應用資料探勘於健保醫療資料之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：48

、訪客IP：3.139.97.233

姓名

張立命(Li-Ming Chang) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

應用資料探勘於健保醫療資料之研究

相關論文

★ 買方採用自有電子市集之個案研究─以台塑企業為例	★ 我國大學生資訊隱私偏差行為意圖之研究
★ 由使用者態度探討投資者對網路下單之接收度	★ 行銷知識與研發能力對新產品競爭優勢之影響－以台灣資訊服務業為例
★ 溝通策略與溝通媒體對供應鏈績效影響之研究	★ 影響ERP顧問績效因素之探討
★ 以結構化理論探討組織因素與企業吸收Web技術之關係	★ 影響虛擬社群成員知識交流因素之探討
★ 新聞網站之態度、媒體可信度與使用傾向之研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

資訊科技的日新月異讓資料的產生和收集技術有急劇地發展，資訊技術已經被廣泛應用到組織和政府中，再加上資料庫能力的提升，讓資料產生爆發性的成長，資料量早遠超過人類能直接分析的能力，因此如何能有智慧且自動的將資料轉換成為有用的資訊及知識，便成為資料庫應用的前瞻目標，而資料探勘（Data Mining）就因此逐漸地成為一個重要的研究領域。
本論文主要是以約略集合（Rough Set）的方法，及資料探勘技術中的關聯規則的方法為基礎，發展出一個以RSFP（Rough set and FP Growth tree）為方法論的模式。此模式先對所有的屬性進行篩選，只剩下最重要的屬性，而後再進行資料探勘以得到最後的關聯規則。而在本論中，我們以醫院申報資料為例，將重要的申報屬性，透過約略集合理論而留下來，對於不重要的屬性，則依據此理論去除之。
本研究利用約略集合作為篩選屬性的重要理論，然後近一步用FP Growth tree演算法來探勘出關聯規則，且利用約略集合和FP Growth tree方法的結合，應用在健保醫療費用資料上。而在研究的結果上，加速了屬性的篩選與探勘的效率，且尋找出院方有興趣之規則。

摘要(英)

The innovation of information technology has increased the development of information production and gathering. It is widely used in many companies and government agencies. With the increasing ability of database, information has gathered with rapid pace. The volume of information has exceeded the ability of human direct analysis. Therefore, how to smartly and automatically transfer data into useful information and knowledge becomes a very pioneering goal of data application. As a result, data mining gradually becomes important.
The project adapts Rough Set and Association Rules of data miming to develop a model based on RSFP ( Rough set and FP Growth tree). The model sifts all attributes out to leave only t　he most important ones. Then it comes to data miming which is used to get the last association rules. In the project, we take the example of reported data from the hospital. We sift the minor attributes out by the theory of rough sets to gather the most important attributes.
This project is an important theory to sift out attributes by means of rough sets. Furthermore, I use FP Growth tree to mine association rules. We also apply the combination of both rough sets and FP Growth tree to health insurance fees and data. The result heightens the efficiency of sifting and miming of attributes and also helps the hospitals find out what rules they are interested in.

關鍵字(中)

★ 資料探勘
★ 約略理論
★ 關聯規則

關鍵字(英)

★ Data Mining
★ Rough Sets
★ FP Growth Tree
★ Association Rule

論文目次

1 緒論 1
1.1 研究動機與背景 1
1.2 研究目的 3
1.3 研究範圍 3
1.4 研究方法 4
1.5 論文結構 4
2 文獻探討 6
2.1 全民健保 6
2.2 資料探勘 12
2.3 約略集合理論 22
3 資料結構 26
3.1 資料屬性 26
3.2 屬性值的前置處理 26
4 演算法 31
5 系統實作 38
5.1 系統環境 38
5.2 系統介面與流程 39
5.3 規則檢驗 51
6 結論與建議 59
6.1 結論與貢獻 59
6.2 未來研究方向與建議 60
參考文獻 61
附錄 65
3.1A 65
6.1A 77

參考文獻

中文部分：
1. 中央健康保險局，專業審查不予支付理由代碼編碼說明，2001 年，1-3
2. 王復中，，健保醫療費用審查自動化之研究，國立政治大學資訊管理研究所碩士論文，2000。
3. 吳國禎，資料探索在醫學資料庫之應用，中原大學醫學工程學系，碩士論文，2000 年。
4. 林家弘，以類神經網路為基礎的輔助醫師開藥系統之探討，國立中正大學資訊管理研究所碩士論文，1998
5. 范錚強，中央健康保險局決策輔助系統之整體需求規劃，中央大學資訊管理學系，研究報告，1996 年，13-16 頁。
6. 陳彥良等，"資料間隱含關係的挖掘與展望," 二十一世紀台灣湧現中的資訊管理議題專家研討會，大溪，鴻禧山莊，2001。
7. 陳團景，健保醫療費用審查之標準化與制度化，全民健保醫事服務機構
8. 黃肇明，「全民健康保險抽樣審查制度」，全民健康保險，1997 年3 月，22-24 頁。
9. 藍中賢，結合模糊集合理論與貝氏分類法之資料探勘技術- 應用於健保局醫療費用審查作業，元智大學資訊研究所，2000年。
10. 醫療服務專業審查研討會會議記錄，1997 年。
網站部分：
1. 中央健保局（2002）。2002年5月6日，取自http://www.nhi.gov.tw/hospital/c_index.htm
英文部分：
1. Agarwal, R., Aggarwal C. and Prasad, V. V. V. "A tree projection algorithm for generation of frequent itemsets," In J. Parallel and Distributed Computing, 2000.
2. Agrawal, R. and Ramakrishnan S., “Mining Sequential Patterns,”Proc. of the Int’l Conference on Data Engineering, Taipei, Taiwan, March 1995.
3. Agrawal, R. and Ramakrishnan S., “Fast Algorithms for Mining Association Rules,” Proc. of the 20th VLDB Conference Santiago, Chile, 1994.
4. Berry, M. J. A. and Linoff, G., “Data mining Technique For Marketing,Sale, and Customer Support,” Wiley Computer, 1997.
5. Brin, S., Motwani, R., Ullman, J.D. and Tsur, S. "Dynamic Itemset Counting And Implication Rules For Market Basket Data," SIMOD, 1997, pp. 255-264.
6. Cabena, P., Hadjinian, P. O., R. Stadler, DR. J. Verhees, and. Zanasi, A., “Discovering Data Mining from Concept to Implementation ,” Prentice Hall, 1997, p.12.
7. Carter, C. L. and Hamilton, H. J., "A Fast, On-Line Generalization Algorithm for Knowledge Discovery," Applied Mathematics Letters Volume: 8, Issue: 2, March, 1995, pp. 5-11
8. Chen, M., Han J. and Philip S. Yu., “Data mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, Vol. 8, No.6, December 1996.
9. Frawley, W. J. , Paitetsky-Shapiro G. and Matheus, C. J., ”Knowledge Discovery in Database:An Overview.,” Knowledge Discovery in Database, AAAI/MIT Press,1991, p.1-30.
10. Gediga, G. and Düntsch, I. “ROUGH SETS: TOOLS FOR NON-INVASIVE DATA ANALYSIS,” 2000
11. Gediga, G. and Düntsch, I. “Roughian – Rough Information Analysis. International Journal of Intelligent Systems, 16, 121–147” ,2001
12. Golan, R. H. and Ziarko, W.,”A Mothodology for Stock Market Analysis utilizing Rough Set Theory”,IEEE 1995.
13. Grupe, F. H. and Owrang, M. M., “Data Base Mining Discovering New Knowledge and Coperative Advantage,” Information Systems Management, Vol. 12, No. 4, Fall 1995, pp. 26-31.
14. Hall, C., “The devil’s in the details: Techniques, tools, and applications for database mining and knowledge discovery—PartⅡ. ”,Intelligent Software Strategies,” Vol. XI, no.9, 1995, p.1-16.
15. Han, J. and Yin, Y., “Mining Frequent Patterms without Candidate Generatiom” Proc. 2000 ACM-SIGMOD Int. Management of Data ,1-12 ,May 2000.
16. Han, J. and Fu, Y. "Exploration of the Power of Attribute-Oriented Induction in Data Mining," U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy (eds.), Advances in Knowledge Discovery and Data Mining, AAAI/MIT Press, 1996, pp. 399-421
17. Han, J. and Kamber, M. Data mining: Concepts and Techniques, Academic Press, 2001
18. Han, J., Cai, Y. and Cercone, N., "Data-driven discovery of quantitative rules in relational databases," Knowledge and Data Engineering, IEEE Transactions on , Volume: 5 Issue: 1 , Feb. 1993, pp. 29 –40
19. Han, J., Cai, Y. and Cercone, N., "Knowledge Discovery in Databases: An Attribute-Oriented Approach’’, Proc. of 1992 Int’’l Conf. on Very Large Data Bases (VLDB’’92), Vancouver, Canada, August 1992, pp. 547-559
20. Hu, X. and Cercone H. ,”Mining knowledge rules from databases : a rough set approach,” Data Engineering,1996.Proceedings of the Twelfth International Conference on , 1996, pp96-105.
21. Kristin, R. N., and Matkovsky, I. P., “Using Data Mining Techniques for Fraud Detection.”, SAS Institute Inc. and Federal Data Corporation, 2000.
22. LIN T. Y. and Cercone, N., “Rough Sets and Data Mining,” Copyright c 1999 Book News, Inc., Portland
23. Shusaku Tsumoto, ” Automated Discovery of Positive and Negative Knowledge in Clinical Databases,” IEEE. Engineering in Medicine and Biology, July/August 2000
24. Wyatt, J. C. “Evaluation Methods in Medical Informatics,” Springer-Verlag New York Inc. ,1997, p.303.

指導教授

許通安(Tong-An Hsu)

審核日期

2002-7-3

推文