腦中風在台灣俗稱中風，美國稱為Stroke，醫學上稱為腦血管疾病。在美國每年有700,000人發生腦中風，梗塞性腦中風佔了80%，臺灣佔75%。在美國每年在腦中風的照護上需花費將近400億美元，而在台灣每個月要花費1.5-4萬，其住院天數長，這都造成國家、病患及家屬心理上及經濟上的負擔，而不能達到雙贏之狀態，因此若能將資訊科技的技術運用至預測缺血性腦中風患者上，相信會有更好的效果。
2002年台灣正式開始使用靜脈內血栓溶解劑治療（以下簡稱rt-PA）治療急性缺血性腦中風。缺血性腦中風病患rt-PA在符合準則下使用rt-PA，是目前治療腦梗塞最有效以及安全的方法。而在準則規範後使用rt-PA的死亡率均有下降，不過對於預後行為能力好壞並無法有效預測需要即早提供訊息，以提供建立後續照顧者照護模式。
類神經網路是人工智慧的一支、一種模仿生物神經網路的資訊處理系統、大量簡單的相連人工神經元來模仿生物神經網路的能力、藉以處理高複雜度、非線性之問題。本研究即是希望以類神經網路來分析缺血性腦中風病人使用rt-PA的危險因子及預後兩種方式交叉預測的關係，希望由這些安全又經濟的預測就可以提早檢測出缺血性腦中風病人之預後狀況、進而提早治療和預防。
本次研究利用教學醫院蒐集範圍為 2005年07月至2012年06月間，共收集82位缺血性腦中風病患靜脈內血栓溶解劑治療的資料，病患性別、年齡、高血壓、心臟相關疾病、糖尿病、吸菸及NIHSS量表分數，運用類神經網路評估於病患治療後3個月之狀態。研究方法利用SPSS18與statistica10分類出測試組與訓練組的資料進行比較，statistica10之類神經網路方式選出最佳訓練模型，預測結果評估方法，如敏感度、特異度、精確度、及測試組與訓練組、全體樣本之ROC curve，評估比較分類器之好壞或檢驗或診斷之正確性，面積越大表示效果越佳。
研究結果發現，類神經網路模型比邏輯迴歸模型有更好的辨識能力。本研究所以使用之八項變數的類神經網路預測模型最佳模型，以測試組類神經網路模型的曲線下方面積AUC =0.85與訓練組神經網路模型的曲線下方面積AUC=0.98，面積皆大於各個變項在預測預後狀況好與不佳之AUC，可得知在利用類神經網路模型預測缺血性腦血管病患於使用溶栓治療預後狀況好與不佳。
本研究所建構之類神經網路預測模型-缺血性腦中風病患於靜脈內血栓溶解劑治療預後有較好的預測能力，於預後功能評估推斷，當輸入變數呈現非線性組合時，能更準確提供預測評估缺血性腦中風病患於靜脈內血栓溶解劑治療預後。醫療領域找出因子與因子間與病症間關係是重要的。與其他文獻中提出之影響因子分析的找出相關影響程度，也得到不錯的結果。提供臨床醫事人員和腦中風病患（及家屬）更多治療及預後評估的參考與建議。

Commonly known as stroke, stroke in Taiwan, the United States called Stroke, medically known as cerebrovascular disease. There are 700,000 people in the United States each year occur stroke, ischemic stroke accounted for 80% and Taiwan accounted for 75%. Stroke each year in the United States takes on the care of nearly $ 40 billion, to spend a month in Taiwan 1.5-4 million, the length of their hospital stay, which all contribute to national, patient and family psychological and economic burden, but can not achieve win-win state, therefore, it would be the use of information technology techniques to predict ischemic stroke patients, I believe there will be better results.
2002 Taiwan officially started using intravenous thrombolysis (hereinafter referred to as rt-PA) for acute ischemic stroke. Ischemic stroke patients met criteria for rt-PA using rt-PA, is currently the most effective treatment of cerebral infarction and secure method. And after the standards governing the use of rt-PA were decreased mortality, but for good or bad prognosis incapacitated and unable to effectively predict immediate early to provide information needed to establish subsequent caregivers provide care model.
Neural networks are an artificial intelligence, an imitation of biological neural network information processing system is connected to a large number of simple artificial neurons to mimic the ability of biological neural networks, in order to deal with highly complex, non-linear ''questions. This study is hoped to neural networks to analyze ischemic stroke patients with rt-PA risk factors and prognosis are two ways to cross-prediction and hope that by the security and economic forecasts can be detected early ischemic The prognosis of stroke patients, and thus early treatment and prevention.
The study, teaching hospitals to collect range from July 2005 to June 2012, a total collection of 82 ischemic stroke patients intravenous thrombolysis information, patient gender, age, hypertension, heart related disease, diabetes, smoking and NIHSS scale scores, the use of neural network evaluation in patients after 3 months of treatment status. Research Methods SPSS18 the test group with statistica10 classified information and training group comparison, statistica10 elect the best neural network training model to predict the outcome evaluation methods, such as sensitivity, Specificity, precision level, and the test group and training group, all samples ROC curve, comparative assessment of the quality classifier or inspection or the accuracy of diagnosis, the larger the area the better the results indicate.
The results showed that the neural network model is better than the logistic regression model has better recognition ability. Therefore, this study used eight variables neural network forecasting model best model to test the neural network model set of area under the curve AUC = 0.85 with the training group neural network model area under the curve AUC = 0.98, area are greater than the individual variables in predicting the prognosis is good and poor condition of the AUC, can be learned in the use of neural network model to predict ischemic cerebrovascular use of thrombolytic therapy in patients with good and poor prognosis.
By this research neural network forecasting model - Ischemic stroke patients for intravenous thrombolytic agents have a better prognosis predictive ability in functional outcome assessment concluded that when the input variables that showed nonlinear combination, can provide a more accurate assessment of ischemic stroke patients predict intravenous thrombolytic agents in treatment and prognosis. Medical field to identify factors and factor between the relationship between the illness is important. And the impact of other factors proposed in the literature to identify relevant impact analysis, but also get a good result. Provide clinical medical personnel and stroke patients (and their families) more treatment and prognosis of reference and suggestions.

目錄
審定書ii
論文授權書iii
公開申請書iv
保密同意書v
誌謝vi
目錄vii
表目錄xi
圖目錄xii
論文摘要xiii
英文摘要xv
第一章緒論
1.1研究背景1
1.2研究動機與目的2
1.3研究架構4
第二章文獻探討
2.1腦中風簡介5
2.1.1缺血性腦中風6
2.1.2出血性腦中風8
2.1.3危險因素9
2.1.4缺血性中風治療12
2.1.5腦中風預後16
2.2失能評估量表17
2.2.1美國國家衛生研究院腦中風量表（NIHSS）18
2.2.2巴氏量表 (Barthel Index)18
2.2.3雷氏修正量表(Modified rankin Scale，MRS)19
2.2.4中風衝擊量表 (stroke impact scale，SIS)20
2.3類神經網路20
2.3.1類神經網路簡介22
2.3.2類神經網路目的24
2.4疾病預測方法及相關文獻26
第三章研究材料與方法
3.1研究步驟33
3.2研究材料收集34
3.3變項選取35
3.4研究工具36
3.4.1運用statistica10軟體建構類神經網路36
3.4.2研究變項資料運用SPSS 18分析36
3.4.3模型預測結果評估38
第四章結果
4.1資料分析41
4.1.2預後狀況好與不佳樣本數分析42
4.1.3各連續變項之ROC Curve43
4.2類神經預測模型44
4.2.1類神經網路模型基本資料44
4.2.2類神經網路模型建構44
4.2.3輸入變數類神經網路模型建構45
4.2.4訓練組與測試組差異分析46
4.2.5類神經網路選擇ROC areas 最大的MLP48
4.2.6模型預測結果評估51
4.3逐步歸預測模型建構51
4.4NIHSS評估52
4.4.1NIHSS分數評估時間點與預後好與不佳差異表52
4.4.2NIHSS分數評估時間之間相關分析表52
4.4.3缺血性腦中風病患於溶栓治療後評估NIHSS分數53
4.5預測模型比較54
第五章討論與結論、研究限制與未來發展 55
參考資料
中文文獻61
英文文獻64
附錄
附錄一NIHSS量表69

中文文獻
方文宏（1992）。家庭護理叢書：高血壓。台北－同濟書店。
王雅嫻、楊雅如、王瑞瑤（2007）。影響腦中風患者功能進步量之因子-系統性回顧。物理治療。32(6)，316-323。
江俊宜、賴昱樺、熊光華、黃建華、彭家勛、陳建生、陳穎信（2010）。整合到院前及到院後急性缺血性腦中風溶栓照照護以北臺灣為例：前趨研究。Journal of Taiwan College of Emergnecy Physician,3（2），74-82。
李雅珍、吳姿誼、邱恩琦、涂富籌、謝清麟（2012）。中風病患整體健康相關生活品質之關聯因素探討。職能治療學會雜誌，30（1），53-67。
李純華（2005）。社區老人健康行為與生活品質之研究。（未出版博士論文，美和技術學院，屏東縣）。
林俊杰（2013）。老式抗生素在急性缺血性腦中風的角色。台灣腦中風學會會訊，20（1），15-18。
林昭宏、廖龍仁、黃昭郎、廖小瑤、柴惠敏（2002）。中風病人出院預後功能恢復的追蹤研究—以南投縣社區居民為基礎之初步調查報告。中華民國物理治療學會雜誌，27（2），83-89。
林景嘉、鄭信鈴、王泰裕（2010）。以類神經網路建構再發性腦中風之預測模式。醫療資訊雜誌，19（2），19-38。
胡漢華（2008）台灣腦中風防治指引2008，台北：台灣腦中風學會。
孫穆乾（2011）。急性腦中風的靜脈血栓溶解治療 。臺灣醫學，15（5），535-542。
高瓊芳、江慧玲、史麗珠、劉祥仁（2008）。門診腦中風患者之生活品質及其相關因素探討。實證護理，4（2），127-137。
張峻斌（2008）。你可以威風不中風。台南：和裕出版社。
張英明、陳品玲、胡朝榮、游家銘、吳柏瑞、陳俊亨(2005)。某地區醫院急性缺血性腦中風之醫療成本。北市醫學雜誌。2(3)，286-292。
曹汶龍（2006）。缺血性腦中風的症狀與診斷。慈濟醫學，18（l5），1-3。
梁蕙雯（2009）。腦中風之障礙與失能評估量表簡介。台北市醫師公會會刊，53（10），20-23。
許妙如與廖麗君與張雅如（2012）。代謝症候群與中風。中華民國物理治療學會雜誌，37（2），136-145。
陳志弘（2007）。糖尿病與中風。台灣腦中風學會，14（4）。
陳彥文、臧國仁（2009月）。資料探勘技術分析影響中風疾病因素之研究。「第二十屆國際資訊管理學術研討會」論文。台北。
陳儀敏、胡國琦、陳建鵬、陳建森、廖正宗、陳冠文（2008）。急診之初始血糖值是梗塞性中風後病人功能之預後因子。台灣復健醫誌，36（2），89-95。
曾美君、張穀州（2005）。腦中風嚴重度之衡量與分類。台灣醫界，48（3），17-10。
曾慶孝（2000）。糖尿病的大血管病變。中華民國內分泌暨糖尿病學會會訊。13(2)，8-18。
黃美玲、謝明龍（2010）。應用倒傳遞類神經網路於醫學資料庫之研究。2010產業管理創新研討會（857-862）。台中：修平技術學院。
廖麗君、林昭宏、林瑞泰、劉景寬（1999）。缺血性腦中風患者功能預後之影響因素。中華物療誌，24（6），408-419。
趙君傑、陳郁菁、張志華、連楚明、王宗倫、唐高駿（2006）。臺灣以靜脈注射rt-PA治療缺血性腦中風的現況調查。 J Emerg Crit Care Med, 17（4），139-145。
劉栩含、梁佩蓉、王錦滿、林佩欣（2009）。影響台灣中風病患三個月生活品質預後的相關因子。中華民國物理治療學會雜誌，34（1），53-64。
鄭貴月、邱素真、孫漬官、葉淑惠、張谷州、陳廷耀、林祖功（2006）。台灣地區神經科醫護人員對美國國家衛生研究院腦中風評估量表之臨床應用。實證護理，2（3），189-200。
蕭世美、林靜薇（2010）。血栓解劑治療急性缺血性腦中風病人之護理。榮總護理，27（4），382-387。
謝清麟、黃小玲、廖端蓉（1999）。國內醫學中心職能治療部門對中風病患評估量表的使用狀況與建議。職能治療學會雜誌，17，60-66。

英文文獻
A-Ching Chao， MD.， Hung-Yi Hsu， MD， PhD.， Chih-Ping Chun， MD.， Chung-Hsiang Liu， MD.， Chih-Hung Chen， MD.， Michael Mu-Huo Teng， MD.， Giia-Sheun Peng， MD， PhD.， Wen-Yung Sheng， MPH.， Han-Hwa Hu， MD(2010). Outcomes of Thrombolytic Therapy for Acute Ischemic Stroke in Chinese Patients: The Taiwan Thrombolytic Therapy for Acute Ischemic Stroke (TTT-AIS) Study. Stroke， 2010(41)， 885-890.
Bagher-Ebadian, H., Jafari-Khouzani, K., Mitsias, P. D., Lu, M., Soltanian-Zadeh, H., Chopp, M., Ewing, J. R., (2011, Augast). Predicting final extent of ischemic infarction using artificial neural network analysis of multi-parametric MRI in patients with strokes. Plos One. 6,1-9
Bovin, C., Momjian-Mayor, I., Sekoranja, L., Lövbald, K. O., Altrichter, S., Burkhard, P. R., Sztajzel, R. F., (2010). Stroke severity and residual flow determined by transcranial colour-codede ultrasound (TCCD) predict recanalization and clinical outcome during thrombolysis. Journal of the Neurological Sciences.296, 96-100.
Chao, A. C., Hsu, H. Y., Chung, C. P., Liu, C. H., Chen, C. H., Teng, M. M. H., Peng, G. S., Sheng, W. Y., Hu, H. H., (2010). Outcomes of thrombolytic therapy for acute ischemic stroke in Chinese patients. Stroke.41,885-890.
D. Strbian， MD， PhD.， A. Meretoja， MD， PhD.， MSc(Stroke Med).， F.J. Ablhelm， MD， PhD.， J. Pitkinimel， Phd (Stat).， P. Lyrer， MD.， M. Kaste， MD， PhD.， S. Engerlter， MD.， T. Tadisumak， MD， Phd(2012). Predicting outcome of IV thrombolysis-treated ischemic stroke patients:The DRAGON score. Neurology， 2012(78)， 427-423.
David M. Kent.， Harry P. Selker.， Robin Ruthazer.， Erich Bluhmki and Werner Hacke(2006). The Stroke-Thrombolytic Predictive Instrument: A Predictive Instrument for Intravenous Thrombolysis in Acute Ischemic Stroke. Stroke，2006(37)， 2957-2962.
Dharmasaroja, P., Dharmasaroja, P. A., (2012). Predicting of intracerebral hemorrhage following thrombolytic therapy for acute ischemic stroke using multiple artificial neural networks. Neurological Research. 34(2), 120-128.
Finch, E., Hayward, K. S., Fleming, J., Copland, D A., (2012). Identifying implications of thrombolysis for stroke rehabilitation: Knowledge gaps in current research. Disability & Rehabilitation. Early online, 1-7
Gustavo Saposnik.， Jiming Fang.， Moira K. Kapral.， Jack V. Tu.， Muhammad Mamadani .，Peter Austin and S. Claiborne Johnston(2012). The iScore Predicts Effectiveness of Thrombolytic Therapy for Acute Ischemic Stroke. Stroke2012(43)，00-00.
Gustavo Saposnik， MD.， Silvia Di Legge， MD.， Fiona Webster， MA.， Viadimir Hachinski， Md(2005). Predictors of major neurologic improvement after trombolysis in acute stroke. Neurology， 2005(65)， 1169-1174.
Huang, S., Shen, Q., Duong, T. Q., (2010). Artificial neural network prediction of ischemic tissue fate in acute stroke imaging. Journal of Cerebral Blood Flow & Metabolism. 30, 1661-1670.
Henry, D. M., Selker, H. P., Ruthazer, R., Bluhmki, E., Hacke, W., (2006). The stroke-thromboytic predictive instrument: a predictive instrument for intravenous thrombolysis in acute ischemic stroke. Stoke. 37, 2957-2962.
Kellert, L., Martin, E., Sykora, M., Bauer, H., Gussmann, P., Diedler, J., Herweh, C., Ringleb, P, A., Hacke, W., Steiner, T., Bösel, J., (2011). Cerebral oxygen transport failure? Decresing hemoglobin and hematocrit levels after isxhemic stroke predic poor outcome and mortality: strole: relevant impact of hemoglobin, hematocrit and transfusion (straight)-an observational study. Stoke. 42:2832-2837.
Kharitonova, T., Mikulik, R., Roine, R. O., Soinne, L., Ahmed, N., Wahlgren, N., (2011). Association of early national institutes of health stroke improvement with vessel recanalization and functional outcome after intravenous thrombolysis in ischemic stroke. Stoke. 42, 1638-1643.
Menon, B. k., Saver, J. L., Prabhakaran, S., Reeves, M., Liang, L., Olson, D. M., Peterson, E. D., Hermandez, A. F., Fonarow, G. C., Schwamm, L. H., Smith, E. E., (2012). Risk score for intracranial hermorrhage in patients with acute ischemic stroke treated with intravenous tissue-type plasminogen activator. Stoke. 43, 2293-2299.
Mazya, M., Egido, J. A., Ford, G.. A., Lees, K. R., Mikulik, R., Toni, D., Wahlgren, N., Ahmed, N., (2012) Predicting the risk of symptomatic intracerebral hemorrhage in ischemic stroke treated with intravenous alteplase. Stoke. 43,1524-1531.
Nneka, L., Ifejika-Jones, Nusiat, H., Mohammed-Rajput, N. A., Noser, E.A., Grotta, J. C., (2011). Thromoboysis with intravenous tissue plasminogen activator predicts a favorable discharge disposition in patients with acute ischemic stroke. Stoke. 42, 700-704.
Olabode, O., Olabode, B. T., (2012). Cerebrovascular accidents stacks classification using multilayer feed forward artificial neural network with back propagation error. Journal of Computer science. 8(1),18-25.
Rebrova, O. Y., Ishanov, O A., (2004). Development and realization of the artificial neural network for diagnosing different types of stroke. Optical Memory & Neural Networks.13(3), 159-162.
Sudha, A., Gayathri, P., Jaisankar, N.,(2012). Effective analysis and predictive model of stroke disease using classification methods. International Joural of Computer Applications. 43(14),26-31.
Sapon, M. A., Ismail, K., Zainudin, S., (2011). Prediction of diabetes by using artificial neural network. 2011 International Conference on Circuits, System and Simulation (pp. 299-303). Singapore.
Süt, N., Çelìk,. Y., (2012). Prediction of mortality in stroke patients using multilayer perceptron neural networks. Turk J Med Sci. 42(5), 886-893.
Shanthi, D., Sahoo, G., Saravanan, N., () Designing an artificial neural network model for the prediction of thrombo-embolic stroke. International Journamls of Biometrics and Bioinformatics.3, 10-18.
Saposnik, G.., Fang, J., Kapral, M. K., Tu, J. V., Mamsani, M., Austin, P., Johnston, s. C., (2012). The iscore predicts effectiveness of thrombolyytic therapy for acute ischemic stroke. Stoke. 43,1-7.
Saposnik, G..,Legge S. D., Webster, F., Hachinski, V.,(2005). Predictors of major neurologic improvement after thrombolysis in acute stroke. Neurology. 65,1169-1174.
Saarinen, J. T., Sillanpää, N., Rusanen, H., Hakomäki J., Huhtala, H., Lähteelä, A., (2012). The mid-M1 segment of the middle cerebral artery is a cutoff clot location for good outcome in intravenous thrombolysis. European Journal of Neurology. 19, 1121-1127.
Strbian, D., Meretoja, A., Ahlhelm, F. J., Pitkäniemi, J., Lyrer, P., Kaste, M., Engelter, S., Tatlisumak. T., (2012). Predicting outcome of IV thrombolysis-treated ischmic stroke parients. Neurology. 78, 427-432.
Saqqur, M., Tsivgoulis, G., Molina, C. A., Demchuk, A. M., Shuaib, A., Alexandrov, A. V., (2009). Residual flow at the site of intracranial occlusion on transcranial Doppler predicts response to intravenous thrombolysis: a multi-center study. Cerebrovascular Diseases. 27, 5-12
Thakur, A., Bhanot, S., Mishra, S. N., (2009). Eraly diagosis of ischemia stroke using neural network. Proceeding of the International Conference on Man-Machine Systems (pp. 2b10-1-5) Malasia.
Wahlgren, N., Ahmed N., Eriksson, N., Aichner, F., Bluhmki, E., Dávalos, A., Erilä, T., Ford, G. A., Ground, M., Hacke, W., Hennerici, M. G., Kaste, M., Köhrmann, M., Larrue, V., Lees, K. R., Machnig, T., Roine, R. O., Toni, D., Vanhooren, G., (2008). Multivarable analysis of outcome predictors and adjustment of main outcome results to baseline data profile in randomized controlled trials. Stroke. 39, 3316-3322.