高雄醫學大學圖書館 |

Language: English

Back

探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =Explo...

陳彥文

探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction /

Record Type:	Language materials, printed : Monograph/item
Title/Author:	探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =/ 陳彥文
Reminder of title:	Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction /
remainder title:	Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction
Author:	陳彥文
Published:	[高雄市]: [撰者], : 民110,
Description:	157葉 :圖 ; : 30公分;
Notes:	指導教授: 高浩雲.
基督教聖經之智慧書導讀 :	研究目的藥物不良反應的發生會導致不必要的住院、發病率和死亡率。因此藥物不良反應的早期偵測和準確預測對於藥物開發和患者安全至關重要，本研究擬藉由資料探勘技術及機器學習的方法，建立藥物不良反應預測模型。研究方法本研究為回溯性研究設計。收集南部某醫療體系之醫學中心及兩家區域醫院五年藥物不良反應通報，共5042筆資料進行分析。方法中資料探勘使用分群分析，機器學習方式則運用人工類神經網路，採取監督式學習方法建立器官、不良反應症狀及嚴重程度之預測模型。研究結果根據通料探勘由分群分析結果得知，可以分為六大主要器官。機器學習進一步以這六報表單可以得知藥物通報前三名為Iopromide、Levofloxacin、Vancomycin。藥物不良反應症狀通報前三名為紅疹(Rash)、皮膚炎(Dermatitis)、癢疹(Pruritus)。在資大群分類資料去進行分析器官、不良反應症狀及嚴重程度並分析預測模型之準確度。結論與建議研究結果顯示，使用資料探勘方式可以有效找到分群的規則，可針對特別顯著的六大器官族群進行預測並建立模型。在預測方面，可以得知使用ATC code和ICD code預測不良反應症狀，其有三大器官類別預測準確度可達0.7-0.8。而在ATC code和ICD code預測嚴重程度則有三大器官類別準確度可高達0.7-0.8。本研究結果發現，的確可以透過資料探勘方式及機器預測模型作為一個主動的藥物警訊偵測方式，也可從研究中建立早期預測藥物不良反應的基礎模型，提供未來在臨床實務上藥物不良反應管理之參考。.
Online resource:	電子資源
[NT 15000934]:	(平裝)

探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction /
陳彥文

探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction /Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction陳彥文 - [高雄市]: [撰者], 民110 - 157葉 :圖 ;30公分

指導教授: 高浩雲.

碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士在職專班.

參考書目：葉.

第一章緒論 12

研究目的藥物不良反應的發生會導致不必要的住院、發病率和死亡率。因此藥物不良反應的早期偵測和準確預測對於藥物開發和患者安全至關重要，本研究擬藉由資料探勘技術及機器學習的方法，建立藥物不良反應預測模型。研究方法本研究為回溯性研究設計。收集南部某醫療體系之醫學中心及兩家區域醫院五年藥物不良反應通報，共5042筆資料進行分析。方法中資料探勘使用分群分析，機器學習方式則運用人工類神經網路，採取監督式學習方法建立器官、不良反應症狀及嚴重程度之預測模型。研究結果根據通料探勘由分群分析結果得知，可以分為六大主要器官。機器學習進一步以這六報表單可以得知藥物通報前三名為Iopromide、Levofloxacin、Vancomycin。藥物不良反應症狀通報前三名為紅疹(Rash)、皮膚炎(Dermatitis)、癢疹(Pruritus)。在資大群分類資料去進行分析器官、不良反應症狀及嚴重程度並分析預測模型之準確度。結論與建議研究結果顯示，使用資料探勘方式可以有效找到分群的規則，可針對特別顯著的六大器官族群進行預測並建立模型。在預測方面，可以得知使用ATC code和ICD code預測不良反應症狀，其有三大器官類別預測準確度可達0.7-0.8。而在ATC code和ICD code預測嚴重程度則有三大器官類別準確度可高達0.7-0.8。本研究結果發現，的確可以透過資料探勘方式及機器預測模型作為一個主動的藥物警訊偵測方式，也可從研究中建立早期預測藥物不良反應的基礎模型，提供未來在臨床實務上藥物不良反應管理之參考。.

(平裝)Subjects--Index Terms:

資料探勘

探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 =Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction /
LDR:04871cam a2200229 i 4500 001 346947
008 211203s2021 ch a e m 000 0 chi d
035 $a (THES)109KMC0077D009
100 1 $a 陳彥文 $3 478530
245 1 0 $a 探討資料探勘技術與機器學習方法於藥物不良反應預測模型之建立 = $b Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction / $c 陳彥文
246 1 1 $a Exploring of Data Mining and Machine Learning Approaches to build up Predictive Model for Adverse Drug Reaction
260 # $a [高雄市]: $b [撰者], $c 民110
300 $a 157葉 : $b 圖 ; $c 30公分
500 $a 指導教授: 高浩雲.
500 $a 學年度: 109.
502 $a 碩士論文--高雄醫學大學醫務管理暨醫療資訊學系碩士在職專班.
504 $a 參考書目：葉.
505 0 # $a 第一章緒論 12
520 3 $a 研究目的藥物不良反應的發生會導致不必要的住院、發病率和死亡率。因此藥物不良反應的早期偵測和準確預測對於藥物開發和患者安全至關重要，本研究擬藉由資料探勘技術及機器學習的方法，建立藥物不良反應預測模型。研究方法本研究為回溯性研究設計。收集南部某醫療體系之醫學中心及兩家區域醫院五年藥物不良反應通報，共5042筆資料進行分析。方法中資料探勘使用分群分析，機器學習方式則運用人工類神經網路，採取監督式學習方法建立器官、不良反應症狀及嚴重程度之預測模型。研究結果根據通料探勘由分群分析結果得知，可以分為六大主要器官。機器學習進一步以這六報表單可以得知藥物通報前三名為Iopromide、Levofloxacin、Vancomycin。藥物不良反應症狀通報前三名為紅疹(Rash)、皮膚炎(Dermatitis)、癢疹(Pruritus)。在資大群分類資料去進行分析器官、不良反應症狀及嚴重程度並分析預測模型之準確度。結論與建議研究結果顯示，使用資料探勘方式可以有效找到分群的規則，可針對特別顯著的六大器官族群進行預測並建立模型。在預測方面，可以得知使用ATC code和ICD code預測不良反應症狀，其有三大器官類別預測準確度可達0.7-0.8。而在ATC code和ICD code預測嚴重程度則有三大器官類別準確度可高達0.7-0.8。本研究結果發現，的確可以透過資料探勘方式及機器預測模型作為一個主動的藥物警訊偵測方式，也可從研究中建立早期預測藥物不良反應的基礎模型，提供未來在臨床實務上藥物不良反應管理之參考。.
520 3 $a Purposes: Poor management and monitoring of adverse drug reactions can lead to unnecessary hospitalization, morbidity and mortality. Early detection and accurate prediction of adverse drug reactions is importance for drug quality and patient safety. This research purposes are using data mining and machine learning methods to establish predictive models for adverse drug reactions. Methods: This research is a retrospective study. We collected records of adverse drug reactions in hospitals which contains a medical center and two regional hospitals in the past five years. We totally collected 5042 records. In this study ,we use cluster analysis for data mining. And we use artificial neural networks for machine learning, it is a supervised learning method to build predictive models of adverse organs, adverse symptoms and severity of adverse reactions. Results: According to the records, top three drugs are Iopromide, Levofloxacin, and Vancomycin. The top three symptoms of adverse drug reactions were Rash, Dermatitis, and Pruritus. In the process of data mining, we known from the results of cluster analysis that can be divided into six major organs. Machine learning uses these six clusters to analyze the accuracy of the predictive models of adverse organs, adverse symptoms and severity of adverse reactions. Conclusions and Suggestions: The result shows that using data mining can help us find the rules for grouping, and machine learning can predict and build models for the six particularly significant organ groups. In terms of prediction, ATC code and ICD code are used to predict adverse reaction symptoms, and the prediction accuracy of three organ categories can reach 0.7-0.8. In the severity of adverse reactions, the accuracy of the three major organ categories can be 0.7-0.8. Data mining and machine prediction models can be used as active pharmacovigilance methods, and being basic models for early prediction of adverse drug reactions..
563 $a (平裝)
653 # # $a 資料探勘 $a 機器學習法 $a 藥物不良反應 $a 人工類神經網路.
653 # # $a Data Mining $a Machine Learning $a Adverse Drug Reaction $a Artificial neural network.
856 7 # $u https://handle.ncl.edu.tw/11296/uqk8v3 $z 電子資源 $2 http