臺灣博碩士論文加值系統

典型高血壓與原發性皮質醛酮症 (Primary aldosteronism, PA) 是導致高血壓原因的前兩名，且原發性皮質醛酮症的盛行率從不到1%逐年提高至5-15%。當病患有高血壓伴隨低鉀血的症狀常會被懷疑為PA，但有研究指出PA病人可能沒有低鉀血的症狀，因此其他鑑別原發性皮質醛酮症的指標就更加重要。原發性皮質醛酮症病患有高血壓症狀，故在初期不容易察覺，常被診斷為典型高血壓病患，而長期服用高血壓藥物，卻不見得有好的治療效果，因此在臨床上經常發生誤判的情況，並延誤了病患正確的就醫時間。
本研究透過四種預測模型：Logistic迴歸模型、決策樹C5.0、分類迴歸樹CART與倒傳遞類神經網路(BPN)，預測病人的疾病類型，典型高血壓或原發性皮質醛酮症，比較四種方法的預測能力，以提供醫師做為臨床參考之用。結果顯示，Logistic迴歸模型所預測的準確度最高，訓練樣本達85.9%，測試樣本達91.9%，重要預測因子共六個：HTNys、BMI、K、PACa、PRAa、MDRDchinese
本研究結果在臨床上可提供臨床醫師預測病患的疾病類型，醫師亦可藉由模型所提供的資訊在臨床上進行客觀評估，減少誤判，降低病患就醫的時間與痛苦。

Typical hypertension and Primary aldosteronism (PA) are the top two reasons for hypertension. Primary aldosteronism affects 5-15% of patients with hypertension. A PA patient could have hypertension and hypokalemia, but the study found that a PA patient may not have hypokalemia. It needs more indicators to diagnose PA. Typical hypertension and PA were often misjudged.
This study applied Logistic regression analysis, C5.0, CART and Back-propagation Network to compare the prediction accuracy of PA. The best model is Logistic regression analysis. The Logistic regression analysis model had 85.9% accuracy for training and 91.9% accuracy for testing, and found six factors for predicting：HTNys、BMI、K、PACa、PRAa、MDRDchinese.
The model of this study can improve the prediction for patient outcome (Typical hypertension or Primary aldosteronism) for clinical treatment. This study will help decrease the malpractice and the pain of patients.

目 錄
摘要 i
英文摘要 ii
誌 謝 iii
目 錄 iv
表 目 錄 vi
圖 目 錄 vii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍與限制 3
1.4 研究流程 3
第二章 文獻探討 5
2.1 原發性皮質醛酮症 5
2.1.1 原發性皮質醛酮症的篩檢 6
2.1.2 原發性皮質醛酮症的治療方式 6
2.2 原發性皮質醛酮症相關研究 7
2.3 Logistic迴歸模型 9
2.4 資料探勘 (Data Mining) 12
2.4.1 樣本劃分 13
2.4.2 決策樹(Decision Tree) 15
2.4.3 決策樹 C5.0 16
2.4.4 分類迴歸樹(CART) 17
2.4.5 類神經網路(Artificial Neural Network) 18
2.4.6倒傳遞類神經網路 (Back-propagation Network，BPN) 20
2.5醫療產業運用資料探勘之相關研究 22
第三章 研究方法 24
3.1 研究步驟 24
3.2 個案資料蒐集 27
3.3 變數彙整 27
3.4 K-Fold交叉驗證法 29
3.5 Logistic迴歸預測模型 29
3.6 決策樹C5.0演算法 29
3.7 分類迴歸樹( CART )演算法 30
3.8 倒傳遞類神經網路(BPN) 31
3.9 資料測試 31
3.10評估模型 31
第四章 結果分析 34
4.1 基本資料 34
4.2 K-Fold 交叉驗證 35
4.2.1 Logistic迴歸模型 35
4.2.2 決策樹C5.0 38
4.2.3 分類迴歸樹(CART) 39
4.2.4 倒傳遞類神經網路 40
4.3 未使用K-Fold 交叉驗證 41
4.4 模型比較 41
4.5 建構預測模型 42
4.5.1 建構 Logistic 迴歸模型 43
4.5.2 測試 Logistic 迴歸模型 46
4.6 臨床解釋 47
4.7 預測模型實作 47
第五章 結論與建議 48
5.1 結論 48
5.2 建議 49
參考文獻 50

表 目 錄
表2-1 皮質醛酮素瘤(APA)與雙側腎上腺增生(BAH)特性比較 5
表3-1 變數彙整表 28
表3-2 病患疾病類型之實際與預測分類表 32
表4-1 研究對象之基本資料 34
表4-2 正向選擇變數結果 36
表4-3 反向選擇變數結果 36
表4-4 Logistic迴歸模型之K-Fold交叉驗證結果 37
表4-5 C5.0之K-Fold交叉驗證結果 38
表4-6 CART 之K-Fold交叉驗證結果 39
表4-7 倒傳遞類神經網路之K-Fold交叉驗證結果 40
表4-8 未分群之四種模型結果 41
表4-9 有無K-Fold之四種模型比較 41
表4-10 Logistic 迴歸模型正確率比較 42
表4-11 訓練樣本 Logistic 迴歸模型之ROC曲線區域面積 43
表4-12 模式係數的 Omnibus 檢定 44
表4-13 Nagelkerke R 平方模式摘要 44
表4-14 Hosmer 和 Lemeshow 檢定 45
表4-15 變數在方程式中的輸出結果 45
表4-16 測試樣本 Logistic 迴歸模型之ROC曲線區域面積 46
表4-17 重要因子與臨床意義之比較 47

圖 目 錄
圖2-1 Logistic 函數的曲線圖 10
圖2-2 交疊K=10 之交互驗證程序 14
圖2-3 人工神經元模型 19
圖2-4 轉換函數 21
圖3-1 研究步驟 26
圖4-1 訓練樣本 Logistic 迴歸模型ROC曲線 43
圖4-2 測試樣本 Logistic 迴歸模型ROC曲線 46

1.高血壓研究小組，1992，行政院衛生署八十一年度委託研究計畫研究報告，中華民國台灣醫學會。
2.王濟川，郭志剛，2004，Logistic 迴歸模型-方法及應用，五南圖書出版公司，台北市，中華民國。
3.尹相志，2007，SQL server 2005 Data Mining 資料採礦與office 2007資料採礦增益集，悅知文化精誠資訊股份有限公司，台北市。
4.邱美珍，1995，決策樹學習法中連續屬性之分類研究，中原大學，資訊工程研究所碩士論文。
5.吳寬墩，謝博生，2004，“原發性皮質醛酮症發現五十年”。內分泌暨糖尿病學會會訊，17卷，3期，頁9-21。
6.吳允升，吳寬墩，2005，“腎性高血壓及原發性皮質醛酮症”，當代醫學 ，32卷，7期，頁528-536。
7.吳允升，吳寬墩，謝月貞，朱宗信，陳舒惠，陳裕仁，簡毓芬，林俊仁，2007，“原發性皮質醛酮症：病例報告”，台灣醫學，11卷，6期，頁1- 6，6月。
8.林志杰，2006，應用資料探勘技術建立中西醫腦中風診斷模型之研究，長庚大學，資訊管理研究所碩士論文。
9.袁繼銓，2002，以類神經網路預測燒傷病患住院日之研究，國立中山大學，資訊管理研究所碩士論文。
10.郭家齊，2004，整合資料探勘與案例式推論於機台故障診斷維護系統之研究，國立雲林科技大學，工業工程與管理研究所碩士論文。
11.陳怡婷，2005，建構外科加護病房急性血液透析病患之預後模式，國立雲林科技大學，工業工程與管理研究所碩士論文。
12.湯文津等，2004，“原發性皮質醛酮過多症：一個誤診為原發性高血壓的病例”，台灣家醫誌，14卷，3期，頁150- 157。
13.葉怡成，郭耀煌，1992，專家系統方法應用與實作，全欣資訊圖書，台北市。
14.葉怡成，1997，應用類神經網路，儒林圖書，台北。
15.葉怡成，2000，類神經網路模式應用與實作，儒林圖書，台北。
16.曾憲雄雄，蔡秀滿，蘇東興，曾秋蓉，王慶堯，2005，資料探勘，旗標出版，台北市，中華民國。
17.廖國盟，2005，“腎上腺腺瘤造成之原發性皮質醛酮症”，北市醫學雜誌，2卷，7期，頁75-81，6月。
18.蔡智政，2001，應用CART 決策樹與資料視覺技術於低良率晶圓成因探討，元智大學，工業工程與管理學系碩士論文。
19.劉致淳，1997，子宮頸癌復發之預後因子探討，東海大學，統計學研究所碩士論文。
20.Andrew P. W., Mark T. D. C., 2003, “The use of discriminant analysis, logistic regression, classification tree analysis in the development of classification models for human health effects”, Journal of Molecular Structure, vol. 622(1-2), pp.97-111.
21.Breiman L., Jerome H. F., Richard A. O., Charles J.S., 1993, Classification And Regression Trees, Chapman & Hall, 1st Edition.
22.Conn J.W., 1955, “Primary aldosteronism, a new clinical syndrome”, J Lab Clin Med,45,pp 3-17.
23.Conn J.W., 1964, “Plasma rennin activity in primary aldosteronism. Importance in differential diagnosis and in research of essential hypertension”, J AM Med Assoc, 190, pp 222-225.
24.Delen D., Walker G., Kadam A., 2004, “Predicting breast cancer survivability: a comparison of three data mining methods”, Artificial Intelligence in Medicine, vol.34, pp.113—127.
25.Hiramatsu K., Yamada T., Yukimura Y., et al, 1981 “A screen test to identify aldosterone-producing adenoma by measuring plasma rennin activity. Results in hypertensive patients. ” Arch Intern Med, 141, pp 1589-93.
26.Ho Seung Hee, Sun Ha Jee, Jong Eun Lee, Jong Sup Park ,2004, “Analysis on risk factors for cervical cancer using induction technique”, Expert Systems with Applications , vol.27, pp.97–105.
27.Kohavi R., 1995, “A study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection”, Appears in the International Joint Conference on Artificial Intelligence(LJCAI), pp.1137—1145.
28.Kaiserman G., Rosner M., Peer J., 2005, “Forecasting the Prognosis of Choroidal Melanoma with an Artificial Neural Network”, Ophthalmology , Vol 112, Number 9, September .
29.Quinlan J. R., 1986, “Induction of decision trees”, Mach Learn, 1, pp 81-106 .
30.Quinlan J. R., 1993, “C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo”, CA, USA.
31.Rossi G. P.,1998, Ermanno Rossi, Edoardo Pavan, Nicoletta Rosati, Roberto Zecchel, Andrea Semplicini, Franco Perazz and Achille C. Pessina, “Screening for primary aldosteronism with a logistic multivariate discriminant analysis”, Clinical Endocrinology, Vol. 49, pp. 713-723.
32.Rossi E., Regolisti G., Negro A., et al, “2002 High prevalence of primary aldosteronism using postcaptopril plasma aldosterone to renin ratio as a screening test among Italian hypertensives”. Am J Hypertens, 15, pp 896-902.
33.Ravindra L. M., McDonald B., Gabbai F., Pahl M., Arthur Farkas, Maria, Pascual, Zhuang S., Robert M. K., Glenn M. C.,2002, “Nephrology Consultation in Acute Renal Failure: Does Timing Matter? ” Excerpta Medica, pp.456-461.
34.Rossi G. P.,2006, “Surgically correctable hypertension caused by primary aldosteronism”, Best Practice & Research Clinical Endocrinology & Metabolism, Vol. 20, No. 3, pp. 385-400.
35.Simpson A.J., Fitter M.J.,1973, “What is the best index of detectability？”Psychol Bull 1973,80,481-488.
36.Stowasser M.,2003, “Primary aldosteronism”, Best Practice & Research Clinical Endocrinology & Metabolism, Vol. 17, No. 4, pp. 591–605.
37.William F., Young J., 2003, “Primary aldosteronism – treatment options”, Growth Hormone & IGF Research,13, pp.102-108.