糖尿病分析

糖尿病(DIABETES)你了解多少?

  正常狀況下，身體會將吃進去的澱粉轉成葡萄糖，供人體做使用，而當人體的血糖在攝食後上升到一個標準值時，胰臟分泌的胰島素就會將多餘葡萄糖處存於細胞中。糖尿病是一種慢性疾病，產生原因有兩種，第一種:胰島素分泌不足，第二種:胰島素作用不佳。

糖尿病的種類

1. 第 1 型糖尿病(胰島素依賴型糖尿病)

2. 第 2 類型糖尿病(非胰島素依賴型糖尿病)

3. 妊娠糖尿病 [妊娠: ㄖㄣˋ ㄕㄣ]

4. 其他情況所引起的糖尿病

  第1型糖尿病(胰島素依賴型糖尿病)

1. 本身的遺傳基因之易致病性、環境、自體免疫力系統因素的相互作用。

2. 不具有遺傳性，患病年齡通常在30歲以下，病患人數較少（約佔總病患人口5%以下）。

3. 體型瘦、體重減輕、多尿、常感到口渴等明顯症狀，需長期依賴施打胰島素控制病情

 第二型糖尿病(非胰島素依賴型糖尿病)

1.. 具有遺傳性，患者通常40歲以上成人，有肥胖的外在特徵。

2. 常有不良的生活習慣（如嗜酒、吸菸、不愛運動、飲食重口味等），造成胰島素分泌量下降，或人體對胰島素產生抗阻作用。

  妊娠糖尿病

1.懷孕前沒有糖尿病病史，懷孕時卻出現高血糖的現象，發生率約百分之一到三。

2.高危險因子的發生:例如糖尿病病史家族、懷孕年紀較大者、前一胎有過此症狀及患有多囊性卵巢者等等。

如何判別娠娠糖尿病?標準是甚麼?

# 妊娠糖尿病的診斷 ：

75-g，2-hours 口服葡萄糖耐受試驗檢驗值中

● 空腹>=92mg/dL 且<126mg/dL；

● 服糖後1小時>=180mg/dL；

● 服糖後2小時>=153mg/dL 且<200mg/dL。

符合以上三項當中一項，或一項以上，即診斷為妊娠糖尿病。 

妊娠糖尿病對孕婦與新生兒的影響

(1)對孕婦的影響：妊娠高血壓、子癲前症的風險增加，提高剖腹產的機率，15%~70%的妊娠糖尿病婦女會變成第2型糖尿病。

(2)對新生兒的影響：先天發育異常風險增加(巨嬰症、新生兒黃疸、新生兒低血糖、早產、加護病房住院率)，未來發生肥胖和第二型糖尿病的風險增加。 

妊娠糖尿病的預防和治療方法主要有以下幾種：

• 控制體重：適當的體重控制可以減少妊娠糖尿病的發生風險。

• 健康飲食：適當的飲食可以幫助控制血糖水平。

• 適量運動：適當的運動可以幫助控制血糖水平。

• 藥物治療：如果血糖控制不良，醫生可能會給予藥物治療。

• 監測血糖：孕婦需要定期測量血糖水平，以確保血糖控制良好。

資料來源:KAGGLE(探討妊娠型糖尿病 )

此資料中之病患並非為台灣女性，資料中所有患者都是年滿 21 歲的皮馬印第安血統女性。    以下為關於此資料的各個欄位:

·        懷孕次數 (Number of pregnancies)

·        葡萄糖(Glucose concentration):口服葡萄糖耐受試驗中2小時的血漿葡萄糖濃度

·        血壓（mmHg）：舒張壓(diastolic blood pressure)

·        三頭肌皮褶厚度(Skin Thickness)

·        胰島素(Insulin)（mu U/ml）：2小時血清胰島素

·        身體質量指數( BMI)

·        糖尿病譜系函數(Diabetes Pedigree Function)：這個函數使用了家族糖尿病史來導出個人得糖尿病的風險值  (This function uses a family history of diabetes to derive an individual's risk of developing diabetes.)

·        年齡(Age)

·        結果(Output)：類別變數（0 或 1）

 要想利用DNN來幫助我們進行資料分析，首先要先進行資料的建模

下圖為建模之過程:

1.TensorFlow 是一個用於建立和訓練神經網路的深度學習框架

2.Pandas 是一個資料操作庫，可協助準備和管理深度學習任務中使用的資料。 

2.content/diabetes.csv為要準備建模之糖尿病數據集檔案

3.我們將資料分為訓練集以及測試集，比例為8:2

為何標準化?Why?

1.提高模型性能：特徵標準化有助於提高模型的性能，特別是對於基於距離的算法（如k-最近鄰）和梯度下降等優化算法，有助於更快地收斂到全局極值。 

2.穩定的模型訓練：標準化可以減少不同特徵的數值範圍之間的差異，從而使模型訓練變得更穩定，減少因特徵尺度不同而導致的訓練不穩定性。 

Epoch 是甚麼?

EPOCH（訓練周期）代表你的模型訓練的次數。在每個訓練周期（EPOCH）期間，模型的權重和參數都會根據訓練數據的梯度進行更新，以試圖最小化損失函數 

*my model.h5為模型處存位置，以便之後拿來進行預測

接著我們利用建立好的模型去進行預測:

結果:

總結:  透過AI的力量，我們可以輕鬆地從大筆資料中，找出我們想要的資訊，並透過建立優質的模型，預測得到疾病的機率，未來若能再把細節處理得更好，給的條件夠多，資料筆數越多的話，說不定日後真的可以做到精準預測糖尿病呢!