การพัฒนาแบบจำลองการพยากรณ์การติดเชื้อไวรัสโคโรนา-2019 ด้วยลักษณะอาการของผู้ป่วย
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาแบบจำลองพยากรณ์การติดเชื้อไวรัสโคโรนา-2019 จากอาการของผู้ป่วยด้วยเทคนิคการทำเหมืองข้อมูล 2) เพื่อเปรียบเทียบและประเมินประสิทธิภาพของแบบจำลอง โดยข้อมูลอาการของผู้ป่วยที่ใช้ได้รวบรวมจากข้อมูลอาการติดเชื้อไวรัสโคโรนาขององค์การอนามัยโลกและสถาบันวิทยาศาสตร์การแพทย์แห่งอินเดีย ประกอบด้วยข้อมูล 5,434 ระเบียน โดยแบ่งเป็นชุดข้อมูลการเรียนรู้ 4,348 ระเบียน และชุดข้อมูลทดสอบ 1,086 ระเบียน มีแอตทริบิวต์สำหรับใช้ในการเรียนรู้ 10 แอตทริบิวต์จากทั้งหมด 21 แอตทริบิวต์ กระบวนการวิจัยใช้ขั้นตอนมาตรฐานของการทำเหมืองข้อมูล อัลกอริทึมการเรียนรู้ประกอบด้วย 8 อัลกอริทึมได้แก่ ป่าสุ่ม นาอีฟเบย์ ซัพพอร์ตเวกเตอร์แมชชีน การถดถอยลอจิสติก เพื่อนบ้านใกล้ที่สุด นิวรอลเน็ตเวิร์ก เอดาบูท และต้นไม้ตัดสินใจ การประเมินประสิทธิภาพการเรียนรู้และแบบจำลองการพยากรณ์ใช้ค่า ความถูกต้องการจำแนก ค่าความแม่นยำ ค่าความไว และค่าความจำเพาะ ผลการศึกษาพบว่า อัลกอริทึมนิวรอลเน็ตเวิร์กเป็นอัลกอริทึมที่มีประสิทธิภาพการเรียนรู้ดีที่สุด จากนั้นเมื่อนำอัลกอริทึมไปปรับค่าพารามิเตอร์ต่าง ๆ แบบจำลองการพยากรณ์ที่ได้มีประสิทธิภาพสูงสุดที่ 91.40% เมื่อกำหนดค่าอัตราการเรียนรู้เป็น 0.1 ใช้ฟังก์ชัน ReLU เป็นฟังก์ชันการกระตุ้น และใช้รอบการทำงานสูงสุดที่ 200 รอบการทำงาน สรุปผลได้ว่า การพัฒนาแบบจำลองการพยากรณ์การติดเชื้อไวรัสโคโรนา-2019 จากลักษณะอาการของผู้ป่วยโดยใช้อัลกอริทึมนิวรอลเน็ตเวิร์กนั้น ได้แสดงให้เห็นถึงประสิทธิภาพการพยากรณ์ได้เป็นอย่างดี สามารถใช้พัฒนาเป็นระบบสนับสนุนทางการแพทย์เพื่อคัดกรองผู้ต้องสงสัยว่าติดเชื้อไวรัสโคโรนา-2019 ก่อนการตรวจวินิจฉัยโรคของแพทย์ผู้เชี่ยวชาญต่อไป
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์ในวารสารฯ ท้ังในรูปแบบของรูปเล่มและอิเล็กทรอนิกส์เป็นลิขสิทธิ์ของวารสารฯ
เอกสารอ้างอิง
B. Unim, N. Schutte, M. Thissen, and L. Palmieri, “Innovative Methods Used in Monitoring COVID-19 in Europe: A Multinational Study,” International Journal of Environmental Research and Public Health, vol. 20, no. 1, pp. 1-15, Dec. 2022, doi: 10.3390/ijerph20010564.
K. H. Chaiyachati et al., “Patient and clinician perspectives of a remote monitoring program for COVID-19 and lessons for future programs,” BMC Health Services Research, vol. 23, no. 1, pp. 1-10, Jun. 2023, doi: 10.1186/s12913-023-09684-1.
S. L. Ng et al., “Focused review: potential rare and atypical symptoms as indicator for targeted COVID-19 screening,” Medicina, vol. 57, no. 2, pp. 1-10, 2021, doi: 10.3390/medicina57020189.
Y. Azeli et al., “A machine learning COVID-19 mass screening based on symptoms and a simple olfactory test,” Scientific Reports, vol. 12, no. 1, pp. 1-9, Sep. 2022.
E. J. Chow et al., “Symptom screening at illness onset of health care personnel with SARS-CoV-2 infection in King County,” JAMA, vol. 323, no. 20, pp. 2087-2089, Apr. 2020.
P. Trimankha et al., “Utility of screening chest radiographs in patients with asymptomatic and mildly symptomatic COVID-19 at a field hospital in Samut Sakhon, Thailand,” The ASEAN Journal of Radiology, vol. 22, no. 2, pp. 5-20, May-Aug. 2021, doi: 10.46475/aseanjr.v22i2.119.
A. Bhargava, A. Bansal, and V. Goyal, “Machine learning-based automatic detection of novel coronavirus (COVID-19) disease,” Multimedia Tools and Applications, vol. 81, no. 10, pp. 13731-13750, Feb. 2022, doi: 10.1007/s11042-022-12508-9.
N. K. Chowdhury, M. A. Kabir, M. M. Rahman, and S. M. S. Islam, “Machine learning for detecting COVID-19 from cough sounds: An ensemble-based MCDM method,” Computers in Biology and Medicine, vol. 145, no. 105405, pp. 1-14, Mar. 2022, doi: 10.1016/j.compbiomed.2022.105405.
N. N. M. Azam, M. A. Ismail, M. S. Mohamad, A. O. Ibrahim, and S. Jeba, “Classification of COVID-19 Symptoms Using Multilayer Perceptron,” Iraqi Journal For Computer Science and Mathematics, vol. 4, no. 4, pp. 100-110, Oct. 2023, doi: 10.52866/ijcsm.2023.04.04.009.
A. C. Utku, G. Budak, O. Karabay, E. Güçlü, H. D. Okan, and A. Vatan, “Main symptoms in patients presenting in the COVID-19 period,” Scottish Medical Journal, vol. 65, no. 4, pp. 127-132, 2020.
M. A. Maqbali, K. A. Badi, M. A. Sinani, N. Madkhali, and G. L. Dickens, “Clinical features of COVID-19 patients in the first year of pandemic: a systematic review and meta-analysis,” Biological Research for Nursing, vol. 24, no. 2, pp. 172-185, Dec. 2022, doi: 10.1177/10998004211055866.
M. K. Yusof, W. M. A. F. W. Hamzah, and N. S. M. Rusli, “Efficiency of hybrid algorithm for COVID-19 online screening test based on its symptoms,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 25, no. 1, pp. 440-449, Jun. 2022.
T. Mauritsius, A. S. Braza, and Fransisca, “Bank marketing data mining using CRISP-DM approach,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 8, no. 5, pp. 2322-2329, Oct. 2019, doi: 10.30534/ijatcse/2019/71852019.
F. Binsar and T. Mauritsius, “Mining of Social Media on Covid-19 Big Data Infodemic in Indonesia,” Journal of Computer Science, vol. 16, no. 11, pp. 1598-1609, Nov. 2020.
F. Y. Lan et al., “COVID-19 symptoms predictive of healthcare workers’ SARS-CoV-2 PCR results,” PLoS One, vol. 15, no. 6, pp. 1-12, Jun. 2020, doi: 10.1371/journal.pone.0235460.
H. Harikrishnan, “Symptoms and COVID Presence (May 2020 data).” Kaggle. Accessed: Sep. 20, 2022. [Online]. Available: https://www.kaggle.com/datasets/hemanthhari/symptoms-and-covid-presence
M. S. Amin, Y. K. Chiam, and K. D. Varathan, “Identification of significant features and data mining techniques in predicting heart disease,” Telematics and Informatics, vol. 36, pp. 82-93, Nov. 2018, doi: 10.1016/j.tele.2018.11.007.
V. K. Gupta, A. Gupta, D. Kumar, and A. Sardana, “Prediction of COVID-19 confirmed, death, and cured cases in India using random forest model,” Big Data Mining and Analytics, vol. 4, no. 2, pp. 116-123, Feb. 2021, doi: 10.26599/BDMA.2020.9020016.
T. Sher, A. Rehman, and D. Kim, “COVID-19 Outbreak Prediction by Using Machine Learning Algorithms,” Computers, Materials & Continua, vol. 75, no. 1, pp. 1561-1574, 2023, doi: 10.32604/cmc.2023.032020.
L. Chaves and G. Marques, “Data mining techniques for early diagnosis of diabetes: a comparative study,” Applied Sciences, vol. 11, no. 5, pp. 2218, Mar. 2021.
