臺灣博碩士論文加值系統

歷年來腦中風在世界各國一直為民眾主要的健康殺手之ㄧ，根據我國衛生署統計，民國94年台灣主要死亡原因排行榜腦中風高居第二位；得到中風的病患不僅短期內會有嚴重的健康問題，甚至是造成殘廢，長期而言還可能造成神經或肢體障礙等後遺症；因此如何能夠提供中風患者更好的診斷治療，實為重要且值得研究之課題。 近年兩岸有許多學者致力於中風在中醫上的研究，然而有關於中醫證候與西醫診斷指標的相關性研究並不多；本研究利用資料探勘決策樹技術挖掘出中醫與西醫對於中風病患診斷指標之相關性，以達到下列目的：第一，透過本論文提出之架構去建立中風診斷預測模型，第二，找出中醫與西醫診斷指標之間的關聯性。 分析結果顯示，我們建立了一些重要的預測規則，並利用中醫指標預測病情可以得到不錯的效果而且模型準確度並不亞於西醫指標；透過本論文所提出的方法與架構，不僅提供中醫對腦中風辨證分型的一些量化資訊，也可作為西醫研究上的參考依據，期望能給予病患更為有效的醫療照護；另外本研究也發現，若使用中西醫指標之結合可獲得較好的預測效能，希望經由中醫與西醫的診斷，可以為腦中風病情帶來更為良好的預測效果。

Globally, stroke has been one of the top killer illnesses for the past years; and according to the data published by the Department of Health of Taiwan, it also was the second cause of death. In addition to the short-term onset of the illness, patients are often disabled which, in turn, causes many long-term side effects. Thus, finding more effective and efficient way in stroke diagnosis and therapy is of utmost importance.
Recent researches have shown progress in stroke study through Traditional Chinese Medicine (TCM), and certain standards have been achieved in both sides of Taiwan Strait. However, few looked into the relationship between diagnostic metrics used in TCM and Modern Medicine. This paper attempts to: (1) propose a framework that can construct models to predict inpatients’ condition, and (2) establish the relationship of diagnostic indexes used between TCM and modern medicine.
Data on stroke patients admitted to a major hospital in Taiwan were collected for this research. Important predictive rules were established using data mining techniques, and results indicate that our TCM-syndrom based predictive model performs at the level of diagnostic-indexes based modern medicine. This paper provides experts some scientific and quantitative information via our predictive model. We have also found that when TCM and modern medicine diagnoses indexes are combined in the analysis process, the accuracy of prediction improves.

誌 謝 v
中文摘要 vi
英文摘要 vii
目 錄 viii
圖目錄 xii
表目錄 xiv
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究目的 5
1.4 研究對象與範圍 6
1.5論文架構與研究流程 6
第二章 文獻探討 8
2.1 西醫對腦中風疾病的認識 8
2.1.1 簡介 8
2.1.2 種類 8
2.1.4 診斷與治療 12
2.2 中醫對腦中風疾病的認識 14
2.2.1 簡介 14
2.2.2 種類 17
2.2.3 病因 18
2.2.4 中醫對腦中風的相關研究 21
2.3 資料探勘 24
2.3.1 定義 25
2.3.2 功能 28
2.3.3 分類技術－決策樹 30
2.3.4 分群技術－K-Means 34
2.3.5 資料探勘於醫療產業之研究 37
第三章 研究方法 39
3.1 研究架構 40
3.2 研究對象與資料收集 41
3.2.1資料描述 42
3.3 研究限制 45
3.4 資料驗證與模型評估指標 45
第四章 資料分析與結果 48
4.1 資料前處理 50
4.1.1 資料轉換 51
4.1.2 建立衍生變數 54
4.2 基本資料統計 62
4.3 決策樹模型建構 76
4.3.1 出院情形預測模型 79
4.3.1.1西醫診斷指標 79
4.3.1.2中醫診斷指標 86
4.3.1.3中西醫診斷指標 93
4.3.2 康復情形預測模型 98
4.3.2.1西醫診斷指標 99
4.3.2.2中醫診斷指標 103
4.3.2.3中西醫診斷指標 108
4.3.3 住院天數情形預測模型 112
4.3.3.1西醫診斷指標 112
4.3.3.2中醫診斷指標 114
4.3.3.3中西醫診斷指標 116
4.4 決策樹模型比較 119
第五章 結論與建議 124
5.1 結論 124
5.2 建議與後續研究 130
參考文獻 131

中文部份：
[1]王立忠，腦血管病中西醫診療與康復，中國中醫藥出版社，北京，1996。
[2]王永炎，中風病要覽，志遠書局，台北，民國82年。
[3]王玉來，鄭慧，劉文娜，「中風急症證候分析」，中國中醫急症，第4期，1995。
[4]王建華，王永炎，「出血性中風與缺血性中風急性期證候演變規律的研究」，中國中醫急症，第10期，2001。
[5]王建華，解慶凡，賈滋欣，「中風病診斷系統的研究與驗證報告」，北京中醫藥大學學報，第23期，No.2，2000。
[6]王建華，「出血性中風、缺血性中風急性期證候演變規律的研究」，中國中醫急症，第10期，No.4，2001。
[7]任占利，王順道，高穎，「中風病辨證診斷標準(試行) 」，北京中醫藥大學學報，第17期，No.3，1994。
[8]任占利，范吉平，「《中風病證候診斷標準》的臨床驗證研究」，北京中醫藥大學學報，第17期，No.3，1994。
[9]李德新，中醫基礎理論，合記圖書，台北，民國93年。
[10]李俊霖，「中西醫腦中風醫療相關性探討」，長庚大學，碩士論文，民國92年。
[11]李先濤，賴世隆，梁偉雄，王奇，謝紅，溫澤淮，「建立急性缺血性中風氣虛血瘀證診斷標準的方法學探討」，廣州中醫藥大學學報，第三期，No.17，2000。
[12]李博智，「資料探勘在慢性病預測模式之建構」，元智大學，碩士論文，民國91年。
[13]余朝駿，侯鍵，吳永康，謝明國，曾雪峰，「中風急性期中醫辨證與頭顱CT徵象相關性研究」，成都中醫藥大學學報，第3期，No.23，2000。
[14]林口長庚醫院神經內科一科，臨床神經學，合記圖書，台北，民國91年。
[15]林永仁，了解腦中風，浩園文化，台北，民國95年。
[16]林建雄，馮燁，高潁，劉祥仁，林信光，張寓智，馬成珉，張禾坤，李俊霖，「中風病急性期中醫火熱證候與西醫診察指標的相關性」，北京中醫藥大學學報，27期，No.5，77-80頁，2004。
[17]洪昌億，「決策樹應用在中西醫腦中風診斷之研究」，長庚大學，碩士論文，民國94。
[18]陳月枝，居家護理-中風篇，正中書局，台北，民國83年。
[19]黃森壕，「腦中風中醫證型與西醫因子之關連性探勘研究」，長庚大學，碩士論文，民國93年。
[20]許懷仁，「生物醫學文件探勘系統之架構設計與實作」，成功大學，博士論文，民國90年。
[21]郭蓉娟，王泓午，「急性腦梗塞、出血MRI 所見與中風病相關性分析」，北京中醫藥大學學報，第21期，No.4，1998。
[22]梁寶華，孟家眉，「急性腦血管病中醫辨證分型與西醫某些指標的相關性研究」，北京中醫藥大學學報，第21期，No.3，53-55頁，1998。
[23]梁傳雄，溫澤淮，賴世隆，「中風病中醫證候特徵與腦病理改變的相關關係的研究」，新中醫，第31期，No.7，1999。
[24]張紅星，艾宙，中風病的中醫治療與康復指南，中國中醫藥出版社，1998。
[25]廖雅郁，「應用資料探採於我國西藥行銷之研究」，交通大學，碩士論文，民國90年。
[26]劉亮吟，朱耀棠，郭蔭庭，李少白，「腦中風中西醫診斷類型之相關性研究：八十五例分析」，中醫藥雜誌，第12期，No.4，2001。
[27]劉金文，王永炎，毛慧敏，「251例急性期中風病證候的病理學基礎分析」，北京中醫藥大學學報，第4期，1994。
[28]蔣松平，隱形殺手-腦中風的防治，幼獅文化，台北，民國84年。
[29]關少俠，丁萍，「急性腦梗塞始發狀態火熱證與垂體-腎上腺軸激素的關係研究」，中國中醫急症，第10期，No.6，2001。
英文部份：
[30]Berson, A., Smith , S., Thearling , K., Building Data Mining application for CRM, McGraw-Hill, 1999.
[31]Berry, M. J. A., Linoff , G., Data Mining Technologies: for marketing, sales, and customer support, Wiley, 1997.
[32]Cios, K. J. Moore, G. W., “Uniqueness of Medical Data Mining”, Artificial Intelligence in Medicine journal, 2002.
[33]Cabena , P., Hadinian, Stadler, Verhees, Zanasi, Discovering Data Mining from Concept to Implementation, Prentice Hall PTR, 1997.
[34]Delen, D., Walker, G., Kadam, A., “Predicting breast cancer survivability: a comparison of three data mining methods”, Artificial Intelligence in Medicine, 2005.
[35]DeGraba, T. J., et al. “Progression in Acute Stroke Value of the Intitial NIH Stroke Scale Score on Patient Stratification in Fututre Trials”, Journal of the American Heart Associatoin, 1999.
[36]Fayyad, U., Piatetsky-Shapiro, G., Smyth, P., “From Data Mining to Knowledge Discovery in Databases”, American Association for Artificial Intelligence, 1996.
[37]Han, J., Kamber, M., Data Mining Concepts and Techniques, Morgan Kaufmann, 2000.
[38]Kohavi, R., “Glossary of Terms, Special Issue on Applications of Machine Learning and the Knowledge Discovery Process”, International Journal Data Mining and Knowledge Discovery, 1998.
[39]Kotsiantis, S. B., Pintelas, P. E., ”Mixture of Expert Agents for Handling Imbalanced Data Sets”, ANNALS OF MATHEMATICS, COMPUTING & TELEINFORMATICS, 2003.
[40]Lavrac, N., “Data Mining in Medicine: Selected Techniques and Applications”, Proceedings of the Second International Conference on The Practical Applications of Knowledge Discovery and Data Mining, 1998.
[41]Mobley, B.A., Schechter, E., Moore, W.E., McKee, P.A., Eichner, J.E., “Neural network predictions of significant coronary artery stenosis in men”, Artificial Intelligence in Medicine, 2005.
[42]Monard, M. C., Batista G. E., “Learning with Skewed Class Distribution”, CADERNOS DE COMPUTACAO XX, 2003.
[43]Nattkemper, T. W., Arnrich, B., Lichte, O., Timm, W., Degenhard, A., Pointon, L., Hayes, C., Leach, M. O., “Evaluation of radiological features for breast tumor classification in clinical screening”, Artificial Intelligence in Medicine, 2005.
[44]Piatetsky-Shapiro, G., Frawley, W. J., Knowledge Discovery in Databases, AAAI Press, 1991.
[45]Quinlan, J. R., C4.5: Program for Machine Learning, Morgan Kaufmann, 1993.
[46]Roiger , R. J., Geatz , M. W., Data Mining: A Tutorial Based Primer, Addison Wesley, 2002.
[47]Sugiyama, A., Kotani, M., “Analysis of Gene Expression Data by Using Self-Organizing Maps and K-means Clustering”, Proceedings of the 2002 International Joint Conference, 2002.
[48]Zorman, M., Podgorelec, V., Kokol, P., Peterson, M., Sprogar, M., Ojstersek, M., “Finding the right decision tree’s induction strategy for a hard real world problem”, International Journal of Medical Informatics, 2001.
網路資源：
[49]台北榮總神經內科-腦中風防治中心，「腦中風的主要危險因子」http://www.vghtpe.gov.tw/~neur/strokecenter/EMTeducation/riskfactorforEMT.pdf
[50]行政院衛生統計資訊處，http://www.doh.gov.tw/statistic/index.htm
[51]Van der Werff, T. J., 「10 Emerging Technologies That Will Change the World」，2001，http://www.globalfuture.com/mit-trends2001.htm