การพัฒนาตัวแบบทำนายความเสี่ยงการเกิดภาวะหัวใจขาดเลือดเฉียบพลัน ในผู้สูงอายุด้วยเทคนิคเหมืองข้อมูล
คำสำคัญ:
หัวใจขาดเลือดเฉียบพลัน, ซัพพอร์ตเวกเตอร์แมชชีน, นาอีฟเบย์, ต้นไม้ตัดสินใจบทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์ คือ 1) เพื่อเปรียบเทียบประสิทธิภาพของตัวแบบทำนายความเสี่ยงการเกิดภาวะหัวใจขาดเลือดเฉียบพลันในผู้สูงอายุด้วยเทคนิคเหมืองข้อมูล และ 2) เพื่อพัฒนาระบบตัวแบบทำนายความเสี่ยงการเกิดภาวะหัวใจขาดเลือดเฉียบพลันในผู้สูงอายุ โดยใช้ชุดข้อมูลหัวใจขาดเลือดเฉียบพลัน ในชุดของ Heart Attack Analysis & Prediction Dataset เครื่องมือในการวิจัยครั้งนี้ใช้ Scikit-Learn Library ของภาษา Python ในการสร้างตัวแบบ เทคนิคเหมืองข้อมูลที่นำมาใช้เปรียบเทียบในงานวิจัย จำนวน 3 เทคนิค ได้แก่ ซัพพอร์ตเวกเตอร์แมชชีน นาอีฟเบย์ และต้นไม้ตัดสินใจ และได้ใช้ค่าความถูกต้อง ค่าความแม่นยำ ค่าความระลึก และค่าความถ่วงดุล ในการวัดประสิทธิภาพการพยากรณ์ของตัวแบบ ผลการวิจัยพบว่า นาอีฟเบย์ มีประสิทธิภาพสูงที่สุดโดยให้ค่าความถูกต้อง เท่ากับร้อยละ 86.05 ค่าความแม่นยำเท่ากับร้อยละ 87.44 ค่าความระลึกเท่ากับร้อยละ 85.82 และค่าความถ่วงดุลเท่ากับร้อยละ 85.86 และได้นำตัวแบบที่ได้จากนาอีฟเบย์ที่มีประสิทธิภาพสูงที่สุดมาพัฒนาระบบตัวแบบทำนายการเกิดภาวะหัวใจขาดเลือดเฉียบพลันในผู้สูงอายุที่พัฒนาในรูปแบบเว็บแอปพลิเคชันให้ทำนายว่าโอกาสการเกิดภาวะหัวใจขาดเลือดเฉียบพลันมีมากหรือน้อย
เอกสารอ้างอิง
Kaewna, P. (2023). Factors associated with Streptokinase failure in the treatment of STEMI patients in District hospital: a retrospective study. Academic Journal of Mahasarakham Provincial Public Health Office, 7(14), 113-122.
Mannaisatjatham, L. (2022). Simulation of Oncology Drugs Inventory Controls by Drug Inventory Department Using Vendor Managed Inventory through Decision Trees Classification in National Cancer Institute of Thailand. Journal of The Department of Medical Services, 46 (4), 106-14.
Matachalearmpat, R. (2022). Application of Machine Learning with industrial work. National Electronics and Computer Technology Center.
Njoku O.C. (2019). Decision Trees and Their Application for Classification and Regression Problems. (Graduate Theses). United State: Missouri State University.
Panyatip, T. et al. (2022). Optimization Classification of Covid-19 effect on Liver Cancer. Journal of Technology Management Rajabhat Maha Sarakham University, 9(2), 66–78.
Petwised, W. (2023). Development of a Models to Predict Colorectal Cancer Warning Sign. Journal of Science and Technology, Rajabhat Maha Sarakham University 6 (1). Maha Sarakham, (75-87).
Rungrattanaubol, J. (2023). Data Mining Techniques. Naresuan University Publishing House, Phitsanulok.
Suesat, T. et al. (2020). Factors Associated with Treatment Result of Acute Coronary Syndrome Patients. KKU Journal for Public Health Research, 13(2), 102–112.
Sinsomboonthong, S. (2017). Data mining 1: discovering knowledge in data. Bangkok: Chamchuree Products Co.,Ltd.
Tosasukul, J. (2021). A Prediction Modelling for Dengue Fever Outbreaks Using Data Mining Techniques. PKRU SciTech Journal 5 (2), 51-60.
Widyawati, D. et al. (2023). Comparison Analysis of Classification Model Performance in Lung Cancer Prediction Using Decision Tree, Naive Bayes, and Support Vector Machine. Indonesian Journal of Data and Science, 4(2), 78-86.
