TWM605545U - 慢性病的風險評估裝置 - Google Patents

慢性病的風險評估裝置 Download PDF

Info

Publication number
TWM605545U
TWM605545U TW109208615U TW109208615U TWM605545U TW M605545 U TWM605545 U TW M605545U TW 109208615 U TW109208615 U TW 109208615U TW 109208615 U TW109208615 U TW 109208615U TW M605545 U TWM605545 U TW M605545U
Authority
TW
Taiwan
Prior art keywords
chronic disease
risk assessment
processor
detection data
assessment device
Prior art date
Application number
TW109208615U
Other languages
English (en)
Inventor
張詩鑫
游程盛
Original Assignee
臺北醫學大學
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 臺北醫學大學 filed Critical 臺北醫學大學
Priority to TW109208615U priority Critical patent/TWM605545U/zh
Publication of TWM605545U publication Critical patent/TWM605545U/zh

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本新型創作實施例提供一種慢性病的風險評估裝置。風險評估裝置處理器經載入儲存器的程式碼以取得檢測資料,將檢測資料輸入至評估模組,並依據評估模組的輸出結果得出慢性病的風險資訊。檢測資料包括對生物體於體外檢測所得的數值。評估模組是基於機器學習演算法所訓練,且這些機器學習演算法包括監督式學習及/或非監督式學習。藉此,可提供準確及多元的風險評估。

Description

慢性病的風險評估裝置
本新型創作是有關於一種風險評估技術,且特別是有關於一種慢性病的風險評估裝置。
諸如癌症、糖尿病、及心臟病等慢性病是國人常見的疾病。值得注意的是,代謝症候群(metabolic syndrome)是一群導致心血管疾病的危險因子的集合,且不為明確的單一疾病。這些危險因子主要包括高血壓(或血壓(Blood Pressure,BP)偏高但未達高血壓診斷標準)、血脂異常(dyslipidemia)(包含三酸甘油脂(Triglyceride,TG)偏高、高密度脂蛋白高密度脂蛋白(High-density lipoprotein,HDL)膽固醇偏低等)、糖尿病(或空腹血糖偏高/葡萄糖耐受不良)、肥胖(或稱腹部肥胖)等。而代謝症候群算是一個健康的危險訊號,且與許多不同的慢性疾病(例如,糖尿病,高血壓,心血管疾病和肥胖等)有高度的關聯。由此可知,如何準確評估代謝症候群或相關慢性病的風險,是相關領域的學者、醫師或護理人員當前挑戰的目標之一。
本新型創作提供一種慢性病的風險評估裝置,提供高準確性且多元的評估結果。
本新型創作的慢性病的風險評估裝置包括(但不僅限於)儲存器及處理器。儲存器用以記錄程式碼。處理器耦接儲存器並經載入程式碼而執行(但不僅限於)下列步驟:取得檢測資料,將檢測資料輸入至評估模組,並依據評估模組的輸出結果得出慢性病的風險資訊。檢測資料包括對生物體於體外檢測所得的數值。評估模組是基於機器學習(machine learning)演算法所訓練,且這些機器學習演算法包括監督式學習(supervised learning)及/或非監督式學習(unsupervised learning)。
基於上述,本新型創作實施例的慢性病的風險評估裝置利用機器學習演算法建立健康管理系統,並針對非侵入式(例如是一般生理數據的量測和肝纖維化檢測儀的分數)以及標準模式(例如是抽血所得血液樣本相關的體外實驗檢測)的健康檢查數據進行統計學習的數據分析。此外,透過非監督式和監督式的機器學習方法,提供多層面的機器學習模組評估代謝症候群或其他慢性病的風險資訊。藉此,可提供完整且準確的慢性病的健康評估與診斷協助。
為讓本新型創作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。
圖1是依據本新型創作一實施例的風險評估裝置100的方塊圖。請參照圖1,風險評估裝置100可以是桌上或筆記型電腦、各類型伺服器、智慧型手機、平板電腦、工作站或後台主機。風險評估裝置100包括(但不僅限於)顯示器110、儲存器130及處理器150。
顯示器110可以是液晶顯示器(Liquid-Crystal Display, LCD)、發光二極體(Light-Emitting Diode,LED)顯示器或有機發光二極體(Organic Light-Emitting Diode,OLED)顯示器。在一實施例中,顯示器110用以呈現影像畫面或使用者介面。
儲存器130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130用以儲存軟體模組、應用程式及其程式碼、以及其他暫存或永久資料或檔案(例如,檢測資料、訓練資料、驗證資料、風險資訊、以及評估模型等),且這些資料將待後續實施例詳述。在一些實施例中,儲存器130可能是外部的資料庫,並可經由網路或有線通訊線纜連接以存取其儲存內容。
處理器150可以是中央處理單元(Central Processing Unit,CPU)、圖形處理單元(Graphic Processing Unit,GPU)、微控制單元(Micro Control Unit,MCU)、或特殊應用積體電路(Application-Specific Integrated Circuit,ASIC)等運算單元。在一實施例中,處理器150用以執行風險評估裝置100的所有運作,並可載入且執行儲存器130所儲存的程式碼,其詳細運作待後續實施例詳述。
在一些實施例中,風險評估裝置100是網頁伺服器。在軟體架構中,網頁伺服器提供網頁前端(web frontend)、應用程式介面(Application Programming Interface,API)後端(backend)及資料庫管理系統。藉此,可供外部裝置經由網路連線至風險評估裝置100所提供的評估系統。在其他實施例中,前述程式碼還能實現在行動或桌上型作業系統平台的應用程式。
下文中,將搭配風險評估裝置100中的各項元件說明本新型創作實施例所述之方法。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是依據本新型創作一實施例的慢性病的風險評估方法的流程圖。請參照圖2,處理器150取得檢測資料(步驟S210)。具體而言,檢測資料包括對生物體(例如,人體、或其他動物體)於體外 檢測所得的數值。檢測資料的原始樣本可能是諸如對腰圍、體重、或身高等一般生理數據的量測、肝纖維化檢測儀、或醫學影像感測器等非侵入式手段所取得,亦可能是血液、尿液等標準模式取得的樣本。這些樣本是於體外實施檢測或處理,以產生對應檢測資料。此外,檢測資料的類型可能依據慢性病的類型而不同。以代謝症候群為例,檢測資料的類型包括腰圍、三酸甘油脂(Triglyceride,TG)、高密度脂蛋白(High-density lipoprotein,HDL)、空腹血糖(Glucose Ante Cibum,Glucose AC)及/或血壓(Blood Pressure,BP)。本新型創作實施例不加以限制檢測資料的類型,應用者可依據需求自行調整。在一實施例中,檢測資料儲存於儲存器130。在一些實施例中,檢測資料可能是來自於外部裝置,並經由網路、輸入裝置(例如,鍵盤、滑鼠或觸控面板等)、或通訊介面傳遞。
接著,處理器150將檢測資料輸入至評估模組(步驟S230)。具體而言,評估模組是基於機器學習演算法所訓練,且這些機器學習演算法包括監督式學習及/或非監督式學習。監督式學習例如是決策樹(decision tree)、集成學習(例如,隨機森林(random forest)、或自適應增強(Adaptive Boosting,AdaBoost)模型)、或邏輯斯回歸分類模型。非監督式學習例如是資料聚類(clustering)或分群法、人工神經網路、或主成分分析(Principal components analysis,PCA)。
圖3是依據本新型創作一實施例的評估模組的訓練階段的流程圖。請參照圖3,在訓練階段,處理器150自資料庫(例如,儲存器130或其他外部資料庫)取得數個病人的電子病歷(EMR)或經由輸入裝置(例如,鍵盤、滑鼠或觸控面板等)直接輸入病人的病歷資料(步驟S310)。處理器150對這些病歷資料標記供後續所用的檢測項目(步驟S315)。例如,標記成非侵入式及/或標準模式相關的類型。這些資料經清理與前處理(例如,刪除資料、標準化、數值轉換等處理)(步驟S320)之後,可定義特定慢性病的標準數據(以代謝症候群為例是腰圍、三酸甘油脂、高密度蛋白、空腹血糖及血壓)(步驟S325),並將形成標有特定慢性病(例如,代謝症候群、心臟病等)且沒有遺失值(或遺失值小於特定值,並可透過直接移除遺失值或基於平均數、K-Nearest Neighbours(KNN)等方式填補遺失值)的疾病數據資料庫。處理器150再將這些資料分組(步驟S330)成驗證組(步驟S340)與訓練組(步驟S350)。例如,百分之八十的資料作為訓練組,且剩餘百分之二十的資料作為驗證組。處理器150將全非侵入式與標準模式的訓練檢測資料分別導入模型(例如,決策樹、隨機森林決策、聚類分析等)進行分析,從而建構出分別針對全非侵入式與標準模式的第一及第二評估模型(步驟S360、S370)。例如,驗證組用於驗證訓練組所訓練出評估模型的準確性,從而進一步修正評估模型。在一些實施例中,兩種模型也可能整合成單一模型。
處理器150依據評估模組的輸出結果得出慢性病的風險資訊(步驟S250)。具體而言,傳統慢性病的風險評估僅能提供有或沒有罹患的結果。而本新型創作實施例可藉由不同類型的機器學習技術來提供多元的評估結果。
在一實施例中,評估模型是基於集成(ensemble)學習所訓練。處理器150可將圖4是依據本新型創作一實施例說明集成學習所得出的重要度。請參照圖4,處理器150將前述病人的病歷資料基於集成學習(以隨機森林為例,但不以此為限)分析,可得出不同類型的訓練檢測資料對特定慢性病的重要度。換句而言,重要度是各類型訓練檢測資料對罹患慢性病的影響程度。以慢性腎臟病為例,重要度是肌酸酐(Creatinine)是87.2%、尿素氮(Blood Urea Nitrogen,BUN)是24.5%、尿酸(Uric acid,UA)是18.3%等。值得注意的是,不同訓練檢測資料的重要度對應有權重值。
處理器150可對符合慢性病的嚴重度量化,且此嚴重度介於分數區間。圖5是依據本新型創作一實施例說明量化的嚴重度的示意圖。請參照圖5,此慢性病的嚴重度的分數區間為0至100,其中數值介於0-50、50-55、55-70、70-80及80-10分別被歸類為五種不同嚴重度501~505。例如,嚴重度501是健康,且嚴重度505是最嚴重,其餘依此類推。處理器150可依據待測人員的檢測資料及其對應的權重值(對應到前述相同類型的訓練檢測資料的重要度)進行加權運算,以判斷此檢測資料對應於分數區間中的數值。而評估模型推論所得出的風險資訊即可包括此數值,且此數值是對慢性病相關的指數(即,訓練檢測資料的數值)依據其重要度排序(如圖4的排序方式)並分別賦予對應權重值所得出。
值得注意的是,以代謝症候群為例,現有判定標準是腹部肥胖、血壓偏高、空腹血糖偏高、空腹三酸甘油酯偏高及高密度脂蛋白膽固醇偏低五項風險因子中符合至少三項即可作出罹患代謝症候群的判定。然而,這樣無法評估可能即將罹患代謝症候群的潛在病患。而本新型創作實施例將有及無罹患的結果量化成嚴重度的數值,可進一步找出潛在病患或提供更多階層的評估結果。
在一實施例中,評估模型是基於決策樹所訓練。圖6是依據本新型創作一實施例說明決策樹的示意圖。請參照圖6,處理器150可將學習檢測資料進行決策樹分析,從而形成決策圖及可能結果。決策圖是將資料母群作為根結點,並對變異量最大的單因子變異數作為分割或分類準則且據以分支(各機會節點可能是某一類型的訓練檢測資料的數值與對應門檻值比較),從而形成決策樹。而可能結果例如是有或無罹患特定慢性病所占數量或比例。處理器150可依據待測人員的檢測資料得出在決策樹中對應節點所形成的路徑(例如,由根結點601到終結點603的路徑)。例如,處理器150依據前述決策樹中的分割準則進行對檢測資料決策,並將通過的節點連接以形成路徑。處理器150可進一步依據路徑選擇對應的一種或多種衛教資訊,即評估模型推論所輸出的風險資訊可以是衛教資訊。衛教資訊例如是飲食、藥物、或運動等建議。
在一實施例中,評估模型是基於聚類分析所訓練。處理器150可在訓練階段對數位病患的病歷資料所記錄的資料庫歸類成兩聚類。資料庫包括數個訓練檢測資料及對應的罹患結果,並用於訓練評估模組。這兩聚類包括罹患聚類及未罹患聚類。即,兩聚類分別對應到有罹患及未罹患特定慢性病的病患對應的訓練檢測資料。在一些實施例中,罹患聚類還能進一步被區分成兩個以上的階段(不同階段例如是不同嚴重程度或前後期)。另一方面,不同類型的訓練檢測資料(即,標記項目)也會進一步分群。例如,腎的(renal)、肝的(hepatic)及血糖(blood sugar)等生物指標(biomarker)將被進一步分群。
圖7是依據本新型創作一實施例說明慢性病分類的聚類熱圖(heatmap)。請參照圖7,處理器150可利用沃德法(Ward's method)及/或其他分群方法和測量距離的歐幾里德(Euclidean)距離法來形成熱圖,從而呈現鮮明的色澤漸層分析圖,並將健康(即,未罹患)和有疾病(即,罹患)作為目標來分群,進行形成罹患聚類及未罹患聚類。圖中橫軸是對生物指標分群,縱軸是對病患罹患慢性病的罹患結果及嚴重程度分群。接著,針對待測人員,處理器150可判斷其檢測資料最相近的一個聚類所形成的空間(例如,歐斯距離最接近者,或是找尋熱圖中的對應區塊)。而風險資訊即可包括與此檢測資料最相近的一種聚類及對應到的嚴重程度(或階段)。
在一些實施例中,不同類型的評估模型所得出的風險資訊可提供視覺化的統計結果(例如,圖4~圖7所示的示意圖),並呈現在顯示器110上,從而方便相關人員提供多元的預測與評估,並給予臨床醫師診斷和醫護人員在預防醫學衛教的協助。
綜上所述,在本新型創作實施例的性病的風險評估裝置中,透過監督式與非監督式的機器學習模式(machine learning model)來進行罹病風險預測(例如,罹患代謝症候群以及相關慢性疾病(例如,慢性腎臟病、慢性肝臟疾病(chronic liver disease)等疾病的風險預測)。此外,本新型創作實施例的評估模型來能進一步區分成全非侵入以及標準模式的兩種模型。藉此,可取代傳統一分為二(有病與否)的結果,並提供多元且準確的風險評估內容。
雖然本新型創作已以實施例揭露如上,然其並非用以限定本新型創作,任何所屬技術領域中具有通常知識者,在不脫離本新型創作的精神和範圍內,當可作些許的更動與潤飾,故本新型創作的保護範圍當視後附的申請專利範圍所界定者為準。
100:風險評估裝置 110:顯示器 130:儲存器 150:處理器 S210~S250、S310~S370:步驟 501~505:嚴重度 601:根結點 603:終結點
圖1是依據本新型創作一實施例的風險評估裝置的方塊圖。 圖2是依據本新型創作一實施例的慢性病的風險評估方法的流程圖。 圖3是依據本新型創作一實施例的評估模組的訓練階段的流程圖。 圖4是依據本新型創作一實施例說明集成(ensemble)學習所得出的重要度。 圖5是依據本新型創作一實施例說明量化的嚴重度的示意圖。 圖6是依據本新型創作一實施例說明決策樹的示意圖。 圖7是依據本新型創作一實施例說明慢性病分類的聚類熱圖(heatmap)。
100:風險評估裝置
110:顯示器
130:儲存器
150:處理器

Claims (5)

  1. 一種慢性病的風險評估裝置,包括: 一儲存器,記錄至少一程式碼;以及 一處理器,耦接該儲存器,並載入該至少一程式碼以執行: 取得一檢測資料,其中該檢測資料包括對一生物體於體外檢測所得的數值; 將該檢測資料輸入至一評估模組,其中該評估模組是基於至少一機器學習演算法所訓練,且該至少一機器學習演算法包括一監督式學習(supervised learning)及一非監督式學習(unsupervised learning)中的至少一者;以及 依據該評估模組的輸出結果得出一慢性病的風險資訊。
  2. 如請求項1所述的慢性病的風險評估裝置,其中該處理器更用以: 對符合該慢性病的嚴重度量化,其中該嚴重度介於一分數區間;以及 判斷該檢測資料對應於該分數區間中的數值,其中該風險資訊包括該數值,且該數值是對該慢性病相關的指數依據其重要度排序所得出。
  3. 如請求項1所述的慢性病的風險評估裝置,其中該處理器更用以: 依據該檢測資料得出在一決策樹中對應節點所形成的一路徑;以及 依據該路徑選擇多種衛教資訊中的至少一者,其中該風險資訊包括至少一該衛教資訊。
  4. 如請求項1所述的慢性病的風險評估裝置,其中該處理器更用以: 對一資料庫歸類成二聚類,其中該二聚類包括一罹患聚類及一未罹患聚類,該資料庫包括多個訓練檢測資料及對應的罹患結果,且該資料庫用於訓練該評估模組; 判斷該檢測資料最相近的一該聚類所形成的空間,其中該風險資訊包括與該檢測資料最相近的一該聚類。
  5. 如請求項1所述的慢性病的風險評估裝置,其中該慢性病是代謝症候群,且該檢測資料的類型包括腰圍、三酸甘油脂(Triglyceride,TG)、高密度脂蛋白(High-density lipoprotein,HDL)、空腹血糖(Glucose Ante Cibum,Glucose AC)與血壓(Blood Pressure,BP)中的至少一者。
TW109208615U 2020-07-07 2020-07-07 慢性病的風險評估裝置 TWM605545U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109208615U TWM605545U (zh) 2020-07-07 2020-07-07 慢性病的風險評估裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109208615U TWM605545U (zh) 2020-07-07 2020-07-07 慢性病的風險評估裝置

Publications (1)

Publication Number Publication Date
TWM605545U true TWM605545U (zh) 2020-12-21

Family

ID=74671370

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109208615U TWM605545U (zh) 2020-07-07 2020-07-07 慢性病的風險評估裝置

Country Status (1)

Country Link
TW (1) TWM605545U (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI805256B (zh) * 2022-03-04 2023-06-11 銘傳大學 代謝症候群嚴重度評分方法及其系統

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI805256B (zh) * 2022-03-04 2023-06-11 銘傳大學 代謝症候群嚴重度評分方法及其系統

Similar Documents

Publication Publication Date Title
Dorado-Díaz et al. Applications of artificial intelligence in cardiology. The future is already here
Kamaleswaran et al. Applying artificial intelligence to identify physiomarkers predicting severe sepsis in the PICU
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
US20220138234A1 (en) Synonym discovery
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
García-Gallo et al. A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis
WO2021184792A1 (zh) 一种动态平衡评估方法、装置、设备及介质
Cummings et al. Predicting intensive care transfers and other unforeseen events: analytic model validation study and comparison to existing methods
CN117271804B (zh) 一种共病特征知识库生成方法、装置、设备及介质
Sheikhalishahi et al. Benchmarking machine learning models on eICU critical care dataset
Mainenti et al. Machine Learning Approaches for Diabetes Classification: Perspectives to Artificial Intelligence Methods Updating.
TWM605545U (zh) 慢性病的風險評估裝置
Liao et al. DHDIP: an interpretable model for hypertension and hyperlipidemia prediction based on EMR data
Wang et al. Enabling chronic obstructive pulmonary disease diagnosis through chest X-rays: A multi-site and multi-modality study
Fu et al. Early sepsis prediction in icu trauma patients with using an improved cascade deep forest model
Oyewola et al. Diagnosis of Cardiovascular Diseases by Ensemble Optimization Deep Learning Techniques
Kalpathy-Cramer et al. Basic Artificial Intelligence Techniques: Evaluation of Artificial Intelligence Performance
TWI790479B (zh) 生理狀態評估方法與生理狀態評估裝置
Shruthi et al. A Method for Predicting and Classifying Fetus Health Using Machine Learning
Thakur et al. Use of artificial intelligence in forecasting glaucoma progression
TW202203248A (zh) 慢性病的風險評估裝置及方法
Kalpathy-Cramer et al. Basic Artificial Intelligence Techniques
Lin et al. Automatic mammographic breast density classification in Chinese women: clinical validation of a deep learning model
Yi et al. A review of the application of deep learning in obesity: From early prediction aid to advanced management assistance
Zhao et al. External validation of a deep learning prediction model for in-hospital mortality among ICU patients