研究工具

依據所欲探討之研究目的與變項，本研究所需工具有三種：骨質疏鬆 症智慧型健康風險評估軟體、自編「骨質疏鬆症危險因子問卷」、自編「骨 質疏鬆症知識、信念、遵從行為問卷」。分別說明如下：

一、骨質疏鬆症智慧型健康風險評估軟體

本研究所參考的骨質疏鬆症智慧型健康風險評估軟體，係由具有交大 電機與資訊工程背景的專家，所撰寫的程式軟體。有鑑於過去相關評估軟 體，僅以實驗室數據進行測試，無法反應真實情境，同時文獻探討發現並 未有相關研究是運用在社區居民，因此，本研究將以跨領域的創新合作模 式，開發此骨質疏鬆症評估軟體，期望能提供社區婦女自我檢測罹患骨質 疏鬆症風險，並能及早作好相關照護措施，以預防進一步發生骨折。

本計畫選用結構簡單且易於實現之K-means 聚類演算法，建構醫療診 斷系統初始之模糊化診斷規則，亦即以K-means 實現模糊分類器之初始結 構學習(structure learning)，其實現方式係將 K-means 聚類所得之群聚 (cluster)以投影(projection)方式找出各模糊規則之歸屬函數參數。因此，本 研究之骨質疏鬆症智慧型健康風險評估軟體，是以模糊理論(fuzzy theory) 為基礎，透過一系列之學習與簡化流程，由現有樣本資料庫中，萃取具代 表性之知識規則，並以此對未知受測者之樣本資訊，做出合理之健康風險 推論。模糊理論(fuzzy theory)起源於 1965 年，由美國加州柏克萊大學 (Berkeley)的扎德(L.A. Zadeh)教授所提出，模糊理論是依照大概的資訊，

對人類主觀表現的概念，作大略的定量處理，並嘗試以人類的思維方式，

去簡化問題的複雜度。圖三即為本研究在骨質疏鬆症智慧型健康風險評估 軟體之建立流程。

圖三之 K-means 是指，把收集的資料分割成 k 個子集合，每一個子集 合為一個群聚(cluster)，從收集的資料中隨機選定 k 個物件,當作個別群聚 (cluster) 的平均數，分配每一筆收集的資料到最接近的群聚(cluster) 裡，

計算每一個群聚(cluster) 裡的新平均數，重覆步驟直到物件分配情形恆定 不變為止。

此外，圖三模糊規則是根據近似推理(approximate reasoning)的概念發展 出來的，它不像傳統的數位邏輯(digital logic)需要明確的模型，亦即，在 Fuzzy 邏輯中的傳統“真”與“偽”的布林值被由 0 到 1 的連續集合歸屬函數值 取代。因此，較傳統推論(exact reasoning)更合理也更具彈性。

圖三、骨質疏鬆症智慧型健康風險評估軟體 K-means 群聚分析

系統參數學習 模糊規則

相似度推導

規則資料庫建立 模糊推導

婦女骨鬆症實 際危險因子

骨質疏鬆症 健康風險評估判讀

骨質疏鬆症危險因子 骨質疏鬆症知識

步驟一 步驟二

步驟三 步驟四

步驟五

步驟六 步驟七

步驟八

二、骨質疏鬆症危險因子評估問卷

本研究參考國內外有關骨質疏鬆症相關文獻，自擬問卷內容，包括身 高、體重、年齡、遺傳、卵巢切除手術、停經年齡、喝酒、吸菸、藥物、

咖啡、曬太陽、身高變矮、駝背、下背痛、骨折經驗、牙齒動搖、攝取鈣 量、牛奶及乳酪製品、高鈣食物、戶外活動量、骨質疏鬆症的生活安全(常 穿高跟鞋、常彎腰或提重物、服用鎮靜劑、跌倒經驗)。

三、骨質疏鬆症知識、信念、遵從行為

骨質疏鬆症知識共計7 題，採是非題，回答正確得 1 分、回答錯誤或 不知道得0 分。分數越高，表示對骨質疏鬆症相關知識越豐富。

骨質疏鬆症信念共計4 題，包含婦女對骨質疏鬆症之自覺罹患性、自 覺嚴重性、自覺障礙性及自覺利益性，採Likert’s scale 5 分法，包括非常 同意、同意、沒意見、不同意、非常不同意，分別給5 分、4 分、3 分、2 分、1 分。

骨質疏鬆症遵從行為共計6 題，包括每天會攝取含鈣量豐富食物、每 週運動至少3 次，每次 30 分鐘以上、注意居家安全，避免跌倒、 若是經 由醫師診治，需要服用女性荷爾蒙，我會按時服用、攝取維生素D 豐富的 食物(如深綠色蔬果、魚肝油等)、遵照醫囑按時服用雙磷酸鹽或其他藥物。

計分方式亦採Likert’s scale 5 分法，包括總是、經常、有時、很少、從未，

分別給5 分、4 分、3 分、2 分、1 分。