臺灣博碩士論文加值系統

資訊科技的出現，早期主要是以龐大的計算能力，來協助人們在工程和科學方面的需求。然而，隨著科技的迅速發展，資訊技術逐漸被廣泛應用到組織當中，從傳統的電子資料處理，到決策支援系統，甚至到現今廣受企業重視的資料探勘〈Data Mining〉和資料倉儲〈Data Warehouse〉技術。為了有效分析過去的資料，建立解決問題的規則，必須採行資料探勘的技術，以期節省更多的資料分析成本與時間。
資料探勘技術中有許多的技術都可用來協助分類的問題，特別是貝氏分類法，因為貝氏分類法的核心理論是貝氏推論，所以在進行資料分析時，能考量所有影響分類結果的因素，並且能清楚判定案例所屬類別，而且對於推得的結果能有明確的解釋。但是，貝氏推論在處理連續的屬性值方面，其計算方式十分複雜，必須考量不同分配的整合方式。因而，本研究藉由模糊集合理論，來建立連續的屬性值的區隔，將連續的屬性值轉成離散的屬性值，然後，結合貝氏分類法建立資料探勘與決策之模式。
利用模糊貝氏分類法建立的雛型系統落實資料探勘的目的，確實將資料經過處理或解釋轉為資訊，並將資訊運用於決策或驗證，然後累積形成知識。一旦採行此模糊貝氏分類法的技術，便能有效分析大量資料，找出隱含的規則，以協助往後的推測工作。
在應用方面，引入醫療保險費用審查之資料，並由分析結果中得到敏感度（sensitivity）為0.639，鑑別率（specificity）為0.968，因而得知系統分析成效良好。如此一來，便能利用此系統協助醫療費用的審查作業，進而管理與監控醫療保險費用的成長。

Information technology is widely applied in business from traditional electronic data processing to cutting-edged decision support systems, data mining and data warehouse today. To analyze historical data effectively and to build the problem solving rules, data mining techniques are used to reduce the cost and time for data analysis.
Many data mining techniques can be used to solve “classification” problems, especially the Bayesian classifier. Bayesian classifier based on Bayesian inference, because it can take all attributes affecting the classification result into account. In addition, the Bayesian classifier is used to judge the class of a case clearly and explain the result in detail. However, when dealing with continuous attributes, Bayesian inference needs to integrate different probability distributions. In this case, the computation is very complex. Therefore, the research transforms the continuous attributes with the Fuzzy sets theory by converting continuous attributes to discrete. Consequently, a new data mining models by incorporating the Bayesian classifier and the Fuzzy Set Theory can be constructed. The prototype based on the Fuzzy Bayesian classifier fulfills the purpose of data mining technique --- transform data to information, and transform validated information into knowledge. Hopefully, Fuzzy Bayesian classifier can be used to analyze huge amount of data and to find the hidden rules effectively.
For the application, Fuzzy Bayesian classifier is used to analyze a portion of health insurance fee data for validating the decision model granting the application fee. In this case, the sensitivity is 0.639 and the specificity is 0.968. Therefore, the effectiveness of this model is supported. In the end, this system can be applied to audit the health insurance fee and control the increasing speed of health insurance fee.

一、緒 論 1
1.1 研究背景與動機 1
1.1.1 資訊科技的發展 1
1.1.2 全民健康保險實施現況 3
1.2 研究目的與重要性 4
1.2.1 研究目的 4
1.2.2 研究重要性 5
1.3 研究範圍 7
1.3.1 技術發展範圍 7
1.3.2 實務應用範圍 7
1.4 研究流程 8
1.5 論文架構 9
二、文獻探討 10
2.1 資料探勘技術的探討 10
2.1.1 資料探勘的定義 10
2.1.2 資料探勘的過程 11
2.1.3 資料探勘的技術與應用 12
2.2 模糊集合理論〈FUZZY SETS THEORY〉 17
2.2.1 模糊集合的定義 18
2.2.2 模糊集合的運算 21
2.3 貝氏分類法〈BAYESIAN CLASSIFIER〉 23
2.4 模糊貝氏分類法 27
2.4.1 單一屬性的模糊貝氏推論 27
2.4.2 多重屬性的模糊貝氏分類法 31
2.5 醫療費用申報審查作業 33
2.5.1 全民健保醫療費用申報及審查作業 33
2.5.2 醫療費用審查作業所遭遇的困境 37
三、研究設計 39
3.1 研究架構 39
3.2 研究方法 41
3.2.1 結合模式理論推導 41
3.2.2 建置雛型系統 42
3.2.3 系統評估方式 42
3.3 建立醫療費用審查資料 44
3.3.1 醫療費用審查指標建立之方法 44
3.3.2 研究對象與資料準備 45
四、研究實施與結果 46
4.1 資料整合與分析 46
4.1.1 第一階段：資料取得與初步指標建立 46
4.1.2 第二階段：相關性探討與指標選定 48
4.2 系統發展過程 50
4.2.1 系統發展方法 50
4.2.2 系統執行過程 51
4.3 系統驗證與評估 54
4.3.1 資料分析結果 54
4.3.2 系統評估 56
4.3.3 系統成效比較 58
4.3.4 應用於其他的分類問題 65
五、結論與建議 67
5.1 研究結論 67
5.2 研究貢獻 69
5.3 研究限制 70
5.4 未來研究建議 72
5.4.1 模式推導方面的未來發展 72
5.4.2 實際應用方面的未來發展 73
參考文獻 74
西文部分 74
中文部分 76
附錄一 醫療費用申報資料代碼說明 78
附錄二 雛型系統畫面與流程 80

1.Berry, M. J. A., and G. Linoff (1997), Data Mining Techniques, JohnWiley & Sons.
2.Cabena, P., P. O. Hadjinian, R. Stadler, DR. J. Verhees, and A. Zanasi (1997), Discovering Data Mining from Concept to Implementation , Prentice Hall, p.12.
3.Cestnik, B. (1990), “Estimating probabilities: A crucial task in machine learning.”, Proceedings European Conference on Artificial Intelligence, p.147-149.
4.Chou, K.C. , and J. Yuan (1993), “Fuzzy-Bayesian Approach to Reliability of Existing Structures.”, Journal of Structural Engineering, Vol. 119, no. 11, November.
5.Eldon, Y. L. (1994), “Artificial neural networks and their business applications.”, Information & Management, Vol. 27, p.303-313.
6.Fayyed, U. M. (1996), ”Data Mining and Knowledge :Making Sense out if Data.”, IEEE Expert, Vol. 11, no.5, p.20-25.
7.Frawley,W. J. , G. Paitetsky-Shapiro , and C. J. Matheus (1991), ”Knowledge Discovery in Database:An Overview.”, Knowledge Discovery in Database, AAAI/MIT Press, p.1-30 .
8.Friedman,C. P. , and J. C. Wyatt (1997), Evaluation Methods in Medical Informatics, Springer-Verlag New York Inc., p.303.
9.Gustafson, D. H, W. L. Cats-Baril, F. Alemi (1992), Systems to Support Health Policy Analysis, Health Administration Press, p.173-372.
10.Gustafson, D. H., F. Sainfort, S. W. Johnson, and M. Sateia (June 1993), “Measuring Quality of Care in Psychiatric Energencies: Construction and Evaluation of a Bayesian Index.”, Health Services Research 28, no. 2, p.131-158.
11.Hall, C. (1995), “The devil’s in the details: Techniques, tools, and applications for database mining and knowledge discovery─PartⅡ.”, Intelligent Software Strategies, Vol. XI, no.9, p.1-16.
12.Hall, C. (1996), “Intelligent Data Mining at IBM: New Products and Applications.”, Intelligent Software Strategies, Vol. XⅡ, no.5, p.1-11.
13.Kononenko, I. (1991), “Feedforward Bayesian neural Networks and Continuous Attributes.”, Proc. Internat. Joint Conference on Neural Networks IJCNN-91, p.146-151.
14.Kononenko, I. (1993), “Inductive and Bayesian Learning in Medical Diagnosis.”, Applied Artificial Intellifence, Vol. 7, p.317-337.
15.Kristin, R. N., and I. P. Matkovsky (1999), “Using Data Mining Techniques for Fraud Detection.”, SAS Institute Inc. and Federal Data Corporation.
16.Lavrac, N. (1999), “Selected techniques for data mining in medicine.”, Artificial Intelligence in Medicine, Vol. 16, p.3-23.
17.Pratt, J. W., H. Raiffa, and R. Schlaifer (1999), Introduction to Statistical Decision Theory, MIT Press, p.181-245.
18.Quinlan, J. R. (1986), “Induction of Decision Trees.”, Machine Learning, Vol. 1, p.81-106.
19.Quinlan, J. R. (1986), “The Effect of Noise on Concept Learning.”, Machine Learning, Vol. 2.
20.Yager, R.R., S. Ovchinnikov, R.M. Tong, and H.T. Nguyen (1987), Fuzzy Sets and Applications : Selected Papers by L.A. Zadeh, Wiley-Interscience, p.46-79.
21.Yang, Christopher C. (1995), “Fuzzy Bayesian Analysis with Continuous-Valued Evidence.”, Proceedings of the IEEE International Conference on Systems, Man and Cybernetics v1, p.441-446.
22.Yang, Christopher C. (1997), “Fuzzy Bayesian inference.”, Proceedings of the IEEE International Conference on Systems, Man and Cybernetics v3, p.2707-2712.
23.Zadeh, L.A. (1965), “Fuzzy Sets.”, Information and Control, Vol. 8.
24.Zimmermann, Hans J. (1987), Fuzzy Sets, Decision Making, and Expert Systems, Kluwer Academic Publishers, p.10-11.
25.中央健康保險局，全民健康保險特約醫院及診所辦理醫療業務須知，1995年，84-85頁。
26.中央健康保險局，全民健康保險醫療費用審查注意事項，1999年，1-3頁。
27.王文俊，認識Fuzzy，1997年，全華科技，2.1-4.15頁。
28.王欽輝、侯志陞譯，安信誠二著，Fuzzy工學，1993年，全華科技。
29.古永嘉譯，Donald R. Cooper & C. William Emory著，企業研究方法，1996年，華泰書局，305-346頁。
30.台灣大學與IBM，「資料採挖─找出隱藏在你資料中的寶藏」，http://www.ibm.nctu.edu.tw/news/lib/news0093.html，1998年。
31.杜慶麟、張瑞芬，「銀行授信決策應用類神經網路之研究-抵押貸款之實證研究」，模糊系統學刊，第四巻第一期，31-44頁。
32.林信成，「Fuzzy的過去、現在與未來」，0Ž，1994年7月，208-219頁。
33.林信成、彭啟峰，Oh! Fuzzy 模糊理論剖析，1994年，第三波，2.3-2.27頁。
34.林信忠，Data Mining技術應用於健保門診醫療費用稽核之研究，元智大學管理研究所，碩士論文，1999年。
35.林常平，「再談人工類神經網路」，自動化科技，1995年，50-59頁。
36.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。
37.星雙鈺，健保醫療費用審查決策模式，陽明大學醫務管理研究所，研究報告，1997年，70-76頁。
38.胡坤德，「貝氏可能值推測方法之研究」，東海學報 36，1995年，95-116頁。
39.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醫療服務專業審查研討會會議記錄，1997年。
40.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。
41.鄭永模，應用模糊理論之決策樹歸納學習法，中山大學資訊管理研究所，碩士論文，1993年，3-3頁。
42.衛生署中央健康保險局，「全民健康保險納保率統計表」，http://www.nhi.gov.tw/stat/06z1-1.htm，2000年。
43.衛生署中央健康保險局，「全民健康保險醫療費用申報狀況」，http://www.nhi.gov.tw/stat/06z3-1.htm，2000年。
44.盧俊成，企業策略運用資訊科技增加競爭優勢的關鍵過程之研究，交通大學管理科學研究所，碩士論文，1989年。
45.蘇木春、張孝德，機器學習類神經網路、模糊系統以及基因演算法則，1997年，全華科技，1-25頁。