svr醫學中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

探討高齡者心血管功能與認知表現之相關性研究

為了解決svr醫學中文的問題，作者許秋敏 這樣論述：

目的：本研究旨在探討以高齡者簡易光體積掃描記圖(photoplethysmography, PPG) 之心血管功能檢測對認知表現之預測性。進一步找出預測認知功能之關鍵預測因子，以作為未來預防高齡者失智症之可行策略。方法：以整群採樣招募台中地區長照據點148名高齡者（男性 47人，女性 101人，平均年齡 80.04±8.41歲），參與者進行簡易心智量表（Mini-Mental State Examination, MMSE）及三分鐘光體積掃描記圖（Photoplethysmography, PPG）檢測。結果：以四分位數進行MMSE分組，研究發現 MMSE越高血氧飽和度（Arterial o

xyhemoglobin saturation, SPO2）顯著較高。MMSE分數與血容量（Blood Volume, BV）與及射血時間（Ejection time compensated, ETc）具有顯著正相關。二波脈彈性指數（Dicrotic Elasticity Index, DEI）、全身血管阻力（Systemic vascular resistance, SVR）及射血時間（Ejection time compensated, ETc）三項因子對認知異常風險有72.12%的預測準確性。類神經網路分析顯示心血管參數預測認知異常風險有66.37%之預測準確性，前三項關鍵因子為：心臟射

血彈性指數(Ejection elasticity index, EEI)、SPO2及平均動脈壓力（Mean arterial pressure, MAP）。結論：本研究證實以簡易三分鐘PPG測量之心血管參數，具高齡者認知功能具有鑑別及相關性，亦對認知異常風險具預測性。因此以PPG為基礎之心血管參數檢測，可作為未來評估高齡者認知表現之可行工具之一。

利用多重死因與死亡前疾病診斷紀錄解構死因分群

為了解決svr醫學中文的問題，作者廖敏如 這樣論述：

研究背景死因統計為公衛研究主要參考的健康指標之一，其中死因排名結果更經常是政府制定衛生政策時優先次序的重要參考。目前官方死因統計是以原死因選取原則為主，然而原死因選取原則包含下列限制：忽視其他提及死因的重要性、易受到醫師填寫習慣的影響、以及無法良好反映共病間的關係。因此本篇研究目的嘗試利用疾病分群(disease clustering)方法解構死因資訊，而非以單一疾病方式呈現死因統計結果，從中量化不同共病結構，再進一步探討死因分群間的特性差異。研究材料與方法資料來源包含多重死因檔、全民健保處方及治療醫令明細檔，研究對象為臺灣2018年死亡的人，蒐集其多重死因及死亡前三個月的住院診斷紀錄，並以

全球疾病負擔(Global Burden of Disease Study, GBD)的疾病分類方式取代國際疾病分類標準(International Classification of Diseases, ICD-10)的疾病代碼，整理疾病分類後進行死因分群。本研究利用SOM作為死因分群的方法，此方法不需對資料有先驗知識，在分析大量數據時相較傳統分群方法更有效率，分群的過程中也能維持資料間的拓樸關係，並以視覺化的方式呈現分群的結果，更直觀地辨識死因分群，接續利用多元邏輯斯回歸模型，探討各分群相關人口學變項的特性差異。研究結果藉由SOM的方法依照死因、疾病的特性，從所有的診斷紀錄中區分出41個死

因分群，死亡的人以男性為多數 (58.44%)，平均死亡年齡為73.89歲，以已婚 (47.75%) 和居住在都市化程度第二級 (44.84%) 的人為多數。以不同的死因資訊 (UCOD / MCOD) 和不同的疾病分類方式 (ICD-10 / GBD) 所得到的死因排名相當不同。以GBD分類的多重死因排名最接近死因分群排名的結果。人數最多的死因群為糖尿病群 (9.25%)，年齡最高的死因群是阿茲海默症群 (84.87歲)，胰臟癌群以自然死亡的比例最高 (99.83%) ，其他白血病群在醫院死亡的比例最高 (72.01%)且死亡前三個月人均醫療支出最高 (584,162.94點)，乳癌群的人居

住在較高都市化的比例最多 (49.18%) 且此地區平均收入中位數也最高 (651,397 元)，慢性肝病群居住的區域醫療資源最為匱乏，平均每位醫師需要服務的人口數最多 (1,189 人/醫師)。糖尿病的共病結構較為複雜可歸納出八個共病模式，最常共同出現的疾病為糖尿病、慢性腎臟病及缺血性心臟病。我們進一步量化各共病結構得出有特定疾病的人被分到特定共病群的比例，此結果有利於探討共病間的關係並可提供未來政策上資源分配的參考。研究結論透過死因分群的方法，能彌補以原死因統計的缺陷，並可以推估帶有不同特性的人群，得到特定死因分群的風險，進一步發掘不同疾病背後的共病結構，且透過量化各共病結構的人口比例，能

更加理解現行共病的發展趨勢，未來在制定醫療政策時便可針對不同的疾病分群規劃更精準的預防措施。