本論文的目的是希望透過貝氏模型的建構,以瞭解疾病在空間上的分佈狀態。我們先討論Poisson-Gamma模式(PG)、本質的常態條件自我相關模式(ICAR)、適當的常態條件自我相關模式(PCAR)等三種模式的貝氏架構,以期適切地描述出空間中的疾病發生率並據以繪製疾病地圖。接著,再介紹貝氏因子(Bayes Factor)以對這三種模式進行模式選取。本論文並以結核病資料進行實證分析,就各年齡層分別計算三種模式間的貝氏因子,以選出各年齡層的最適模式,並對該模式估計出的相對風險率繪製疾病地圖, 結果顯示各年齡層的最適空間模式不儘相同。 由於群聚(clustering)現象亦為疾病空間統計之研究焦點,我們也介紹了群及間斷處的貝氏偵測法(BDCD),該方法是以可反轉跳動的蒙地卡羅馬可夫鏈(RJMCMC)為基礎。實證結果顯示相對風險率較高的地區多屬山地鄉等醫療環境較落後的偏遠地區,且39歲以下的年齡層支持PCAR模式,39歲以上的年齡層支持PG模式,也就是說青壯年的結核病空間分佈與鄰區間的距離、人數有著明顯的關係,至於中老年人的結核病空間分佈則是彼此獨立不相關的。

日本的醫療深受朝鮮、中國所影響，也可說支撐日本從桃山時代到江戶時代時代的醫療是中國的漢醫學。然而漢醫學又可分為李朱醫學、古醫方兩派別。李朱醫學講究「養生」，用藥方面採用溫補慢慢調養的方式。而古醫方著重「對症下藥」，針對病人的症狀，採用適合的藥方。李朱醫學約盛行於17世紀，而後約於18世紀古醫方抬頭。但李朱醫學並未因此而消失，兩種醫學學派呈現並存而行的樣貌。隨後西方醫學的導入，西方醫學在16世紀隨葡萄牙人的到來傳入南蠻醫學，但大都為切開傷口及包紮患部的簡單小手術。而後鎖國體制下的江戶時代，由荷蘭人導入的蘭醫學也為日本人所受容。直到19世紀明治維新期西方挾船堅砲利來到日本，幕府大量攝入西方醫學及文明，也因此漢方醫學逐漸被西方醫學所取代。日本文化特色就是大量吸收外來知識然後內化為自己獨特的文化。這樣的文化精神在醫學上也可見其蹤跡。 　本論文以來日的四位歐洲人為中心，依序為15世紀路易斯•弗洛伊斯（葡萄牙語：Luís Fróis）、17世紀的檢夫爾（Kaempfer）、18世紀的菲利普•弗蘭茲•馮•西博爾德（Philipp Franz von Siebold）以及19世紀的龐貝（Johannes Lijdius Catharinus Pompe van Meerdervoort），由於這四人來日本的時間可劃分日本的醫療變遷，從弗洛伊斯開始的咒術及祈禱方式的治病方式開始，檢夫爾來日看見日本的李朱醫學，西博爾德來日看見的古醫方以及幕末來日的龐貝，他們所見到的日本醫療狀況大不相同。其中，他們對於日本的針灸、溫泉療法及精神療法（如向神明祈禱以達到治病的效果）各持有不同的態度。藉由他們的出身背景、因應當時的國際情勢以及西方思想的變遷來分析他們對於日本醫療的看法，不僅可達到理解當時的日本醫療觀，亦可了解當時社會風俗的樣貌。

摘要 平均壽命因死亡率下降而延長以及主要死因轉變為中老年疾病或慢性病，尤其中老年疾病與慢性病必須長期治療且不易根治的特性，使得高齡化社會對於醫療保健的需求將逐漸上升。基於上述背景本文以全民健保資料庫重大傷病資料研究台灣地區在壽命延長以及死因轉變之下醫療需求以及疾病負荷，其中醫療需求研究是以保險精算的方式推估未來台灣地區醫療需求金額以及每人平均門診醫療費用成本；疾病負荷研究是以生命表的方式計算因疾病損失年數與健康餘命分別以死因除外的方式以及健康餘命佔平均餘命的比例分析死因轉變對於國民壽命與健康存活時間的影響。研究中發現醫療需求有以近似線性方式上升的可能，醫療費用成本也隨之逐漸上升，醫療費用的上升趨勢將形成商業醫療健康保險的挑戰；在壽命延長以及死因轉變之下因疾病損失年數有上升的趨勢，並且若中老年與慢性疾病發生率持續不變健康存活時間佔平均壽命的比例將逐漸下降。 / Abstract The health care demand becomes larger and larger in the aging society result from the improvement of mortality and the geriatric and chronic diseases become major dead causes now. Under this circumstance, we aim to evaluate the future health care demand and the burden of disease in Taiwan by using critical illness and injury data among National Health Insurance database. In this research, we evaluate the future health care demand amount and outpatient expenditure per capita in Taiwan in actuarial way and evaluate the burden of disease by calculating the year lost due to disease and health life expectancy. According to research result, we argue that the demand of health care is increasing in almost linear way and the increase of health care cost becomes the important challenge to commercial health insurance. In additional, the year lost due to disease is increasing and the proportion of health life expectancy to life expectancy is decreasing result from life becomes longer and longer and the change of major dead causes.

藥物交互作用，輕則產生副作用或導致治療效果的降低，重者甚至會造成死亡或引發致命性的危險，這個問題確實值得引起大家的關注，尤其台灣醫師在開藥數目上較國外醫師來的多，引發藥物交互的機率也因而來的更高，如果能透過數據將此問題的嚴重性表露出來，且對此問題提出對策，對國內醫療品質的提升會是一大幫助。 本研究的資料來源為中央健保局資料庫，資料選定範圍為每年就診率最高的呼吸道疾病，想藉由統計分析和資料採礦方法分析，從這龐大的資料中，得到與藥物交互作用相關的有用數據，並將這些數據轉換成訊息，讓大家了解。 在統計分析的部分，從各個不同的角度來探討上呼吸道疾病的藥物交互作用現象，包括病患的基本資料，如：性別、年齡…，就醫行為，如：就醫月份、就分，開藥行為，如：開藥日份、開藥品項；至於 資料採礦分析的部分，則是利用C5.0決策樹，來找出高危險群；最後，針對整體中最容易產生高危險交互作用的藥物組，對其藥效、藥物機轉…等做說明。 / Drug interactions, to a lesser extent, could cause side effects or reduce the drug efficiency, to a greater extent, is life-threatening or could lead to fatality. This issue deserves the attention from the medical personnel and us, the users. The prescription practice in Taiwan more often than not gives out relatively high doses of medications than those of the practice in North America. Consequently the risk of having drug interactions increases respectively. If we could bring the attention of the related party into this alarming situation with the supporting statistical numbers, then hopefully we could set off the stage for a better medical treatment in Taiwan. We used the data from National Health Insurance database, selecting data only on the patients contracting respiratory system disease which sit for the largest portion in the database. We examine the data using statistical and data mining techniques in an attempt to extract the data on drug interactions and turn the number into useful information for the benefit of all related parties. In light of the statistical analysis, we have in depth analysis of the drug interactions on medications used in upper respiratory tract from different perspective such as patient’s record which includes age, the frequency in seeing the physician, details on drug prescription. As for the analysis, data mining technique used is C5.0 decision tree in determining the group at risk for getting the side effects of drug interactions. Moreover, we also have summarized the list of drugs that have shown the tendency to induce drug interaction so that extra caution should be taken when administering these groups of medications.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.