[[alternative]]Using data mining in urinary incontinence clinical symptom analysis

碩士[[abstract]]目前骨盆底肌肉訓練療程，醫師除了透過問卷內容了解患者的復健狀況外，醫師在面對不同類型的患者時，醫師只能透過醫療經驗等針對該患者提供處置方式，不容易發現其他可能影響療程等隱藏因子，故無法作出適合該患者的最佳處置。 本論文主要目的在對尿失禁患者利用資料探勘中的決策樹演算法進行分類，期望能探討 不同類型的患者中影響尿失禁治療結果等因子，提供醫師更清楚瞭解患者復健狀況。當有新患者需要進行復健運動時，即可透過決策樹分類模組達到預測的作用，醫師能適時給予患者協助。實作結果表明，各分類模組均可充分將目前患者資料正確地分類至各群組，有效協助醫師應用於臨床看診。[[abstract]]Currently, doctors in addition to the questionnaire to understand urinary incontinence through rehabilitation situation, the doctor in the face of different types of patients only by his medical experience providing for the disposition of the patient. This way is not easy to find other treatments that may affect other hidden factor, it is not appropriate for the patient to make the best deal. The purpose of this thesis is used decision tree of data mining to discuss factors which affect result of urinary incontinence treatment of different types of patients. Providing that doctor can understand patient’s situation clearly. When a new patient needs to do pelvic floor muscle training, we can predict the result of treatment by using classification model of decision tree. Doctor can give patients assistance in pelvic floor muscle training to improve the treatment effect. The experimental results show that our approach can accurately classify the data to help doctor diagnose patients.[[tableofcontents]]目錄 第一章 緒論 1 1.1研究背景 1 1.2研究動機與目的 2 1.3論文架構 3 第二章 相關研究 4 2.1尿失禁簡介 4 2.2尿失禁治療方法 5 2.2.1非手術治療 5 2.2.2手術治療 7 2.3資料探勘 7 2.4決策樹演算法 10 2.4.1常見的決策樹演算法 10 2.4.2 C4.5決策樹演算法之定義 12 第三章 研究方法 19 3.1知識探勘流程 19 3.2尿失禁病症分析流程 21 3.2.1原始資料 24 3.2.2資料轉換及預處理 25 3.2.3選擇目標欄位 26 3.2.4資料取樣 27 3.2.5資料探勘演算法 28 3.2.6臨床醫師模型驗證 30 第四章 實作結果與分析 32 4.1實作環境說明 32 4.2資料類別分組 33 4.3決策樹結果分析 35 4.3.1決策樹模組群組 35 4.3.2分類模組正確率驗證 43 第五章 結論與未來方向 47 5.1結論 47 5.2未來方向 47 參考文獻 49 附錄一 Urogenital Distress Inventory(UDI-6) 51 附錄二 Incontinence Impact Questionnaire(IIQ-7) 52 附錄三 英文論文 53 圖目錄 圖2.1決策樹模組 10 圖2.2訊息熵值變化 16 圖2.3性別屬性作為決策樹節點 18 圖2.4購買房車決策樹模組 18 圖3.1知識探勘流程 20 圖3.2尿失禁病症分析流程圖 23 圖3.3用藥紀錄資料(具有空值資料欄位) 25 圖3.4訓練資料集 28 圖3.5測試資料集 31 圖4.1年齡區間分布 33 圖4.2復健次數區間分布 34 圖4.3決策樹模組-年齡50-59歲 35 圖4.4決策樹模組-年齡60-69歲 36 圖4.5決策樹模組-年齡70-79歲 37 圖4.6決策樹模組-復健次數16-30次 39 圖4.7決策樹模組-復健次數31次以上 40 圖4.8決策樹模組-SUI患者 41 圖4.9決策樹模組-OAB患者 42 圖4.10決策樹模組-Other患者 43 圖4.11混亂矩陣 44 表目錄 表2.1常見的決策樹演算法 11 表2.2觀察家庭是否購買房車的相關資料 15 表3.1目標欄位 27 表4.1實作環境規格 32 表4.2決策樹模組分類規則-年齡50-59歲 36 表4.3決策樹模組分類規則-年齡60-69歲 36 表4.4決策樹模組分類規則-年齡70-79歲 38 表4.5決策樹分類規則-復健次數16-30次 39 表4.6決策樹模組類規則-復健次數31次以上 40 表4.7決策樹模組分類規則-SUI患者 41 表4.8決策樹模組分類規則-OAB患者 42 表4.9決策樹分類規則-Other患者 43 表4.10測試資料驗證模組-年齡 44 表4.11測試資料驗證模組-復健次數 44 表4.12測試資料驗證模組-Type 45 表4.13分類規則-改善狀況良好 46[[note]]學號: 600410772, 學年度: 10