隨著醫學技術日漸成熟，使得醫療品質在治療成效評估、復發評估及併發症的鑑別診斷上扮演相當重要的角色。但由於醫學資料型態具有多樣且複雜的特性，經由主觀的判讀可能造成結果的偏差，對醫療決策具有一定的影響力，所以選擇適當的資料分析方法有其必要性。
在策略選擇的過程中，我們可以發現以類別化的資料型態較能幫助決策之決定，順應科技的進步，使得我們可以結合醫療及科技，藉由現有的病歷資料，經過資料探勘方式分析來找出特定病症中的相關性，進而歸納出有用的特徵及挖掘出隱藏的資訊。
因此在本論文中，主要利用關聯式法則與決策樹針對子宮內膜異位此種病症與不孕症及子宮內膜異與酒精治療間的關聯性做分析，分析記錄所得之醫療相關資料，進而找出隱藏於其中的資訊，發掘出有用的知識，提供醫師在進行醫療行為時的參考。

Is mature day after day along with the medicine technology, it causes the medical quality in the treatment result to appraise, to recur in the appraisal and the illness complication distinct diagnosis acts the quite important role. But because the medicine material condition has diverse and complex characteristic, by way of subjective interprets possibly occur the result has deviation, it has the certain influence to the medical decision-making, therefore the choice suitable data analysis method has its necessity.
In the device choice process, we may discover the categorical data type can help decision the policy-making comparatively; Complied with technical the progress, we could combine the medical and technology, and by way of the existing medical record data, through the data analysis to found the specific illness' relevance, further to be induced the useful characteristic and find the hideaway information.
Therefore in this paper, we were mainly makes the analysis in view of the correlation between Endometriosis and Infertility, and the correlation between Endometriosis and the ethyl alcohol treatment by using Association rule and Decision tree, analyzes the record obtained medical service correlation data, then find the hidden information, mining the useful knowledge, finally to provides doctor the reference on medical.

目錄

目錄	I
圖目錄	II
表目錄	III
第一章 序論	1
1.1	前言	1
1.2	研究動機與目的	2
1.3	論文架構	4
第二章 相關知識背景	5
2.1	子宮內膜異位簡介	5
2.2	子宮內膜異位治療方法	12
2.3	資料探勘	15
2.4	關聯式法則	18
2.5	決策樹	27
第三章 研究方法	30
3.1	分析作業流程	33
3.2	分析資料準備	37
第四章 實作分析	43
4.1	分析目標	44
4.2	基本分析結果	45
4.3	CA值指數與酒精治療關係分析	48
4.4	不孕症與酒精治療關係分析	50
4.5	CA值指數、不孕症與酒精治療關係分析	51
4.6	特殊狀況分析	54
4.7	利用Decision Tree做分析	58
第五章 結論與未來研究方向	60
5.1	結論與未來研究方向	60
參考資料	64
附錄 1 英文論文	69
附錄 2 中文簡稿	79

 
圖目錄

圖2.1資料探勘架構圖	16
圖2.2知識發掘過程圖	16
圖2.3預測模式階層架構圖	17
圖2.4 Apriori演算法	21
圖2.5 Apriori演算法過程	22
圖3.1資料探勘流程圖	30
圖3.2分析作業流程圖	34
圖3.3部分原始資料數據	40
圖3.4衍生欄位	41
圖4.1使用欄位及目標欄位	44
圖4.2 Decision Tree分析結果	58
 
表目錄

表2.1 子宮內膜異位分級	8
表2.2支持度與信賴度高低所代表的意義	19
表2.3 hash table	24
表3.1 原始欄位說明	39
表3.2 使用欄位說明	41
表4.1 CA指數值大於96.32欄位	59
表5.1不孕症及手術前CA值指數搭配酒精治療結論	60
表5.2不孕症及懷孕搭配酒精治療結論	61

[1] J. C. Prather, D. F. Lobach, L. K. Goodwin, J. W. Hales, M. L. Hage W. Edward Hammond, “Medical Data Mining: Knowledge Discovery in a Clinical Data Warehouse”, 1997
[2] 張明揚，中華民國子宮內膜異位症婦女協會網站，http://www.eataiwan.org.tw
[3] 余堅忍，台北榮民總醫院 婦科醫學園地，http://www.vghtpe.gov.tw 
[4] 郭義樹，健康圖書館，http://health.wedar.com
[5] 黃鑠彭，「利用決策樹分析子宮內膜異位病患施行超音波導引穿刺數乙醇硬化治療 To Analysis the Relapse of Endometriosis's Patient Treated with Ultrasound Guided Aspiration of Ovarian Endometrioma and Ethanol Sclerotherapy by Using Decision Tree」，June，2007 
[6] 李昇暾，「顧客關係管理─以資料採礦深化顧客關係管理」， 2001
[7] Berry, Michael J.A. and Gordon Linoff (1997), Data Mining Techniques: for Marketing, Sales, and Customer Support, John Wiley & Sons, Inc., New York, NY.
[8] Ho, T., “Discovering and Using Knowledge from Unsupervised Data”, Decision Support Systems, 21, 1997, 29-42
[9] 丁一賢‧陳牧言合著，「資料探勘 Data Mining」，April，2005
[10] 陳智揚，「有效率的複合式後項關連式法則探勘演算法─以壽險為例 An Efficient Algorithm for Association Rule with Disjunctive Consequent- The Case of the Insurance Industry」，June，2006
[11] 楊煜愷，「以完全項目集合演算法挖掘與分析使用者瀏覽行為」，2001，6-7
[12] 張衡閣，「一個資料庫多維度序列法則探勘方法 A New Method of Multi-Dimensional Sequential Rules Mining from Databases」，July，2002
[13] J. S. Park, M. S. Chen, and P. S. Yu, “An effective hash based algorithm for mining association rules”, Proceedings of the ACM-SIGMOD International Conference on Management of Data, San Jose, USA, 1995, 175-186
[14] A. Savasere, E. Omiecinski, and S. Navathe, “An Efficient Algorithm for Mining Association Rules”, Proceedings of the 21st Conference of Very Large Databases(VLDB), 1995, 432-444
[15] Toivonen, H., “Sampling Large Databases for Association Rules”, Proceedings of the 22nd VLDB Conference, 1996, 134-145
[16] Brin, S., Motwani, R., Ullman, J.D., and Tsur, S., “Dynamic Itemset Counting and Implication Rules for Market Basket Data”, ACM-SIDMOD, 1997
[17] Jiawei Han, Jian Pei, Yiwen Yin, “Mining Frequent Patterns without Candidates Generation”, ACM-SIGMOD, 2000, 1-12
[19] 胡述兆、吳祖善，圖書館學導論，漢美圖書有限公司，民78 年
[20] Hsinchun Chen, Knowledge Management Systems: A Text Mining Perspective,http://ai.bpa.arizona.edu/go/download/chenKMSi.pdf.
[21] Fayyad, U., Piatetsky-Shapiro, G. and Smyth P., “from Data Mining to Knowledge Discovery in Database”, AI Magazine, 1996, 37-54
[22] 實用醫學雜誌 2004年第20卷11期
[23] Guangdong Medical Journal Jan. 2001, Vol. 22, No.1
[24] 廣西醫學 2002年9月第24卷9期
[25] 吳國禎，「資料探索在醫學資料庫之應用 The Application of Data Mining fo Medical Database」，2000
[26] 陳世源，「資料採礦技術在病例與藥品關聯性之研究 Data Mining in Acquiring Association Knowledge Between Diseases and Medicine Treatments」，2000
[27] 社會科學研究的新趨勢—資料探勘（Data Mining）應用於公共行政領域之探討，邱瑞忠
[28] 孫大為、邊旭明、李艷等，「陰道穿刺卵巢子宮內膜異位囊腫及注入乙醇的長期療效和安全性觀察」，中華婦產科雜誌，Mar. 1997
[29] 董德剛、王長智、常德安等，「腹腔鏡下卵巢巧克力囊腫穿刺抽液乙醇注人例分析」，中國實用婦科與產科雜誌，Oct. 1994
[30] Y. Min, S. Bin and Li Ming-fang, "A kind of classification and regression tree algorithm for unusual customers recognition in telecom trade," in 2004, pp. 561-564. 
[31] 賴司平，「利用資料探勘技術分析WIFLY客戶使用行為 nalyzing Behaviors of WIFLY customers using Data Mining techniques」，June，2007
[32] 黃小玲、何日生、陳史清，「注射無水酒精法治療卵巢子宮內膜異位囊腫18例探討」，齊齊哈爾醫學院學報，2006年07期
[33] 曾雅潔、馬澤麟，「注射無水酒精法治療卵巢子宮內膜異位囊腫的改進」，廣東醫學院學報，2000年第18卷3期