統計中心

2021.06.30

eNews第43期

在進行多因子的迴歸分析中,除了危險因子(risk factor)對於疾病(或稱「疾病 (outcome)」)的主效應以外,有時候也會放入兩個危險因子之間對於疾病的「交互作用」。然而,交互作用的意義卻很少人釐清:它究竟是「誰」和「誰」的交 互作用?是代表兩個危險因子間會互相影響嗎?和疾病有什麼關係?除此之外,「交互作用」和醫學或公衛常聽到的效應修飾(effect modification)、以及社會科學常講的調節作用(moderation)有什麼關係?這些都是在進行要解釋交互作用的時候很常遇到的問題。本文章先從交互作用的基本定義談起,並且證明該定義與迴歸模型下交互作用項係數相同;接著介紹如何使用交互作用來估計公共衛生學常見的效應修飾(effect modification)、社會科學常講的調節作用 (moderation)、以及機制型交互作用。最後我們將介紹如何將交互作用應用在醫學常提到的「精準醫療(precision medicine)」與「個人化醫療(personalized medicine)」之上。...

2021.06.01

2021年暑期數據分析工具課程

2021年暑期數據分析工具課程 課程內容: SPSS/SAS/R軟體 授課方式: 採同步遠距視訊教學(視訊軟體待確認後於課前通知) 報名方式: 填寫google表單報名 報名網址...

2021.04.30

eNews第42期

一般機器學習任務中常見採用各種演算法都無法建立可靠預測模型的問題,其中的關鍵因素大致上包括資料量不足以建構可靠的預測模型,或特徵與預測標的(Target)無直接且顯而易見的關聯等因素。雖然進一步增加資料量抑或是改進特徵擷取可能有助於強化預測模型,然而在大多數的案例中,額外增加資料或擷取新的特徵並非短時間可以達成,甚至須耗費相當大量的經費取得新樣本與特徵才能測試建模結果,並且無法保證能強化預測效能。所幸在機器學習領域中有個目前非常受到重視的概念『遷移學習 (Transfer Learning)』,即利用相近學習任務的學習經驗遷移至目標學習任務來強化預測模型的表現。而遷移學習有許多作法,本文探討其中一種作法『多任務學習 (Multitask Learning)』,即同時學習多種相近任務在訓練過程中將各個任務學習經驗遷移至其他任務當中。多任務學習的重點在於建立共享知識的機制,而許多的機器學習演算法都可以進一步開發為多任務學習演算法,舉例來說深度學習可藉由建立幾層的共享層(Shared Layer)並在最後加上個別的任務層(Task-Specific Layer)來達到多任務學習的目的,進而改善預測準確度。...

2021.02.26

eNews第41期

人工智慧(artificial intelligence)將成為驅動下一個人類進步時代的引擎,不參與其中的發展將不再是可行的商業選擇,希望進行數位轉型的公司與機構,必須了解擁抱現狀將使他們無法與抓緊機遇發展的競爭者競爭。然而,近年來,擴大人工智慧在產業內的佈署應用碰到了瓶頸,包括資料品質維護與存取、模型的可解釋性、有限的資料專業人員、以及開發與建置成本及解決方案的決策標準,這些瓶頸造成AI在業界的推動障礙。為因應這些困難,資訊科技產業遂提出了自動化人工智慧(Auto AI)或自動化機器學習(Auto ML)概念發展與工具產品,包括從自動化的資料獲取與資料準備、自動化建構機器學習/深度學習 AI 模型,到自動化模型部署和管理模型的生命週期,本篇文章將介紹自動化機器學習架構與相關的重要觀念技術。...

2020.12.31

eNews第40期

2019年12月,臺北醫學大學率國內150多所大學校院之先,將臨床數據中心、健康暨臨床研究資料加值中心、統計中心、校務研究中心等四個相關單位進行資源整合及組織重整,成立了臺北醫學大學數據處(校級一級單位),下設臨床數據中心、健康資料加值中心、校務研究中心與統計中心,並由許明暉教授擔任首任數據長,為全校師生與附屬醫院同仁提供即時優質的數據服務。其中,臨床數據中心的業務包含:臨床三家附屬醫院(北醫附醫、萬芳醫院、雙和醫院)的臨床數據資料的蒐集、推廣、協作、臨床試驗對象媒合,以及國際接軌等。...

2020.10.30

eNews第39期

臨床試驗讓志願者接受試驗,以了解特定的問題。經過仔細設計臨床試驗,可以用快速和安全方式用來了解如何改進健康,並發現新的治療。在臨床試驗前需要招募適合的志願者,志願者要符合特定的條件才能做試驗,在招募過程中會耗費臨床醫師的時間,及有可能人數會招收不足,為了因應這情況,「從電子病歷記錄中是否能使用NLP系統辨識出病患有達到特定的條件能作臨床試驗?」成為近年來生醫文獻探勘的重要議題。...

2020.08.28

eNews第38期

上一期的eNews中,介紹了如何使用R估計存活函數,使用Kaplan-Meier Method估計某一疾病之存活機率或死亡率,以及比較兩組以上存活函數之差異檢定,但如果今天我們想控制其他干擾因子的影響,則無法透過前一期所介紹的方法深入了解,因此,本期的eNews中,將接續上一期的存活分析方法,進一步介紹Cox比例風險模式(Cox proportional hazard model)。...

2020.06.29

eNews第37期

真實世界證據(real-world evidence,以下簡稱RWE)與真實世界數據(real-world data,以下簡稱RWD)並非完全新的名詞與概念。但自美國2016年底通過21世紀治療法案(21st Century Cures Act),其中提及期許能利用RWE,加速醫療產品之創新與審批、減輕監管負擔、精進臨床試驗設計及規劃等,而後,不論是產、官、學界都對使用RWD產生極大的興趣,也對於使用RWD所產生RWE有了新的看法,進而提出相關指導方針及框架,期能更有效率地應用RWE的結果。本文主要為探討國內常見的RWD―全民健保資料庫,提供相關資訊,使這類資料所產生的RWE能更貼近相關需要與規範。...

2020.06.29

eNews第36期

在大數據分析應用時,當反應變數為連續性變數時,常用線性迴歸模型進行解釋變項及反應變項之相關性討論,並利用最小平方法(OLS)進行參數之推論。...

2020.06.09

2020年暑期數據分析工具課程

2020年統計中心暑期數據分析工具課程訂於7月份舉行 課程內容: SPSS/SAS/R軟體 課程地點: 臺北醫學大學杏春樓電腦教室(臺北市信義區吳興街250號杏春樓2樓) 報名方式: ...

1 2 3 4 5 每頁 筆 /共 49 筆

使用規則

  1. 本網站所刊載資料之著作權,除另有規定外,屬於 臺北醫學大學 數據處(下稱「本單位」)。任何人得為非營利目的自由使用。但使用時,不得變更其內容、詆毀或減損本單位名譽,且必須註明來源為「臺北醫學大學 數據處」。
  2. 具有上傳資料權限之使用者,得自行決定其資料之著作權歸屬與授權規則。本網站之使用者,應遵守之,並了解本單位對此資料不負任何法律責任。
  3. 本單位盡力維護本網站資料之即時性與正確性,但對此不負任何責任。本單位有權不經事先公告,變更網站內容。因此,凡使用者認為涉及其利益之事項,例如使用資格或日期等,請逕與本單位相關業務人員確認。
  4. 本單位盡力維護本網站資料不含任何電腦病毒。但對於任何因下載本網站資料所致電子資訊系統或其他之損害,本單位不負任何責任。
  5. 本網站所提供對其他網站之超連結,僅為使用者之便利。該被連結之他網站,並非本網站之一部分。本單位不保證所連結之他網站存在,亦不對該網站之任何內容、超連結等負責。
  6. 本網站除為提供個人服務之必要外,不使用 cookies ,也不追蹤使用者之網路使用。使用者主動提供之個人資料,除指定目的與分析本網站使用習慣外,不作其他用途。
  7. 本使用規則之修改變更,不預先公告。若使用者對於本規則或本網站有任何意見或建議,請聯繫我們