語系/ Language:
繁體中文
English
KMU OLIS
登入
回首頁
切換:
標籤
|
MARC模式
|
ISBD
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =Machin...
~
王麗美
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /
紀錄類型:
書目-語言資料,印刷品 : Monograph/item
正題名/作者:
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =/ 王麗美
其他題名:
Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /
其他題名:
Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients
作者:
王麗美
出版者:
[高雄市]: [撰者], : 2023[民112],
面頁冊數:
117葉 :圖 ; : 30公分;
附註:
指導教授: 許弘毅.
提要註:
研究目的 多數癌症患者經歷了不同程度憂鬱或焦慮的情緒困擾問題,若未即時診斷與治療,恐影響病程及生活品質,降低醫囑遵從度甚至疾病的預後,也可能產生自殺意念及增加死亡風險。故癌症照護當務之急乃是積極篩檢癌症病人的情緒狀態,透過及早偵測並適時給予轉介治療。本研究應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式,並利用最佳預測模式探討其重要影響因子,提供臨床醫療專業人員照護參考。 研究方法 本研究為回溯性世代研究設計(Retrospective Cohort Design),研究對象為南部某醫療體系資料庫中診斷為頭頸部癌症、食道癌、大腸直腸癌、乳癌、肺癌、肝癌六類癌症患者,研究期間為2017年1月至2021年12月,應用邏輯式迴歸(LR)、隨機森林(RF)、K-近鄰演算法(KNN)、自適應提升(AdaBoost)、極限梯度提升(XGBoost)五種機器學習演算法作為預測模型之建構,以準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1 Score、接受者操作特徵曲線下面積 (AUROC)作為模型績指標之評估,並利用特徵重要性(Feature Importance)探討重要影響因子。 研究結果 整體而言,極限梯度提升(XGBoost)在四項模型效能的評估指標中皆優於其他預測模式:準確率98.30%、精確率 98.17%、F1 Score 98.30%、AUROC 99.72%,為本研究之最佳預測模式。腫瘤大小、年齡、身體質量指數(BMI)依序為癌症病人罹患憂鬱症與焦慮症之重要影響因子。 結論與建議 應用機器學習理論能夠建立準確度高的預測模式,以篩查癌症病人的心理健康問題,提供病人、家屬及醫療照護團隊參考,透過適時轉介、及早診斷治療,減少醫療資源耗用、提高整體對癌症病人的醫療照護品質。.
電子資源:
電子資源
館藏註:
(平裝)
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /
王麗美
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =
Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients王麗美 - [高雄市]: [撰者], 2023[民112] - 117葉 :圖 ;30公分
指導教授: 許弘毅.
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.
致謝 I
研究目的 多數癌症患者經歷了不同程度憂鬱或焦慮的情緒困擾問題,若未即時診斷與治療,恐影響病程及生活品質,降低醫囑遵從度甚至疾病的預後,也可能產生自殺意念及增加死亡風險。故癌症照護當務之急乃是積極篩檢癌症病人的情緒狀態,透過及早偵測並適時給予轉介治療。本研究應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式,並利用最佳預測模式探討其重要影響因子,提供臨床醫療專業人員照護參考。 研究方法 本研究為回溯性世代研究設計(Retrospective Cohort Design),研究對象為南部某醫療體系資料庫中診斷為頭頸部癌症、食道癌、大腸直腸癌、乳癌、肺癌、肝癌六類癌症患者,研究期間為2017年1月至2021年12月,應用邏輯式迴歸(LR)、隨機森林(RF)、K-近鄰演算法(KNN)、自適應提升(AdaBoost)、極限梯度提升(XGBoost)五種機器學習演算法作為預測模型之建構,以準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1 Score、接受者操作特徵曲線下面積 (AUROC)作為模型績指標之評估,並利用特徵重要性(Feature Importance)探討重要影響因子。 研究結果 整體而言,極限梯度提升(XGBoost)在四項模型效能的評估指標中皆優於其他預測模式:準確率98.30%、精確率 98.17%、F1 Score 98.30%、AUROC 99.72%,為本研究之最佳預測模式。腫瘤大小、年齡、身體質量指數(BMI)依序為癌症病人罹患憂鬱症與焦慮症之重要影響因子。 結論與建議 應用機器學習理論能夠建立準確度高的預測模式,以篩查癌症病人的心理健康問題,提供病人、家屬及醫療照護團隊參考,透過適時轉介、及早診斷治療,減少醫療資源耗用、提高整體對癌症病人的醫療照護品質。.
(平裝)Subjects--Index Terms:
癌症
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /
LDR
:04846cam a2200229 i 4500
001
364240
008
230920s2023 ch a e m 000 0 chi d
035
$a
(THES)111KMC0077D009
100
1
$a
王麗美
$3
381995
245
1 0
$a
應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式 =
$b
Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients /
$c
王麗美
246
1 1
$a
Machine Learning Algorithms to Predict Depression and Anxiety Disorders in Cancer Patients
260
#
$a
[高雄市]:
$b
[撰者],
$c
2023[民112]
300
$a
117葉 :
$b
圖 ;
$c
30公分
500
$a
指導教授: 許弘毅.
500
$a
學年度: 111.
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
致謝 I
520
3
$a
研究目的 多數癌症患者經歷了不同程度憂鬱或焦慮的情緒困擾問題,若未即時診斷與治療,恐影響病程及生活品質,降低醫囑遵從度甚至疾病的預後,也可能產生自殺意念及增加死亡風險。故癌症照護當務之急乃是積極篩檢癌症病人的情緒狀態,透過及早偵測並適時給予轉介治療。本研究應用機器學習理論建立癌症病人罹患憂鬱症與焦慮症之預測模式,並利用最佳預測模式探討其重要影響因子,提供臨床醫療專業人員照護參考。 研究方法 本研究為回溯性世代研究設計(Retrospective Cohort Design),研究對象為南部某醫療體系資料庫中診斷為頭頸部癌症、食道癌、大腸直腸癌、乳癌、肺癌、肝癌六類癌症患者,研究期間為2017年1月至2021年12月,應用邏輯式迴歸(LR)、隨機森林(RF)、K-近鄰演算法(KNN)、自適應提升(AdaBoost)、極限梯度提升(XGBoost)五種機器學習演算法作為預測模型之建構,以準確率(Accuracy)、精確率(Precision)、召回率(Recall)、F1 Score、接受者操作特徵曲線下面積 (AUROC)作為模型績指標之評估,並利用特徵重要性(Feature Importance)探討重要影響因子。 研究結果 整體而言,極限梯度提升(XGBoost)在四項模型效能的評估指標中皆優於其他預測模式:準確率98.30%、精確率 98.17%、F1 Score 98.30%、AUROC 99.72%,為本研究之最佳預測模式。腫瘤大小、年齡、身體質量指數(BMI)依序為癌症病人罹患憂鬱症與焦慮症之重要影響因子。 結論與建議 應用機器學習理論能夠建立準確度高的預測模式,以篩查癌症病人的心理健康問題,提供病人、家屬及醫療照護團隊參考,透過適時轉介、及早診斷治療,減少醫療資源耗用、提高整體對癌症病人的醫療照護品質。.
520
3
$a
Purposes Most cancer patients experience emotional distress with varying degrees of depression or anxiety. Therefore, the urgent task of cancer care is to actively screen the emotional state of cancer patients, through early detection testing and timely referral for treatment. This study purposed to develop the machine learning algorithms to establish the forecasting models for cancer patients suffering from depression and anxiety disorders, and to explore its important risk factors and provide for clinical medical professional care reference. Methods This retrospective study collected the subjects diagnosed with six types of cancer, including Head and Neck Cancer, Esophageal Cancer, Colorectal Cancer, Breast Cancer, Lung Cancer, Liver Cancer, from January 2017 to December 2021 in one medical care systems in southern Taiwan. These machine learning algorithms were Logistic Regression (LR), Random Forest (RF), K-Nearest Neighbor (KNN), Adaptive Boosting (AdaBoost), Extreme Gradient Boosting (XGBoost). The accuracy, precision, recall, F1 score, AUC were also used as performance indicators of these five predictive models. This study used SPSS version 26.0 and Spyder (Python 3.8) to conduct the statistical analysis. Results The XGBoost model outperforms than other forecasting models to predict depression and anxiety disordes in accuracy rate 98.30%, precision rate 98.17%, F1 score 98.30%, and AUC 99.72%. Tumor size, age, body mass index (BMI) are the most important risk factors for predicting cancer patients suffering from depression and anxiety disorders. Conclusion The machine learning algorithms can provide patients, their families, and healthcare providers with an understanding of depression and anxiety disorders during treatment programs in order to develop better care guidelines to maximize the benefits and outcomes for cancer patients..
563
$a
(平裝)
653
# #
$a
癌症
$a
憂鬱症
$a
焦慮症
$a
機器學習理論.
653
# #
$a
Cancer
$a
Depression Disorder
$a
Anxiety Disorder
$a
Machine Learning.
856
7 #
$u
https://handle.ncl.edu.tw/11296/cjk24j
$z
電子資源
$2
http
筆 0 讀者評論
全部
後棟2F學位論文區 2F Dissertations(Rear Building)
館藏
1 筆 • 頁數 1 •
1
條碼號
典藏地名稱
館藏流通類別
資料類型
索書號
使用類型
卷號
借閱狀態
預約狀態
備註欄
附件
00376790
後棟2F學位論文區 2F Dissertations(Rear Building)
不流通
博碩士論文 (Dissertations)
T 008 419.4 8456 2023
一般使用(Normal)
在架
0
1 筆 • 頁數 1 •
1
多媒體
評論
新增評論
分享你的心得,請勿在此評論區張貼涉及人身攻擊、情緒謾罵、或內容涉及非法的不當言論,館方有權利刪除任何違反評論規則之發言,情節嚴重者一律停權,以維護所有讀者的自由言論空間。
Export
取書館別
處理中
...
變更密碼
登入