臺灣博碩士論文加值系統

臺灣人口結構邁向高齡化，而過去的醫療服務設計是以單一疾病導向，導致擁有共病患者須接受多種科別之診斷與片段式醫療照護，使得病患在診斷過程、接受個體化治療與醫療資源分配等問題存在著風險；而哮喘與慢性阻塞性肺病重疊症候群、結核病與神經退化性疾病皆為高齡人口盛行率較高的疾病，且在高齡人口中盛行率有逐年提升的趨勢，在社會乃至家庭層面皆帶來了不少負擔；過去台灣對哮喘與慢性阻塞性肺病重疊症候群並沒有明確的定義，因此缺乏其流行病學資料，於臨床層面為一大缺口，對醫療、經濟、家庭與社會而言為重要的公共議題。
本研究以雲林縣某醫療機構資料庫為基礎，選取原發疾病與共病症之風險為研究題材，探討哮喘與慢性阻塞性肺病重疊症候群患者是否伴隨結核病或神經退化性疾病，根據文獻與專業醫師訪談，篩選出哮喘與慢性阻塞性肺病重疊症候群伴隨結核病或神經退化性疾病之風險因子，運用粒子群最佳化演算法、基因邏輯斯迴歸演算法與交叉熵演算法計算因子權重，再將三種演算法分別結合支援向量機、倒傳遞類神經網路及案例式推理系統，建構預測模型與評估系統，評估隨結核病或神經退化性疾病之風險。
研究結果顯示，預測模型之間以預測準確率與接收操作特性曲線下面積為指標，經由傅利曼檢定模型之間皆存在差異，再運用成對樣本t檢定判別模型之優劣性，根據判別結果，預測成效以基因邏輯斯迴歸演算法結合支援向量機表現最為出色，其準確率達到92%；分類成效則以粒子群最佳化演算法結合倒傳遞類神經網路表現最佳，最適合應用於結核病與神經退化性疾病之分類；評估系統方面k疊交互驗證之準確率與接收操作特性曲線下面積皆達90%與0.92之水準，經由傅利曼檢定準確率與接收操作特性曲線下面積為無顯著差異，表示三組模型皆適合作為評估系統預設權重。
本研究結果可提供醫療機構、臨床工作者、病患與家屬等作為疾病參考依據，可幫助臨床工作者能更準確地辨識病患的風險提供洞察罹患疾病之徵兆，使病患能提早預防疾病的發生以及獲得更妥善之個體化治療，在醫療管理與資源分配方面也能大幅提高利用率。

The demographic structure of Taiwan is shifting towards an aging population. However, the previous design of healthcare services was disease-centric, leading to comorbid patients having to undergo diagnoses and fragmented medical care across multiple specialties. This posed risks in terms of patient diagnosis, personalized treatment, and allocation of medical resources. asthma-chronic obstructive pulmonary disease overlap syndrome, tuberculosis, and neurodegenerative diseases are prevalent among the elderly population, with their prevalence steadily increasing over the years. These conditions have imposed significant burdens on both society and families. Previously, Taiwan lacked a clear definition of asthma-chronic obstructive pulmonary disease overlap syndrome, resulting in a dearth of epidemiological data. This presented a significant gap at the clinical level and remained a critical public issue concerning healthcare, economics, families, and society.
This research, grounded in a healthcare institution's database in Yunlin County, explores the risks associated with primary diseases and comorbidities. It investigates whether patients with asthma-chronic obstructive pulmonary disease overlap syndrome are also afflicted with tuberculosis or neurodegenerative diseases. Through a combination of literature review and interviews with expert physicians, we identified the risk factors for asthma-chronic obstructive pulmonary disease overlap syndrome coexisting with tuberculosis or neurodegenerative diseases. We applied particle swarm optimization, genetic algorithm-logistic regression, and cross-entropy algorithm to calculate factor weights. Subsequently, we combined these three algorithms with support vector machine, back-propagation neural network, and case-based reasoning to construct predictive models and assessment systems for evaluating the risks associated with tuberculosis or neurodegenerative diseases.
The research results indicate that, when measured in terms of predictive accuracy and the area under the receiver operating characteristic curve, there are differences among the predictive models as determined by the Friedman test. According to the discriminant results, the genetic algorithm-logistic regression combined with support vector machine performed exceptionally well, achieving an accuracy rate of 92%. In terms of classification performance, the particle swarm optimization combined with back-propagation neural network demonstrated the best performance and is most suitable for application in the classification of tuberculosis and neurodegenerative diseases. Regarding the assessment system, both the accuracy and area under the receiver operating characteristic curve of k-fold cross-validation reached levels of 90% and 0.92, respectively. Through the Friedman test, no significant differences were found in accuracy and the area under the receiver operating characteristic curve among the three model groups, indicating that all three models are suitable as default weights for the assessment system.
The findings of this study can serve as a reference for healthcare institutions, clinical practitioners, patients, and their families. They can aid clinical practitioners in accurately identifying patient risks, providing insights into disease manifestations, and enabling early disease prevention and more appropriate personalized treatment. Additionally, it can significantly enhance the efficiency of healthcare management and resource allocation.

摘要...i
Abstract...iii
誌謝...v
目錄...vi
表目錄...xi
圖目錄...xiv
第一章 緒論...1
1.1 研究背景...1
1.2 研究動機...2
1.3 研究目的...2
1.4 範圍與限制...2
1.5 研究流程...3
第二章 文獻探討...4
2.1 原發疾病與共病症...4
2.1.1 原發疾病簡介...4
2.1.2 共病症簡介...4
2.2 哮喘與慢性阻塞性肺病重疊症候群...4
2.2.1 哮喘與慢性阻塞性肺病重疊症候群簡介...4
2.2.2 哮喘與慢性阻塞性肺病重疊症候臨床症狀與診斷...5
2.2.3 哮喘與慢性阻塞性肺病重疊症候群預防與治療...7
2.2.4 哮喘與慢性阻塞性肺病重疊症候群危險族群...8
2.3 結核病...8
2.3.1 結核病簡介...8
2.3.2 結核病臨床症狀與診斷...9
2.3.3 結核病預防與治療...11
2.3.4 結核病危險族群...11
2.4 神經退化性疾病...12
2.4.1 神經退化性疾病簡介...12
2.4.2 神經退化性疾病臨床症狀與診斷...12
2.4.3 神經退化性疾病預防與治療...13
2.4.4 神經退化性疾病危險族群...15
2.5 粒子群最佳化演算法...16
2.5.1 粒子群最佳化演算法簡介與流程...16
2.5.2 粒子群最佳化演算法參數設定...17
2.5.3 粒子群最佳化演算法相關文獻...19
2.6 基因邏輯斯迴歸演算法...20
2.6.1 基因演算法簡介與流程...20
2.6.2 邏輯斯迴歸簡介...23
2.6.3 基因邏輯斯迴歸演算法模式...23
2.6.4 基因演算法相關文獻...24
2.6.5 邏輯斯迴歸相關文獻...26
2.7 交叉熵演算法...27
2.7.1 交叉熵演算法簡介與流程...27
2.7.2 交叉熵演算法相關文獻...28
2.8 支援向量機...30
2.8.1 支援向量機簡介...30
2.8.2 線性支援向量機...30
2.8.3 非線性支援向量機...31
2.8.4 支援向量機相關文獻...32
2.9 倒傳遞類神經網路...33
2.9.1 倒傳遞類神經網路簡介...33
2.9.2 倒傳遞類神經網路架構...34
2.9.3 倒傳遞類神經網路相關文獻...36
2.10 案例式推理系統...37
2.10.1 案例式推理系統簡介...37
2.10.2 案例式推理系統架構...37
2.10.3 案例式推理系統相關文獻...38
第三章 研究方法...40
3.1 研究對象...40
3.2 研究架構與流程...40
3.3 研究資料...43
3.4 資料前處理...44
3.5 定義研究變數...44
3.6 研究變數編碼...46
3.7 預測模型架構...47
3.8 評估系統架構...48
3.9 演算法參數設定...48
3.9.1 粒子群最佳化演算法之參數...48
3.9.2 基因邏輯斯迴歸演算法之參數...49
3.9.3 交叉熵演算法之參數...49
3.9.4 倒傳遞類神經網路之參數...50
3.9.5 支援向量機之參數...50
3.9.6 案例式推理系統之功能...51
3.10 模型績效評估與檢定...51
3.10.1 k疊交互驗證...51
3.10.2 混淆矩陣 52
3.10.3 接收操作特性曲線...52
3.10.4 差異性檢定...53
第四章 研究結果...55
4.1 敘述統計...55
4.2 粒子群最佳化演算法實驗分析...57
4.2.1 粒子群最佳化演算法實驗參數...57
4.2.2 粒子群最佳化演算法輸入變數之權重分析...57
4.2.3 粒子群最佳化演算法結合倒傳遞類神經網路實驗分析...58
4.2.4 粒子群最佳化演算法結合倒傳遞類神經網路之k疊交互驗證...61
4.2.5 粒子群最佳化演算法結合支援向量機實驗分析...62
4.2.6 粒子群最佳化演算法結合支援向量機之k疊交互驗證...65
4.3 基因邏輯斯迴歸演算法實驗分析...65
4.3.1 基因邏輯斯迴歸演算法實驗參數...65
4.3.2 基因邏輯斯迴歸演算法輸入變數之權重分析...66
4.3.3 基因邏輯斯迴歸演算法結合倒傳遞類神經網路實驗分析...67
4.3.4 基因邏輯斯迴歸演算法結合倒傳遞類神經網路之k疊交互驗證...70
4.3.5 基因邏輯斯迴歸演算法結合支援向量機實驗分析...71
4.3.6 基因邏輯斯迴歸演算法結合支援向量機之k疊交互驗證...73
4.4 交叉熵演算法實驗分析...74
4.4.1 交叉熵演算法實驗參數...74
4.4.2 交叉熵演算法輸入變數之權重分析...74
4.4.3 交叉熵演算法結合倒傳遞類神經網路實驗分析...75
4.4.4 交叉熵演算法結合倒傳遞類神經網路之k疊交互驗證...78
4.4.5 交叉熵演算法結合支援向量機實驗分析...79
4.4.6 交叉熵演算法結合支援向量機之k疊交互驗證...81
4.5 預測模型比較...82
4.5.1 預測模型結果分析...82
4.5.2 預測模型差異性檢定...82
4.6 預測輸出分類...84
4.6.1 輸出分類參數設置...84
4.6.2 輸出分類之預測分析...85
4.7 案例式推理評估系統...87
4.7.1 權重值設定...87
4.7.2 案例式推理評估系統使用介面...88
4.7.3 案例式推理評估系統之k疊交互驗證...93
4.7.4 案例式推理評估系統差異性檢定...93
第五章 結論與建議...94
5.1 研究結論...94
5.2 研究建議...95
參考文獻...96
附錄A 預測模型傅利曼檢定表...104
附錄B 預測模型成對樣本t檢定表...105
附錄C 評估系統傅利曼檢定表...106
Extended Abstract...107

1.王上銘、蔡元融、李心平、謝正倫 (2021)，「基因遺傳演算法應用於土砂收支模型參數最佳化之研究」，中華防災學刊，13卷，2期，頁133-148。
2.台灣失智症協會 (2023) 「認識失智症」，2023/06/18，取自： http://www.tada2002.org.tw/About/IsntDementia。
3.台灣失智症協會 (2017)，「失智症診療手冊」，2023/06/18，取自：https://www.mohw.gov.tw/dl-27189-8993c3ad-0f47-45e0-a602-6a4362faae9a.html
4.朱君亞 (2022)，金融壓力事件預警模型：類神經網路、之支援向量機與羅吉斯迴歸之比較，國立政治大學金融學系，碩士論文。
5.朱海瑞、李銘仁 (2020)，「阿茲海默症(Alzheimer's Disease)病因的基因學」，2023/02/08，取自：https://www.ntuh.gov.tw/neur/Fpage.action?fid=4204。
6.宋國強、李財福、吳鴻源、阮國榮 (2019)，「影響乳癌患者接受強度調控放射治療後產生放射線皮膚炎之因子分析」，中華放射線技術學雜誌，43卷，1期，頁27-32。
7.李怡嬅 (2017)，「喘不過氣，是氣喘還是COPD？」，康健雜誌，2023/02/15，取自：https://www.commonhealth.com.tw/article/76062。
8.李維平、王雅賢、江正文 (2008)，「粒子群最佳化演算法改良之研究」，科學與工程技術期刊，4卷，2期，頁51-62。
9.李政益、楊祥麟、吳宛真、劉定萍 (2018)，「2013-2014年我國結核病個案慢性病共病盛行率及治療管理期程之分析研究」，衛生福利部疾病管制署疫情報導，34 卷，6期，頁92-100。
10.李俊宏、古清仁 (2010)，「類神經網路與資料探勘技術在醫療診斷之應用研究」，工程科技與教育學刊，7卷，1期，頁154-169。
11.李建勳 (2009)，「失智症之非藥物性治療」，高醫醫訊月刊，29卷，2期，頁4。
12.巫沛倉、廖紫柔、邱詩彥 (2021)，「運用灰關聯分析與倒傳遞類神經網路建構財務危機預警模型」，管理資訊計算，10卷，1期，頁121-132。
13.吳三吉、許玉雪 (2022)，「機器學習法在塑膠元件多維度製程參數最佳化之應用」，統計與資訊評論，21卷，頁1-20。
14.吳瑞美、陳孟伶、沈沛辰、趙瑜玲 (2015)，「巴金森病為何發生？」，台灣巴金森之友，20期，頁4-11。
15.周玉潔、呂啟圓、李現文 (2005)，「共病及共病指數研究進展與應用展望」，中國公共衛生，31卷，11期，頁1513-1516。
16.周永燦、吳益銓、林文燦 (2015)，「應用決策樹與類神經網路以提升人力訓練品質之績效」，品質學報，22卷，5期，頁383-403。
17.社團法人台灣醫事檢驗學會 (2018)，「結核菌抗酸性染色(濃縮法)操作程序」，2023/01/18，取自: https://www.labmed.org.tw/Upfiles/Test_5A/2018921165215.pdf。
18.林豐澤 (2005)，「演化式計算上篇：演化式演算法的三種理論模式」，智慧科技與應用統計學報，3卷，1期，頁1-28。
19.林豐澤 (2005)，「演化式計算下篇：基因演算法以及三種應用實例」，智慧科技與應用統計學報，3卷，1期，頁29-56。
20.林灼榮、林建守 (2020)，「老人健康折舊與死亡風險：老人整合性照護死亡率之改善」，商略學報，12卷，1期，頁1-16。
21.林泓宏、蘇家鈜、張勝麟 (2021)，「以支援機處理題型符號與文字特徵評估微積分試題積分分類」，測驗學刊，68卷，2期，頁75-99。
22.林秀怡、徐彬偉 (2023)，「大數據分析技術結合時間序列預測應用－以區間式改良神經網路為例」，中正嶺學報，52卷，1期，頁89-100。
23.林定香、蔡旻曉 (2021)，「處理具有多個膨脹值之問卷調查資料摘要」，調查研究-方法與應用，47期，頁95-111。
24.林君憶、洪為璽、季延平 (2023)，「政府基於協力網絡的平台型新興傳染疾病生態系統模式－以COVID-19為例」，中山管理評論，31卷，2期，頁213-282。
25.林榮禾、林敬順、張雅婷 (2022)，「應用資料探勘技術建立組合型乳癌預測模式」，慈惠學報，18期，頁17-31。
26.林詩偉、陳士杰、林欣志 (2006)，「模擬退火法應用於倒傳遞類神經網路之參數調整」，資訊管理學術與實務研討會論文集，台北，中華民國，五月一日。
27.林景嘉、鄭信鈴、王泰裕 (2010)，「以類神經網路建構再發性腦中風之預測模式」，醫療資訊雜誌，19卷，2期，頁19-38。
28.段人偉、胡菩芳 (2011)，「結核病藥物治療」，臺大醫院健康電子報，40期。
29.侯夆霖、李俊賢 (2020)，「模糊類神經多項參數建構之預測模式及PSO-RLSE演算法於股市投資策略之研究」，台灣管理學刊，20卷，1期，頁23-75。
30.徐維謙、陳建志、方詩琁 (2016)，「淺談氣喘與慢性阻塞性肺病重疊症候群」，家庭醫學與基層醫療，31卷，11期，頁364-369。
31.張娜、賀興時、屈思凡 (2020)，「基於交叉熵的粒子群優化演算法」，西安工程大學學報，34卷，4期，頁106-112。
32.張偉斌、吳振龍、紀櫻珍、黃育文、劉德明 (2006)，「案例推理法增進乳癌診斷率」，北市醫學雜誌，3卷，11期，頁78-84。
33.張木興、劉建浩、羅懷暐、徐敏喜 (2021)，「結合支援向量機與多準則決策方法評鑑綠色供應商績效」，商管科技季刊，22卷，1期，頁25-65。
34.陳彥蓁 (2020)，「失智症藥物」，臺大醫院健康電子報，155期，2022/11/08，取自：https://epaper.ntuh.gov.tw/health/202010/project_3.html
35.陳人豪、洪文良 (2019)，「應用粒子群演算法於函數資料之聚類分析」，智慧科技與應用統計學報，17卷，1期，頁1-16。
36.陳柏安、劉紜瑄、萬絢、鄭育欣 (2023)，「資訊萃取於高解析度影像在紋理資訊對海岸漂流木之辨識差異研究」，國土測繪與空間資訊，11卷，1期，頁1-14。
37.陳宗豪、楊顯爵、陳震遠、陳震武 (2009)，「羅吉斯回歸模型的應用：內孤立子的傳導影響」，中正嶺學報，37卷，2期。
38.陳廷斌、王培寧 (2018)，「失智症與其共病症」，臨床醫學月刊，81卷，1期，頁6-9。
39.陳育仁 (2022)，「企業資產掏空偵測」，資訊管理學報，29卷，1期，頁75-101。
40.陳泰宏、林家鳴、李燊銘 (2020)，「Christofides隨機作答設計之邏輯斯迴歸參數估計」，智慧科技與應用統計學報，18卷，1期，頁1-22。
41.郭怡婷、柯伯昇 (2022)，「應用倒傳遞類神經網路預測醫療機構盈餘之研究」，醫務管理期刊，23卷，2期，頁183-197。
42.傅愷延、鐘任新、黃雲萍、熊建輝 (2017)，「一種交叉熵演算法的宏觀交通模型標定方法」，中國科技論文，12卷，14期，頁1627-1633。
43.曾燕敏、謝為忠 (2007)，「結核病與醫學檢驗」，台灣醫檢會報，22卷，1期，頁8-13。
44.楊逸仁、林子建、何正得 (2010)，「模具設計之案例式推理系統建構」，工程科技與教育學刊，7卷，4期，頁560-578。
45.葉怡成 (1995)，類神經網路-模式應用與實作，儒林圖書有限公司，台北。
46.葉怡成 (2009)，類神經網路模式應用與實作，儒林圖書有限公司，台北。
47.葉怡成、吳沛儒 (2009)，「基於類神經網路與交叉驗證法之田口方法」，品質學報，16卷，4期，頁261-279。
48.廖羚吟、王曉玫、黃光宇 (2022)，「影響大學休退率相關因素之探討」，嶺東學報，49期，頁333-347。
49.劉興漢、楊顓豪、周世淵 (2022)，「植基於倒傳遞類神經網路之空間域數位影像藏密分析方法」，國防管理學報，44卷，1期，頁77-97。
50.劉康渡 (2005)，「帕金森氏症（帕金森氏症）最有效的外科治療方式」，2023/03/19，取自：https://www1.vghtpe.gov.tw/msg/%E8%85%A6%E6%B7%B1%E5%B1%A4%E9%9B%BB%E5%88%BA%E6%BF%80940701.htm。
51.樊裕明 (2013)，「保持大腦的青春-淺談核子醫學大腦功能性造影在巴金森氏病的應用」，取自：https://www.cth.org.tw/?aid=408&pid=7&page_name=detail&iid=540。
52.衛生福利部國民健康署 (2021)，「慢性呼吸道疾病(氣喘、慢性阻塞肺疾病)」，2023/02/19，取自：https://www.hpa.gov.tw/Pages/List.aspx?nodeid=215
53.衛生福利部國民健康署 (2022)，「結核病疾病介紹」，2023/02/19，取自：https://www.cdc.gov.tw/Category/Page/7j5JlWAmqm3nCFYLzQt0hA
54.衛生福利部國民健康署 (2017)，「失智症預防」，2023/02/19，取自：https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=1253&pid=7163
55.衛生福利部國民健康署 (2017)，「台灣肺阻塞臨床照顧指引」，2023/02/19，
取自：https://www.hpa.gov.tw/Pages/List.aspx?nodeid=215
56.衛生福利部國民健康署 (2023)，「結核病治療照護」，2023/02/19，取自：
https://www.cdc.gov.tw/Category/MPage/Wo_UwSs9W0_T2bqqRN942A
57.衛生福利部疾病管制署 (2022)，「結核病診治指引第七版」，2023/01/19，取自：http://www.idsroc.org.tw/DB/health/15.pdf?v=2023817171051
58.衛生福利部疾病管制署 (2023)，「結核病治療照護-潛伏結核感染治療處方一覽表」，2023/02/19，取自：https://www.cdc.gov.tw/Uploads/1a764c11-a83a-4724-85a2-2024376884ea.pdf
59.衛生福利部國民健康署 (2016)，「失智症衛教及資源手冊」，2023/02/10，取自：https://www.hpa.gov.tw/File/Attach/6984/File_6328.pdf
60.衛生福利部國民健康署 (2020)，「失智症預防」，2023/02/08，取自：
https://www.hpa.gov.tw/Pages/Detail.aspx?nodeid=1253&pid=7163
61.蕭碧茹、洪振方 (2000)，「案例式推理與科學教學」，物理教育，3卷，2期，頁57-74。
62.謝日章、吳浩佑 (2007)，「應用案例式推理法建構財務危機預警系統」，萬能商學學報，12期，頁151-162。
63.韓強、王義晨、劉海德、赫峰、陳傑 (2021)，「基於工作流的網路工程專業實踐類課程分層教學模式」，計算機教育，8期，頁181-184。
64.顏上堯、盧宗成、洪逸樺 (2020)，「機場出境行李卸載轉盤指派最佳化模式與演算法」，運輸計劃季刊，49卷，1期，頁93-116。
65.蘇昭銘、吳冠廷 (2023)，「運用改良基因演算法求解時間窗越野尋蹤問題及應用於自助旅遊路線規劃」，運輸學刊，35卷，2期，頁193-225。
66.American Lung Association (2022). “Asthma-COPD Overlap Syndrome (ACOS)”, Retrieved August 20, 2022, from https://www.lung.org/lung-health-diseases/lung-disease-lookup/asthma/learn-about-asthma/types/asthma-copd-overlap-syndrome.
67.Behnia, T., Kini, G. R., Vakilian, V., Thrampoulidis, C. (2023). “On the Implicit Geometry of Cross-Entropy Parameterizations for Label-Imbalanced Data”, Proceedings of the 26th International Conference on Artificial Intelligence and Statistics, Palau De Congressos, Spain, April 25-27, pp.10815-10838.
68.Bellazzi, R. & Zupan, B. (2008). “Predictive Data Mining in Clinical Medicine: Current Issues and Guidelines”, International Journal of Medical Informatics, Vol.77, No.2, pp.81-97.
69.Choi, E., Schuetz, A., Stewart, W. F., Sun, J. (2017). “Using Recurrent Neural Network Models for Early Detection of Heart Failure Onset”, Journal of the American Medical Informatics Association: JAMIA, Vol.24, No.2, pp.361-370.
70.Cleveland Clinic, (2023). “Neurodegenerative Diseases: What They Are & Types”, Retrieved July 03, 2022, from https://my.clevelandclinic.org/health/diseases/24976-neurodegenerative diseases#symptoms-and-causes.
71.Das, R., Godbole, A., Naik, A., Tower, E., Jia, R., Zaheer, M., Hajishirzi, H., McCallum, A. (2022). “Knowledge Base Question Answering by Case-Based Reasoning Over Subgraphs”, IEEE International Conference on Machine Learning, Nassau, Bahamas, December 12-14, pp.4777-4793.
72.Eberhart, R. C. & Shi, Y. (1998) “Comparison between Genetic Algorithms and Particle Swarm Optimization”, Annual Conference on Evolutionary Programming, San Diego, CA, USA, March 25-27, Vol.1447, pp.611-616.
73.Feinstein, A. R. (1970). “The Pre-Therapeutic Classification of Co-Morbidity in Chronic Disease”, Journal of Chronic Diseases, Vol.23, No.7, pp.455-468.
74.Fritz, H. G. (1993). “Case-Based Reasoning Applying Past Experience to New Problems”, Information Systems Managements, Vol.10, No.2, pp.77-80.
75.Gen, M. & Cheng, R. (1997). Genetic Algorithms & Engineering Design, John Wiley & Sons, Inc., New York.
76.Global Initiative for Asthma (2014). “Global Strategy for Asthma Management and Prevention”, Retrieved December 03, 2023, from https://ginasthma.org/wp-content/uploads/2019/01/2014-GINA.pdf
77.Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Boston.
78.Global Initiative for Asthma, (2014). “Global Strategy for Asthma Management and Prevention”, Retrieved December 03, 2023, from https://ginasthma.org/wp-content/uploads/2019/01/2014-GINA.pdf
79.Gonçalves, L., Subtil, A., Oliveira, M. R., Bermudez, P. D. (2014). “ROC Curve Estimation: an Overview”, REVSTAT-Statistical Journal, Vol.12, No.1, pp.1-20.
80.Huang, D., & Wu, Z. (2017). “Forecasting Outpatient Visits Using Empirical Mode Decomposition Coupled with Back-Propagation Artificial Neural Networks Optimized by Particle Swarm Optimization”, PLoS One, Vol.12, No.2, pp.1-17.
81.Horng, S., Sontag, D. A., Halpern, Y., Jernite, Y., Shapiro, N. I., Nathanson, L. A. (2017). “Creating an Automated Trigger for Sepsis Clinical Decision Support at Emergency Department Triage Using Machine Learning”, PloS One, Vol.12, No.4, pp. e0174708.
82.Kennedy, J. & Eberhart, R. (1995). “Particle Swarm Optimization”, Proceedings of ICNN'95-International Conference on Neural Networks, Perth, Wa, Australia, November 27-December 1, Vol.4, pp.1942-1948.
83.Krzanowski, W. J. & Hand, D.J. (2009). ROC Curves for Continuous Data, Chapman and Hall/CRC, London.
84.Kessler, R. C., Avenevoli, S., McLaughlin, K. A., Green, J. G., Lakoma, M. D., Petukhova, M., Pine, D. S., Sampson, N. A., Zaslavsky, A. M., Merikangas, K. R. (2012). “Lifetime Co-Morbidity of DSM-IV Disorders in the US National Comorbidity Survey Replication Adolescent Supplement (NCS-A)”, Psychological Medicine, Vol.42, No.9, pp.1997-2010.
85.Leung, J. M., & Sin, D. D. (2017). “Asthma-COPD Overlap Syndrome: Pathogenesis, Clinical Features, and Therapeutic Targets”, BMJ, Vol.358.
86.Li, H., Zhang, M., Chen, D., Zhang, J., Yang, M., Li, Z. (2022). “Image Color Rendering Based on Hinge-Cross-Entropy GAN in Internet of Medical Things”, Computer Modeling in Engineering & Sciences, Vol.135, No.1, pp.779-794.
87.Matsunaga, A. & Ogawa, K. (1999). “Scatter Correction in Multinuclide Data Acquisition by Means of a Neural Network”, IEEE Nuclear Science Symposium, Vol.2, pp.948-952.
88.Rajurkar, M.P., Kothyari, U.C., Chaube, U.C. (2004). “Modeling of the Daily Rainfall-Runoff Relationship with Artificial Neural Network”, Journal of Hydrology, Vo1.285, pp.96-113.
89.Ratnaweera A., Halgamuge, S. K., Watson, H. C. (2004). “Self-Organizing Hierarchical Particle Swarm Optimizer with Time-Varying Acceleration Coefficients”, IEEE Transactions on Evolutionary Computation, Vol.8, No.3, pp.240-255.
90.Riesbeck, C. K. & Schallk, R.C. (1989). Inside Case-Based Reasoning, Lawrence Erlbaum Associates, Hillsdale.
91.Suzuki, T., Tada, Y., Kawata, N., Matsuura, Y., Ikari, J., Kasahara, Y., Tatsumi, K. (2015). “Clinical, Physiological, and Radiological Features of Asthma-Chronic Obstructive Pulmonary Disease Overlap Syndrome”, International Journal of Chronic Obstructive Pulmonary Disease, Vol.10, pp.947-954.
92.Swari, M. H. P., Handika, I. P. S., Satwika, I. K. S., Wahani, H. E. (2022). “Optimization of Single Exponential Smoothing Using Particle Swarm Optimization and Modified Particle Swarm Optimization in Sales Forecast”, IEEE 8th Information Technology International Seminar (ITIS), Surabaya, Indonesia, October 19-21, pp.292-296.
93.Schultheis, A., Zeyen, C., Bergmann, R. (2023). “An Overview and Comparison of Case-Based Reasoning Frameworks”, 31st International Conference on Case-Based Reasoning (ICCBR), Aberdeen, UK, July 17-20, Vol.14141, pp.327-343.
94.Shi, Y. & Eberhart, R., (1998) “A Modified Particle Swarm Optimizer”, IEEE International Conference on Evolutionary Computation Proceedings, Anchorage, AK, USA, Vol.4, pp.69-73.
95.Triana-Martinez, J.C., González, J.G., Fernandez-Gallego, J.A., Álvarez-Meza, A.M., Castellanos-Domínguez, G. (2023). “Chained Deep Learning Using Generalized Cross-Entropy for Multiple Annotators Classification”, Sensors (Basel), Vol.23, No.7, pp.3518.
96.United States. Food and Drug Administration, (2022). “Human Gene Therapy for Neurodegenerative Diseases Guidance for Industry”, Retrieved December 21, 2022, from http://resource.nlm.nih.gov/9918504488006676
97.Valderas, J. M., Starfield, B., Sibbald, B., Salisbury, C., Roland, M. (2009). “Defining Comorbidity: Implications for Understanding Health and Health Services”, Annals of Family Medicine, Vol.7, No.4, pp.357-363.
98.Xie, J., Luo, G., Yin, H., Li, C., Pu, J., Zhang, X., Wang, S. (2021). “Improved Method of Multi-Objective Particle Swarm Algorithm Learning Factor Based on Fitness Change”, 2nd International Conference on Artificial Intelligence and Computer Engineering (ICAICE), Hangzhou, China, November 5-7, pp.57-63.
99.Yeh, J. J., Wang, Y. C., Kao, C. H. (2016). “Asthma-Chronic Obstructive Pulmonary Diseases Overlap Syndrome Increases the Risk of Incident Tuberculosis: A National Cohort Study”, PloS One, Vol.11, No.7, pp. e0159012.
100.Yeh, J. J., Wei, Y. F., Lin, C. L., Hsu, W. H. (2017). “Association of Asthma-Chronic Obstructive Pulmonary Disease Overlap Syndrome with Coronary Artery Disease, Cardiac Dysrhythmia and Heart Failure: a Population-Based Retrospective Cohort Study”, BMJ Open, Vol.7, No.10, pp.e017657.
101.Yang, J., Die, Q., Tian, L., Wang, F., Li, X., Yang, Y., Huang, Q. (2023). “Similarity Model by Matching and Cross Entropy-Driven Methods to Support Tracing Source of Unknown Waste”, Environmental Technology & Innovation, Vol.32, pp.103327.
102.Yoon, Y., Swales, G., Margavio, T. M. (1993). “A Comparison of Discriminant Analysis Versus Artificial Neural Networks”, Journal of the Operational Research Society, Vol. 44, No.1, pp.51-60.
103.Zhang, G., Patuwo, B. E., Hu, M. Y. (1998) “Forecasting with Artificial Neural Networks: the State of the Art”, International of Journal Forecasting, Vol.14, No.1, pp.35-62.