲得對應最高的評估值之另一關聯度模型所對應的一目標超參數組合。
- 一種用於分析白袍效應關聯度的運算裝置,適用於評估一使用者與白袍效應之一關聯度,該運算裝置包含:一儲存模組,用於儲存如請求項7所述的該目標白袍效應分類模型;及一處理模組,電連接該儲存模組;其中,該處理模組在接收到一待評估者之一待評估生理資料及一待評估用藥資料之其中一者後,根據該待評估生理資料及該待評估用藥資料之其中一者,利用該目標白袍效應分類模型,獲得該待評估者與白袍效應之一風險評估結果,其中該待評估生理資料包含該待評估者針對至少一檢測項目所檢測出之至少一待評估生理參數,該待評估用藥資料包含該待評估者針對至少一藥品項目之至少一 服用狀態。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263420811P | 2022-10-31 | 2022-10-31 | |
US63/420,811 | 2022-10-31 | ||
US202263427188P | 2022-11-22 | 2022-11-22 | |
US63/427,188 | 2022-11-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI834520B true TWI834520B (zh) | 2024-03-01 |
TW202420334A TW202420334A (zh) | 2024-05-16 |
Family
ID=90833731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112109189A TWI834520B (zh) | 2022-10-31 | 2023-03-13 | 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240144056A1 (zh) |
TW (1) | TWI834520B (zh) |
-
2023
- 2023-03-13 TW TW112109189A patent/TWI834520B/zh active
- 2023-08-02 US US18/364,263 patent/US20240144056A1/en active Pending
Non-Patent Citations (1)
Title |
---|
期刊 Guimarães, Pedro, et al. Risk prediction with office and ambulatory blood pressure using artificial intelligence." medRxiv (2020): 2020-01. medRxiv 2020 pages 1-32 |
Also Published As
Publication number | Publication date |
---|---|
US20240144056A1 (en) | 2024-05-02 |
TW202420334A (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020181805A1 (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
CN112365978B (zh) | 心动过速事件早期风险评估的模型的建立方法及其装置 | |
KR20170067759A (ko) | 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법 | |
TWI796228B (zh) | 急性腎損傷預測系統及其方法 | |
CN112465789A (zh) | 一种早产儿视网膜plus病变的检测方法及系统 | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
TWI688371B (zh) | 心房顫動信號型態擷取及輔助診斷智能裝置 | |
TWI834520B (zh) | 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 | |
Hammed et al. | Unlocking the potential of autism detection: integrating traditional feature selection and machine learning techniques | |
CN117238522A (zh) | 一种非布司他的疗效预测系统、设备及介质 | |
CN111816303A (zh) | 一种基于机器学习的难治性精神分裂症风险的预测方法 | |
CN114842978B (zh) | 一种基于医疗大数据的血气分析智能检测系统及方法 | |
TWM631259U (zh) | 急性腎損傷預測系統 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
TWM613138U (zh) | 健康風險評估系統 | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof | |
WO2023106960A1 (ru) | Способ прогнозирования наступления медицинского события в здоровье человека | |
US9084585B1 (en) | System and method to classify left ventricular and mitral valve function | |
KR20210157444A (ko) | 머신러닝 기반 조현병 진단 방법 및 그 시스템 | |
TWI804448B (zh) | 重症評估模型更新方法及其區塊鏈系統以及重症評估方法及其運算節點 | |
JP7474841B2 (ja) | 信頼性の高い血圧測定の検出 | |
US11497439B2 (en) | Pattern recognition system for classifying the functional status of patients with chronic heart, lung, and pulmonary vascular diseases | |
Rakshna et al. | Pre-Stroke Detection using K-Nearest Neighbour and Random Forest Algorithm | |
CN116196034B (zh) | 一种超声成像方法及系统 |