ระบบสนับสนุนทางการแพทย์สำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยใช้เทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบสนับสนุนทางการแพทย์สำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยใช้เทคนิคเหมืองข้อมูล เปรียบเทียบประสิทธิภาพของอัลกอริทึมสำหรับทำนายโรคไตเรื้อรัง และประเมินประสิทธิภาพของระบบทำนายโรคไต การทำงานหลักของระบบ ประกอบด้วย การจัดการข้อมูลผู้ป่วย บุคลากรทางการแพทย์ การตรวจร่างกาย การทำนายโรคไต การตรวจสอบผลการทำนายโรค การจัดการตัวแบบ และออกรายงานต่าง ๆ
จากการวัดประสิทธิภาพของการวิจัยครั้งนี้ สรุปได้ว่า เทคนิค Random Forest ที่ใช้ชุดข้อมูลที่มีการเพิ่ม (Oversampling Data) มีประสิทธิภาพค่าความถูกต้อง (Accuracy) สูงที่สุดจากทุกตัวแบบที่ค่า 97.29% ค่าความแม่นตรง (Precision) ที่ 95.76% และค่าวัดประสิทธิภาพโดยรวม (F-Measure) เท่ากับ 97.44% และนำเทคนิคเหมืองข้อมูลนี้มาพัฒนาเป็นตัวแบบในการทำนายโรคไต ผลการประเมินประสิทธิภาพในการทำนายโรคไตของระบบพบว่าสามารถทำนายโรคไตของข้อมูลใหม่ได้ถูกต้อง 95.71% ทั้งนี้ เทคนิคต่าง ๆ และตัวแบบที่ได้พัฒนาขึ้นจะสามารถนำไปต่อยอด เพื่อพัฒนาระบบสนับสนุนทางการแพทย์ที่มีประสิทธิภาพในอนาคต
Article Details
ผลงานที่ได้รับการตีพิมพ์ ถือเป็นลิขสิทธิ์ของวารสารฯ
References
โรงพยาบาลบำรุงราษฎร์. (2553). โรคไตเรื้อรัง. โรงพยาบาลบำรุงราษฎร์ [Online] https://www.bumrungrad.com/th/nephrology-kidney-center-bangkokthailand/ckd-chronic-kidney-disease-1.
Gidanan ganghair.(2559). คนไทยป่วยโรคไตติดอันดับ 3 ของอาเซียน [Online] http://www.thaihealth.or.th/Content/30963-คนไทยป่วยโรคไตติดอันดับ 3 ของอาเซียน.html
Gregory D. Krol.(2011). CHRONIC KIDNEY DISEASE STAGING AND PROGRESSION [Online] https://www.asn-online.org/education/training/fellows/HFHS_CKD_V6.pdf. Page 4.
วีรยุทธ มายุศิริ และคณะ. (2555). “การพัฒนาแบบจำลองเพื่อการพยากรณ์การรักซ้ำของผู้ป่วยโรคจิตเภทโดยเทคนิคเหมืองข้อมูล” การประชุมวิชาการ มหาสารคามวิจัย ครั้งที่ 10, หน้า 144-153
ภรันยา ปาลวิสุทธิ์. (2554). “การเพิ่มประสิทธิภาพเทคนิคต้นไม้ตัดสินใจบนชุดข้อมูลที่ไม่สมดุลโดยวิธีการสุ่มเพิ่มตัวอย่างกลุ่มน้อยสำหรับข้อมูลการเป็นโรคติดอินเทอร์เน็ต”, วารสารเทคโนโลยีสารสนเทศ ปีที่ 12 ฉบับที่ 1 มกราคม – มิถุนายน 2559 หน้า 54-63.
K. R. Anantha Padmanaban and G. Parthiban. (2016). Applying Machine Learning Techniques for Predicting the Risk of Chronic Kidney Disease. Indian Journal of Science and Technology, Vol 9(29)
T.Miranda Lakshmi, A.Martin, R.Mumtaj Begum, V.Prasanna Venkatesan. (2013). An Analysis on Performance of Decision Tree Algorithms using Student’s Qualitative Data. I.J.Modern Education and Computer Science 2013, P. 18-27
Data Mining Trend บล็อก. (2559). การสร้างโมเดล Ensemble แบบต่างๆ [Online] http://dataminingtrend.com/2014/data-mining-techniques/ensemble-model/
Subasi A., Alickovic E., Kevric J.(2017). Diagnosis of Chronic Kidney Disease by Using Random Forest. In: Badnjevic A. (eds) CMBEBIH 2017. IFMBE Proceedings, vol 62. Springer, Singapore
UCI Machine Learning Repository. (2015). Chronic_Kidney_Disease Data Set [Online] https://archive.ics.uci.edu/ml/datasets/Chronic_Kidney_Disease