TWI628591B - 風險管理系統及方法 - Google Patents
風險管理系統及方法 Download PDFInfo
- Publication number
- TWI628591B TWI628591B TW106121012A TW106121012A TWI628591B TW I628591 B TWI628591 B TW I628591B TW 106121012 A TW106121012 A TW 106121012A TW 106121012 A TW106121012 A TW 106121012A TW I628591 B TWI628591 B TW I628591B
- Authority
- TW
- Taiwan
- Prior art keywords
- risk
- user
- coefficient
- value
- blood pressure
- Prior art date
Links
- 238000000034 method Methods 0.000 title description 5
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 84
- 238000007726 management method Methods 0.000 claims description 45
- 230000035488 systolic blood pressure Effects 0.000 claims description 45
- 235000012000 cholesterol Nutrition 0.000 claims description 42
- 206010012601 diabetes mellitus Diseases 0.000 claims description 26
- 230000000391 smoking effect Effects 0.000 claims description 25
- 206010003210 Arteriosclerosis Diseases 0.000 claims description 19
- 208000011775 arteriosclerosis disease Diseases 0.000 claims description 19
- 230000002757 inflammatory effect Effects 0.000 claims description 18
- 108010074051 C-Reactive Protein Proteins 0.000 claims description 14
- 206010020772 Hypertension Diseases 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 13
- 206010061218 Inflammation Diseases 0.000 claims description 3
- 230000004054 inflammatory process Effects 0.000 claims description 3
- 108010023302 HDL Cholesterol Proteins 0.000 claims 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本發明提出一種風險管理系統，包括：用戶資料庫、統計資料庫、運算器、轉換器及第一分類器。用戶資料庫儲存用戶的多個生理特徵；統計資料庫儲存多個統計值，對應於多個生理特徵；運算器是連結至用戶資料庫及統計資料庫，並結合多個生理特徵及多個統計值以運算出風險因子；轉換器是連結至運算器，並將風險因子轉換成風險百分比；第一分類器是連結至轉換器，並根據風險百分比將用戶分類至多個族群的一個族群，並輸出分類標籤。
Description
本發明是關於一種風險管理系統，特別是關於一種心血管疾病風險管理系統。
心血管疾病位居國人前十大死因的第二位，如何對於心血管疾病進行精準的風險評估及管理，是現代醫學的重要課題。以量化且系統化的方式建立心血管風險的評估模型成為顯學，目前實用的評估模型，包括：Framingham危險評估、PROCAM模型評估、REYNODS風險評估、歐洲SCORE危險評估、WHO/ISH風險預測及中國缺血性心血管病危險評估等。
然而，無論是何種評估模型，皆因時間、地區、種族、族群(例如男女、老、少)等差異而產生誤差，對於風險評估及管理產生影響。這種誤差仰賴完整的臨床實驗及充分的統計數據加以修正。
有鑑於此，根據本發明的一種觀點，是提出一種風險管理系統，包括：用戶資料庫、統計資料庫、運算器、轉換器及第一分類器。用戶資料庫儲存至少一個用戶的多個生理特徵；統計資料庫儲存多個統計值，對應於多個
生理特徵；運算器是連結至用戶資料庫及統計資料庫，並結合多個生理特徵及多個統計值以運算出風險因子；轉換器是連結至運算器，並將風險因子轉換成風險百分比；第一分類器是連結至轉換器，並根據風險百分比將用戶分類至多個族群的一個族群，並輸出分類標籤。
進一步地，本發明的風險管理系統可更包括回授器，其連結至統計資料庫，並根據多個用戶的多個臨床資料更新多個統計值。
進一步地，本發明的風險管理系統可更包括第二分類器，其連結至第一分類器，並根據分類標籤及調整指數將用戶重新分類至多個族群的一個族群。
進一步地，在本發明的風險管理系統中，第一分類器是組態成：若風險百分比大於20%，則將用戶分類至高度風險族群；若風險百分比介於10%至20%，則將用戶分類至中度風險族群；且若風險百分比小於10%，則將用戶分類至低度風險族群。調整指數是動脈硬化指數。第二分類器是組態成：若動脈硬化指數小於0.9，則將用戶自低度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至高度風險族群；且若動脈硬化指數介於1.1至1.4，則將用戶自高度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至低度風險族群。
進一步地，在本發明的風險管理系統中，多個生理特徵包括：性別、年齡數值、總膽固醇數值、高密度膽固醇數值、收縮壓數值、抽菸布林值、糖尿病布林值及高敏感性發炎指標；且多個統計值包括：年齡係數、總膽固醇係數、高密度膽固醇係數、第一收縮壓因子、第二收縮壓因子、抽菸係數、糖尿病係數、高敏感性發炎指標係數及偏移值。
進一步地，在本發明的風險管理系統中，運算器是組態成依序執行下列步驟：將年齡數值取自然對數乘以年齡係數；加上總膽固醇值取自然對數乘以總膽固醇係數；減去高密度膽固醇數值取自然對數乘以高密度膽固醇係數；加上收縮壓數值取自然對數乘以第一收縮壓因子或第二收縮壓因子，其中，若用戶沒有接受高血壓治療，則將收縮壓數值取自然對數乘以第一收縮壓因子；若用戶有接受高血壓治療，則將收縮壓數值取自然對數乘以第二收縮壓因子；加上抽菸布林值乘以抽菸係數；加上糖尿病布林值乘以糖尿病係數；加上高敏感性發炎指標取自然對數乘以高敏感性發炎指標係數；及減去偏移值。
進一步地，在本發明的風險管理系統中，若性別是男性，則年齡係數是3.06117；總膽固醇係數是1.12370；高密度膽固醇係數是0.93263；第一收縮壓因子是1.93303；第二收縮壓因子是1.99881；抽菸係數是0.65451；糖尿病係數是0.57367；高敏感性發炎指標係數是0.03；且偏移值是23.9802；若性別是女性，則年齡係數是2.32888；總膽固醇係數是1.20904；高密度膽固醇係數是0.70833；第一收縮壓因子是2.76157；第二收縮壓因子是2.82263；抽菸係數是0.52873；糖尿病係數是0.69154；高敏感性發炎指標係數是0.03；且偏移值是26.1931。
進一步地，在本發明的風險管理系統中，轉換器是組態成以下列公式將風險因子riskfactor轉換成風險百分比risk(%)：若性別是男性，則risk(%)=100×(1-0.88936×exp(riskfactor))若性別是女性，則risk(%)=100×(1-0.95012×exp(riskfactor))其中，exp()表示取自然指數。
根據本發明的另一種觀點，是提出一種風險管理方法，包括：
步驟A：取得用戶的年齡數值Age、總膽固醇數值Totalcholesterol、高密度膽固醇數值HDLcholesterol、收縮壓數值SystolicBP、抽菸布林值Cig、糖尿病布林值DM及高敏感性發炎指標hsCRP；步驟B：運算出風險因子riskfactors：若用戶是男性，則：riskfactor=ln(Age)×3.06117+ln(Totalcholesterol)×1.12370-ln(HDLcholesterol)×0.93263+ln(SystolicBP)×SysBPFactor+Cig×0.65451+DM×0.57367+ln(hsCRP)×0.03-23.9802若用戶是女性，則：riskfactor=ln(Age)×2.32888+ln(Totalcholesterol)×1.20904-ln(HDLcholesterol)×0.70833+ln(SystolicBP)×SysBPFactor+Cig×0.52873+DM×0.69154+ln(hsCRP)×0.03-26.1931其中，ln表示取自然對數；且若用戶是男性且沒有接受高血壓治療，則SysBPFactor為1.93303；若用戶是男性且有接受高血壓治療，則SysBPFactor為1.99881；若用戶是女性且沒有接受高血壓治療，則SysBPFactor為2.76157；若用戶是女性且有接受高血壓治療，則SysBPFactor為2.82263；及步驟C：將風險因子轉換成風險百分比risk(%)：若用戶是男性，則risk(%)=100×(1-0.88936×exp(riskfactor))若用戶是女性，則risk(%)=100×(1-0.95012×exp(riskfactor))其中，exp()表示取自然指數。
進一步地，本發明的風險管理方法更包括：步驟D：根據風險百分比進行第一次分類：若風險百分比大於20%，則將用戶分類至高度風險族群；若風險百分比介於10%至20%，則將用戶分類至中度風險族群；且若風險百分比小於10%，則將用戶分類至低度風險族群；及步驟E：根據動脈硬化指數進行第二次分類：若動脈硬化指數小於0.9，則將用戶自低度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至高度風險族群；若動脈硬化指數介於1.1至1.4，則將用戶自高度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至低度風險族群。
綜上所述，根據本發明的風險管理系統及方法，可基於用戶的多個生理特徵完整地評估其在十年間罹患心血管疾病的風險，而將其分類至正確的風險族群，以達成有效的管理。醫療人員可根據本發明的評估結果給予用戶保健或治療方案。
此外，本發明的風險管理系統及方法的各項係數來自完整的臨床實驗及充分的統計數據，並可透過回授進行動態更新，以促進評估的精準度。
1‧‧‧風險管理系統
2‧‧‧風險管理系統
3‧‧‧風險管理系統
10‧‧‧用戶資料庫
20‧‧‧統計資料庫
30‧‧‧運算器
40‧‧‧轉換器
50‧‧‧第一分類器
60‧‧‧第二分類器
70‧‧‧回授器
圖1顯示本發明一實施例的風險管理系統1。
圖2顯示本發明另一實施例的風險管理系統2。
圖3顯示本發明一實施例的第二分類器的重新分類流程圖。
圖4顯示本發明再一實施例的風險管理系統3。
圖5顯示本發明一實施例的風險管理方法。
以下將提供本發明不同實施例。可理解的是，這些實施例並非用以限制。本發明的技術特徵可加以修飾、置換、組合、分離及設計以應用於其他實施例。
圖1顯示本發明一實施例的風險管理系統1。
本發明的風險管理系統1主要包括用戶資料庫10、統計資料庫20、運算器30、轉換器40及第一分類器50。
用戶資料庫10儲存至少一個用戶的多個生理特徵，例如：1.年齡數值(Age)，單位為歲；2.血液總膽固醇數值(Totalcholesterol)，單位為毫克/分升(mg/dL)；3.血液高密度膽固醇數值(HDLcholesterol)，單位為毫克/分升(mg/dL)；4.血管收縮壓數值(SystolicBP)，單位為毫米汞柱(mmHg)；5.抽菸布林值(Cig)，其中，抽菸布林值是0或1，若用戶沒有抽菸，則抽菸布林值是0，若用戶有抽菸，則抽菸布林值是1；6.糖尿病布林值(DM)，其中，糖尿病布林值是0或1，若用戶沒有糖尿病，則糖尿病布林值是0，若用戶有糖尿病，則糖尿病布林值是1；及7.高敏感性發炎指標(hsCRP)，單位為毫克/分升(mg/dL)。
統計資料庫20儲存多個統計值，對應於多個生理特徵。多個統計值來自完整的臨床實驗及充分的統計數據，可促進評估的精準度。多個統計值是例如：1.年齡係數是對應於年齡數值(Age)；
2.總膽固醇係數是對應於總膽固醇數值(Totalcholesterol)；3.高密度膽固醇係數是對應於高密度膽固醇數值(HDLcholesterol)；4.第一收縮壓因子及第二收縮壓因子是對應於收縮壓數值(SystolicBP)，其中，第一收縮壓因子及第二收縮壓因子統稱為收縮壓因子(SysBPfactor)，若用戶沒有接受高血壓治療，則將收縮壓數值取自然對數乘以第一收縮壓因子；若用戶有接受高血壓治療，則將收縮壓數值取自然對數乘以第二收縮壓因子；5.抽菸係數是對應於抽菸布林值(Cig)；6.糖尿病係數是對應於糖尿病布林值(DM)；7.高敏感性發炎指標係數是對應於高敏感性發炎指標(hsCRP)；及8.偏移值是對應至多個臨床資料。
運算器30是連結至用戶資料庫10及統計資料庫20，並結合多個生理特徵及多個統計值以運算出風險因子(riskfactors)。進一步地，運算器30是組態成依序執行下列步驟：1.將年齡數值(Age)取自然對數乘以年齡係數，其中，年齡係數男性例如是3.06117，女性例如是2.32888；2.加上總膽固醇值(Totalcholesterol)取自然對數乘以總膽固醇係數，其中，總膽固醇係數例如男性是1.12370，女性例如是1.20904；3.減去高密度膽固醇數值(HDLcholesterol)取自然對數乘以高密度膽固醇係數，其中，高密度膽固醇係數男性例如是0.93263，女性例如是0.70833；4.加上收縮壓數值(SystolicBP)取自然對數乘以第一收縮壓因子或第二收縮壓因子，其中，第一收縮壓因子男性例如是1.93303，女性例如是2.76157；第二收縮壓因子男性例如是1.99881，女性例如是2.82263；
5.加上抽菸布林值(Cig)乘以抽菸係數，其中，抽菸係數男性例如是0.65451，女性例如是0.52873；6.加上糖尿病布林值(DM)乘以糖尿病係數，其中，糖尿病係數男性例如是0.57367，女性例如是0.69154；7.加上高敏感性發炎指標(hsCRP)取自然對數乘以高敏感性發炎指標係數，其中，高敏感性發炎指標係數(男性或女性)例如是0.03；8.減去偏移值，其中，偏移值男性例如是23.9802，女性例如是26.1931；及9.輸出執行上列步驟的運算結果，作為風險因子。
執行上述步驟將獲得下列運算結果：若用戶是男性，則風險因子riskfactor=ln(Age)×3.06117+ln(Totalcholesterol)×1.12370-ln(HDLcholesterol)×0.93263+ln(SystolicBP)×SysBPFactor+Cig×0.65451+DM×0.57367+ln(hsCRP)×0.03-23.9802若用戶是女性，則風險因子riskfactor=ln(Age)×2.32888+ln(Totalcholesterol)×1.20904-ln(HDLcholesterol)×0.70833+ln(SystolicBP)×SysBPFactor+Cig×0.52873+DM×0.69154+ln(hsCRP)×0.03-26.1931其中，ln表示取自然對數。
轉換器40是連結至運算器30，並將風險因子(riskfactor)轉換成風險百分比(risk(%))。進一步地，轉換器40是組態成以下列公式將風險因子(riskfactor)轉換成風險百分比(risk(%))：
若用戶是男性，則risk(%)=100×(1-0.88936×exp(riskfactor))若用戶是女性，則risk(%)=100×(1-0.95012×exp(riskfactor))其中，exp表示取自然指數。
在上述公式中，0.88936及0.95012分別是基於臨床資料，使用Kaplan-Meier預估量(estimator)所得的男性及女性的(Baseline Survival Function)基準存活函數的係數，可用於精準預測用戶罹患心血管疾病的風險。
第一分類器50是連結至轉換器40，並根據風險百分比(risk(%))將用戶分類至多個族群的一個族群，並輸出分類標籤。進一步地，第一分類器50是組態成：若風險百分比(risk(%))大於20%，則將用戶分類至高度風險族群；若風險百分比(risk(%))介於10%至20%，則將用戶分類至中度風險族群；且若風險百分比(risk(%))小於10%，則將用戶分類至低度風險族群。
圖2顯示本發明另一實施例的風險管理系統2。
本發明的風險管理系統2主要包括用戶資料庫10、統計資料庫20、運算器30、轉換器40、第一分類器50及第二分類器60。用戶資料庫10、統計資料庫20、運算器30、轉換器40、第一分類器50皆可採用前述實施例的風險管理系統1所述者。
第二分類器60是連結至第一分類器50，並根據第一分類器50所輸出的分類標籤及調整指數將用戶重新分類至多個族群的一個族群。進一步地，調整指數例如是動脈硬化指數(ABI)，無單位，具體而言，動脈硬化指數(ABI)是腳踝血壓與上臂血壓的比值。
圖3顯示本發明一實施例的第二分類器60的重新分類流程圖。
如圖3所示，第二分類器60是組態成若動脈硬化指數(ABI)小於0.9，則將用戶自低度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至高度風險族群，也就是提高至更高風險之族群；若動脈硬化指數(ABI)介於1.1至1.4，則將用戶自高度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至低度風險族群，也就是降低至更低風險之族群。其他情形，無須重新分類。
圖4顯示本發明再一實施例的風險管理系統3。
本發明的風險管理系統3主要包括用戶資料庫10、統計資料庫20、運算器30、轉換器40、第一分類器50及回授器70。用戶資料庫10、統計資料庫20、運算器30、轉換器40、第一分類器50皆可採用前述實施例的風險管理系統1所述者。
回授器70是連結至統計資料庫20，並根據多個用戶的多個臨床資料更新多個統計值。進一步地，回授器70可連接至第一分類器50，以比對用戶的分類標籤及其實際患病的情況，以判斷第一分類器50的分類是否正確，進而更新多個統計值，使得根據新的多個統計值運算而得的新的分類標籤符合用戶實際患病的情況。
可理解的是，回授器70亦適用於本發明的風險管理系統2，在本例中，回授器可進一步連接至第二分類器60。
圖5顯示本發明一實施例的風險管理方法。
本發明的風險管理方法適於由電腦程式產品執行，以供電腦系統使用。其可實現為有形或非暫態媒體的一系列電腦可讀指令，而存在於電腦可讀媒體，例如磁碟、CD-ROM、ROM、快閃記憶體或硬碟。
本發明的風險管理方法，主要包括下列步驟A、步驟B及步驟C。此外，可包括下列步驟D及步驟E。
步驟A是取得用戶的多個生理特徵，包括：年齡數值Age、總膽固醇數值Totalcholesterol、高密度膽固醇數值HDLcholesterol、收縮壓數值SystolicBP、抽菸布林值Cig、糖尿病布林值DM及高敏感性發炎指標hsCRP。
步驟B是運算出風險因子riskfactors：若用戶是男性，則：riskfactor=ln(Age)×3.06117+ln(Totalcholesterol)×1.12370-ln(HDLcholesterol)×0.93263+ln(SystolicBP)×SysBPFactor+Cig×0.65451+DM×0.57367+ln(hsCRP)×0.03-23.9802若用戶是女性，則：riskfactor=ln(Age)×2.32888+ln(Totalcholesterol)×1.20904-ln(HDLcholesterol)×0.70833+ln(SystolicBP)×SysBPFactor+Cig×0.52873+DM×0.69154+ln(hsCRP)×0.03-26.1931其中，ln表示取自然對數；且SysBPFactor的數值如下：
步驟C是將風險因子轉換成風險百分比risk(%)：若用戶是男性，則risk(%)=100×(1-0.88936×exp(riskfactor))若用戶是女性，則risk(%)=100×(1-0.95012×exp(riskfactor))
其中，exp()表示取自然指數。
步驟D是根據風險百分比進行第一次分類：若風險百分比大於20%，則將用戶分類至高度風險族群；若風險百分比介於10%至20%，則將用戶分類至中度風險族群；且若風險百分比小於10%，則將用戶分類至低度風險族群；及
步驟E是根據動脈硬化指數進行第二次分類：若動脈硬化指數小於0.9，則將用戶自低度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至高度風險族群；若動脈硬化指數介於1.1至1.4，則將用戶自高度風險族群重新分類至中度風險族群；或自中度風險族群重新分類至低度風險族群。
綜上所述，根據本發明的風險管理系統及方法，可基於用戶的多個生理特徵完整地評估其在十年間罹患心血管疾病的風險，而將其分類至正確的風險族群，以達成有效的管理。醫療人員可根據本發明的評估結果給予用戶保健或治療方案。
此外，本發明的風險管理系統及方法的各項係數來自完整的臨床實驗及充分的統計數據，並可透過回授進行動態更新，以促進評估的精準度。
儘管本發明已透過上述實施例說明，可理解的是，在不悖離本發明精神及申請專利範圍之下，可進行許多其他修飾及變化。
Claims (6)
- 一種風險管理系統，包括：一用戶資料庫，其儲存至少一用戶的多個生理特徵；一統計資料庫，其儲存多個統計值，對應於該多個生理特徵；一運算器，其連結至該用戶資料庫及該統計資料庫，並結合該多個生理特徵及該多個統計值以運算出一風險因子；一轉換器，其連結至該運算器，並將該風險因子轉換成一風險百分比；及一第一分類器，其連結至該轉換器，並根據該風險百分比將該用戶分類至多個族群的一族群，並輸出一分類標籤；該多個生理特徵包括：一性別、一年齡數值、一總膽固醇數值、一高密度膽固醇數值、一收縮壓數值、一抽菸布林值、一糖尿病布林值及一高敏感性發炎指標；且該多個統計值包括：一年齡係數、一總膽固醇係數、一高密度膽固醇係數、一第一收縮壓因子、一第二收縮壓因子、一抽菸係數、一糖尿病係數、一高敏感性發炎指標係數及一偏移值；該運算器是組態成依序執行下列步驟：將該年齡數值取自然對數乘以該年齡係數；加上該總膽固醇值取自然對數乘以該總膽固醇係數；減去該高密度膽固醇數值取自然對數乘以該高密度膽固醇係數；加上該收縮壓數值取自然對數乘以該第一收縮壓因子或該第二收縮壓因子，其中，若該用戶沒有接受高血壓治療，則將該收縮壓數值取自然對 數乘以該第一收縮壓因子；若該用戶有接受高血壓治療，則將該收縮壓數值取自然對數乘以該第二收縮壓因子；加上該抽菸布林值乘以該抽菸係數；加上該糖尿病布林值乘以該糖尿病係數；加上該高敏感性發炎指標取自然對數乘以該高敏感性發炎指標係數；減去該偏移值；及輸出執行上列步驟的一運算結果，作為該風險因子；若該性別是男性，則：該年齡係數是3.06117；該總膽固醇係數是1.12370；該高密度膽固醇係數是0.93263；該第一收縮壓因子是1.93303；該第二收縮壓因子是1.99881；該抽菸係數是0.65451；該糖尿病係數是0.57367；該高敏感性發炎指標係數是0.03；且該偏移值是23.9802；若該性別是女性，則：該年齡係數是2.32888；該總膽固醇係數是1.20904；該高密度膽固醇係數是0.70833；該第一收縮壓因子是2.76157； 該第二收縮壓因子是2.82263；該抽菸係數是0.52873；該糖尿病係數是0.69154；該高敏感性發炎指標係數是0.03；且該偏移值是26.1931；該轉換器是組態成以下列公式將該風險因子riskfactor轉換成該風險百分比risk(%)，若該性別是男性，則risk(%)=100×(1-0.88936×exp(riskfactor))；若該性別是女性，則risk(%)=100×(1-0.95012×exp(riskfactor))；其中，exp()表示取自然指數。
- 如請求項1所述之風險管理系統，更包括：一回授器，其連結至該統計資料庫，並根據多個用戶的多個臨床資料更新該多個統計值。
- 如請求項1所述之風險管理系統，更包括：一第二分類器，其連結至該第一分類器，並根據該分類標籤及一調整指數將該用戶重新分類至該多個族群的一族群。
- 如請求項3所述之風險管理系統，其中：該第一分類器是組態成：若該風險百分比大於20%，則將該用戶分類至一高度風險族群；若該風險百分比介於10%至20%，則將該用戶分類至一中度風險族群；且若該風險百分比小於10%，則將該用戶分類至一低度風險族群； 該調整指數是一動脈硬化指數；且該第二分類器是組態成：若該動脈硬化指數小於0.9，則將該用戶自該低度風險族群重新分類至該中度風險族群；或自該中度風險族群重新分類至該高度風險族群；且若該動脈硬化指數介於1.1至1.4，則將該用戶自該高度風險族群重新分類至該中度風險族群；或自該中度風險族群重新分類至該低度風險族群。
- 一種風險管理方法，包括：步驟A：由一運算器連結至一用戶資料庫，以取得一用戶的一年齡數值Age、一總膽固醇數值Totalcholesterol、一高密度膽固醇數值HDLcholesterol、一收縮壓數值SystolicBP、一抽菸布林值Cig、一糖尿病布林值DM及一高敏感性發炎指標hsCRP；步驟B：由該運算器連結至一統計資料庫，以運算出風險因子riskfactors若該用戶是男性，則：riskfactor=ln(Age)×3.06117+ln(Totalcholesterol)×1.12370-ln(HDLcholesterol)×0.93263+ln(SystolicBP)×SysBPFactor+Cig×0.65451+DM×0.57367+ln(hsCRP)×0.03-23.9802；若該用戶是女性，則：riskfactor=ln(Age)×2.32888+ln(Totalcholesterol)×1.20904-ln(HDLcholesterol)×0.70833+ln(SystolicBP)×SysBPFactor+Cig×0.52873+DM×0.69154+ln(hsCRP)×0.03-26.1931；其中，ln表示取自然對數；且 若該用戶是男性且沒有接受高血壓治療，則SysBPFactor為1.93303；若該用戶是男性且有接受高血壓治療，則SysBPFactor為1.99881；若該用戶是女性且沒有接受高血壓治療，則SysBPFactor為2.76157；若該用戶是女性且有接受高血壓治療，則SysBPFactor為2.82263；及步驟C：由一轉換器連結至該運算器，以將該風險因子轉換成一風險百分比risk(%)：若該用戶是男性，則：risk(%)=100×(1-0.88936×exp(riskfactor))；若該用戶是女性，則：risk(%)=100×(1-0.95012×exp(riskfactor))；其中，exp()表示取自然指數。
- 如請求項5所述之風險管理方法，更包括：步驟D：由一第一分類器連結至該轉換器，以根據該風險百分比進行第一次分類：若該風險百分比大於20%，則將該用戶分類至一高度風險族群；若該風險百分比介於10%至20%，則將該用戶分類至一中度風險族群；且若該風險百分比小於10%，則將該用戶分類至一低度風險族群；及步驟E：由一第二分類器連結至該第一分類器，以根據一動脈硬化指數進行第二次分類：若該動脈硬化指數小於0.9，則將該用戶自該低度風險族群重新分類至該中度風險族群；或自該中度風險族群重新分類至該高度風險族群； 若該動脈硬化指數介於1.1至1.4，則將該用戶自該高度風險族群重新分類至該中度風險族群；或自該中度風險族群重新分類至該低度風險族群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106121012A TWI628591B (zh) | 2017-06-23 | 2017-06-23 | 風險管理系統及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106121012A TWI628591B (zh) | 2017-06-23 | 2017-06-23 | 風險管理系統及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI628591B true TWI628591B (zh) | 2018-07-01 |
| TW201905677A TW201905677A (zh) | 2019-02-01 |
Family
ID=63640533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106121012A TWI628591B (zh) | 2017-06-23 | 2017-06-23 | 風險管理系統及方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI628591B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234742A1 (en) * | 2004-04-08 | 2005-10-20 | Hodgdon Darren W | Incentive based health care insurance program |
| US20110105852A1 (en) * | 2009-11-03 | 2011-05-05 | Macdonald Morris | Using data imputation to determine and rank of risks of health outcomes |
| TW201541397A (zh) * | 2014-01-31 | 2015-11-01 | Access Business Group Int Llc | 健康評估之系統與方法 |
-
2017
- 2017-06-23 TW TW106121012A patent/TWI628591B/zh not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050234742A1 (en) * | 2004-04-08 | 2005-10-20 | Hodgdon Darren W | Incentive based health care insurance program |
| US20110105852A1 (en) * | 2009-11-03 | 2011-05-05 | Macdonald Morris | Using data imputation to determine and rank of risks of health outcomes |
| TW201541397A (zh) * | 2014-01-31 | 2015-11-01 | Access Business Group Int Llc | 健康評估之系統與方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201905677A (zh) | 2019-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Prevalence and associated factors of sarcopenia in nursing home residents: a systematic review and meta-analysis | |
| Collins et al. | An independent external validation and evaluation of QRISK cardiovascular risk prediction: a prospective open cohort study | |
| Dodge et al. | Cystic fibrosis mortality and survival in the UK: 1947–2003 | |
| Jørgensen et al. | Electrocardiographic changes improve risk prediction in asymptomatic persons age 65 years or above without cardiovascular disease | |
| CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
| US20170329918A1 (en) | Internet of things based monitoring and assessment platform | |
| JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
| Leiter et al. | Deep natural language processing to identify symptom documentation in clinical notes for patients with heart failure undergoing cardiac resynchronization therapy | |
| CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
| KR20150078236A (ko) | 개인 건강관리 방법 및 시스템 | |
| CN114023423B (zh) | 一种智能交班方法、装置以及设备 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| CN115862850B (zh) | 基于纵向多维数据的肝细胞癌监测模型的建模方法及装置 | |
| WO2021184802A1 (zh) | 一种血压分类预测方法和装置 | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| CN104361245B (zh) | 检测数据处理系统和方法 | |
| de la Sierra et al. | A blunted nocturnal blood pressure decline is associated with all-cause and cardiovascular mortality | |
| CN112542242A (zh) | 数据转换/症状评分 | |
| Reisner et al. | Prehospital heart rate and blood pressure increase the positive predictive value of the Glasgow Coma Scale for high-mortality traumatic brain injury | |
| AU2016247433A1 (en) | A probabilistic context free grammar for food intake | |
| Rojroongwasinkul et al. | Length and height percentiles for children in the South-East Asian Nutrition Surveys (SEANUTS) | |
| TWI628591B (zh) | 風險管理系統及方法 | |
| TWI807223B (zh) | 手術麻醉風險評估輔助系統、程式產品及其建立與使用方法 | |
| TWM552639U (zh) | 風險管理系統 | |
| CN118629633B (zh) | 一种医疗大数据的辅助决策方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |