การพัฒนาและการเปรียบเทียบประสิทธิภาพของตัวแบบสำหรับการคัดกรองผู้ป่วยกลุ่มที่สุ่มเสี่ยงเป็นโรคไต ด้วยเทคนิคการทำเหมืองข้อมูล Development and Performance Comparison of Models for Screening Randomly At-Risk Patients with Kidney Disease Using Data Mining Techniques
Article Sidebar
Main Article Content
บทคัดย่อ
โรคไตเป็นปัญหาสาธารณสุขที่สำคัญระดับโลก ส่งผลกระทบต่อคุณภาพชีวิตของผู้ป่วยและก่อให้เกิดภาระค่าใช้จ่ายในการรักษาที่สูง โดยเฉพาะอย่างยิ่งในกลุ่มประเทศรายได้ต่ำและปานกลาง ข้อมูลจากการศึกษาพบว่า ความชุกของโรคไตเรื้อรังระยะที่ 3-5 ในประเทศไทยอยู่ที่ร้อยละ 12.4 ซึ่งใกล้เคียงกับค่าเฉลี่ยของโลก แต่มีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่อง การคัดกรองโรคไตตั้งแต่ระยะเริ่มแรกจึงมีความสำคัญอย่างยิ่งในการชะลอความเสื่อมของไตและลดอัตราการเกิดภาวะแทรกซ้อน งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบสำหรับคัดกรองกลุ่มเสี่ยงโรคไตโดยใช้เทคนิคการทำเหมืองข้อมูล และเปรียบเทียบประสิทธิภาพของอัลกอริทึมการจำแนกประเภทข้อมูล 3 วิธี ได้แก่ ต้นไม้ตัดสินใจ (Decision Tree: C45) ต้นไม้ป่าสุ่ม (Random Forest) และเพื่อนบ้านใกล้ที่สุด (K-Nearest Neighbor: KNN) โดยใช้ชุดข้อมูลจำนวน 1,500 ระเบียนจากฐานข้อมูลสาธารณะ ซึ่งประกอบด้วยข้อมูลทั้งกลุ่มเสี่ยงและไม่เสี่ยงต่อการเป็นโรคไต ผลการศึกษาพบว่า เทคนิค KNN ที่มีค่า k เท่ากับ 11 ให้ประสิทธิภาพสูงสุด โดยมีค่าความถูกต้องเท่ากับ 89.20% และค่าประสิทธิภาพโดยรวมเท่ากับ 17.35% ซึ่งแสดงให้เห็นถึงศักยภาพในการนำไปประยุกต์ใช้สำหรับคัดกรองกลุ่มเสี่ยงได้อย่างแม่นยำ ผลลัพธ์ที่ได้จากงานวิจัยนี้มีประโยชน์ต่อการพัฒนาระบบสนับสนุนการตัดสินใจทางคลินิก เพื่อช่วยบุคลากรทางการแพทย์ในการระบุกลุ่มเสี่ยงและวางแผนการดูแลรักษาได้อย่างเหมาะสม อันจะนำไปสู่การลดภาระค่าใช้จ่ายในการรักษาและพัฒนาคุณภาพชีวิตของผู้ป่วยโรคไตในระยะยาว
Article Details
References
เอกสารอ้างอิง
Chronic Kidney Disease Initiative. (n.d.). The page you were looking for has moved. https://www.cdc.gov/kidneydisease/basics.html
Abbafati, C., Abbas, K. M., Abbasi, M., Abbasifard, M., Abbasi-Kangevari, M., Abbastabar, H., Abd-Allah, F., Abdelalim, A., Abdollahi, M., Abdollahpour, I., Abedi, A., Abedi, P., Abegaz, K. H., Abolhassani, H., Abosetugn, A. E., Aboyans, V., Abrams, E. M., Abreu, L. G., Abrigo, M. R. M., … Murray, C. J. L. (2020). Global burden of 369 diseases and injuries in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet, 396(10258), 1204–1222. https://doi.org/10.1016/S0140-6736(20)30925-9
โรงพยาบาลพระรามเก้า. (2563, 11 มีนาคม). โรคไตเรื้อรัง. Https://Www.Praram9.Com/. https://www.praram9.com/โรคไตเรื้อรัง-2
Suriyong, P., Ruengorn, C., Shayakul, C., Anantachoti, P., & Kanjanarat, P. (2022). Prevalence of chronic kidney disease stages 3–5 in low- and middle-income countries in Asia: A systematic review and meta-analysis. PLOS ONE, 17(2), e0264393. https://doi.org/10.1371/JOURNAL.PONE.0264393
Jin, D., Sergeeva, E., Weng, W. H., Chauhan, G., & Szolovits, P. (2021). Explainable Deep Learning in Healthcare: A Methodological Survey from an Attribution View. WIREs Mechanisms of Disease, 14(3). https://doi.org/10.1002/wsbm.1548
Kaur, P., Sharma, M., & Mittal, M. (2018). Big Data and Machine Learning Based Secure Healthcare Framework. Procedia Computer Science, 132, 1049–1059. https://doi.org/10.1016/J.PROCS.2018.05.020
Tomar, D., & Agarwal, S. (2013). A survey on Data Mining approaches for Healthcare. International Journal of Bio-Science and Bio-Technology, 5(5), 241–266. https://doi.org/10.14257/ijbsbt.2013.5.5.25
อนุพงศ์ สุขประเสริฐ. (2563). คู่มือการทำเหมืองข้อมูลด้วยโปรแกรม RapidMiner Studio (3rd ed.). สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม.
Han, J., Kamber, M., & Pei, J. (2012). 8 - Classification: Basic Concepts. In J. Han, M. Kamber, & J. Pei (Eds.), Data Mining (Third Edition) (pp. 327–391). Morgan Kaufmann. https://doi.org/https://doi.org/10.1016/B978-0-12-381479-1.00008-3
M, H., & M.N, S. (2015). A Review On Evaluation Metrics For Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process, 5(2), 01–11. https://doi.org/10.5121/IJDKP.2015.5201
Sanmarchi, F., Fanconi, C., Golinelli, D., Gori, D., Hernandez-Boussard, T., & Capodici, A. (2023). Predict, diagnose, and treat chronic kidney disease with machine learning: a systematic literature review. Journal of Nephrology, 36(4), 1101–1117. https://doi.org/10.1007/S40620-023-01573-4
Polat, H., Danaei Mehr, H., & Cetin, A. (2017). Diagnosis of Chronic Kidney Disease Based on Support Vector Machine by Feature Selection Methods. Journal of Medical Systems, 41(4). https://doi.org/10.1007/S10916-017-0703-X
Salekin, A., & Stankovic, J. (2016). Detection of Chronic Kidney Disease and Selecting Important Predictive Attributes. Proceedings - 2016 IEEE International Conference on Healthcare Informatics, ICHI 2016, 262–270. https://doi.org/10.1109/ICHI.2016.36
Webster, A. C., Nagler, E. V., Morton, R. L., & Masson, P. (2017). Chronic Kidney Disease. The Lancet, 389(10075), 1238–1252. https://doi.org/10.1016/S0140-6736(16)32064-5
Luyckx, V. A., Tonelli, M., & Stanifer, J. W. (2018). The global burden of kidney disease and the sustainable development goals. Bulletin of the World Health Organization, 96(6), 414-422C. https://doi.org/10.2471/BLT.17.206441
Kovesdy, C. P., Furth, S. L., & Zoccali, C. (2017). Obesity and kidney disease: hidden consequences of the epidemic. Journal of Nephrology, 30(1). https://doi.org/10.1007/S40620-017-0377-Y
Xia, J., Wang, L., Ma, Z., Zhong, L., Wang, Y., Gao, Y., He, L., & Su, X. (2017). Cigarette smoking and chronic kidney disease in the general population: a systematic review and meta-analysis of prospective cohort studies. Nephrology Dialysis Transplantation, 32(3), 475–487. https://doi.org/10.1093/NDT/GFW452
data.world (n.d.). The Data Catalog Platform. https://data.world/home
Schröer, C., Kruse, F., & Gómez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526–534. https://doi.org/10.1016/J.PROCS.2021.01.199
ณัฐพล แสนคำ, ธนากร ปุรารัมย์, และทิพวัลย์ แสนคำ. (2560). ระบบสนับสนุนทางการแพทย์สำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยใช้เทคนิคเหมืองข้อมูล. วารสารวิชาการ โรงเรียนนายร้อยพระจุลจอมเกล้า, 15(1), 161–170. https://ph01.tci-thaijo.org/index.php/crma-journal/article/view/243110
IBM. (n.d.). What is Random Forest? https://www.ibm.com/topics/random-forest
Spotfire. (n.d.). Demystifying the Random Forest Algorithm for Accurate Predictions. https://www.spotfire.com/glossary/what-is-a-random-forest
GlurGeek.Com. (2562, 14 กรกฎาคม). KNN หรือ K-Nearest Neighbors คืออะไร. https://www.glurgeek.com/Education/Knn/
สุรวัชร ศรีเปารยะ, และสายชล สินสมบูรณ์ทอง. (2560). การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง : กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย. วารสารวิทยาศาสตร์และเทคโนโลยี, 839–853. https://li01.tci-thaijo.org/index.php/tstj/article/view/85101
Hafeez, M. A., Rashid, M., Tariq, H., Abideen, Z. U., Alotaibi, S. S., & Sinky, M. H. (2021). Performance Improvement of Decision Tree: A Robust Classifier Using Tabu Search Algorithm. Applied Sciences 2021, Vol. 11, Page 6728, 11(15), 6728. https://doi.org/10.3390/APP11156728
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). Statistical Learning. In G. James, D. Witten, T. Hastie, & R. Tibshirani (Eds.), An Introduction to Statistical Learning: with Applications in R (pp. 15–57). Springer US. https://doi.org/10.1007/978-1-0716-1418-1_2
Strachna, O., & Asan, O. (2021). Systems Thinking Approach to an Artificial Intelligence Reality within Healthcare: From Hype to Value. ISSE 2021 - 7th IEEE International Symposium on Systems Engineering, Proceedings. https://doi.org/10.1109/ISSE51541.2021.9582546
Sutton, R. T., Pincock, D., Baumgart, D. C., Sadowski, D. C., Fedorak, R. N., & Kroeker, K. I. (2020). An overview of clinical decision support systems: benefits, risks, and strategies for success. Npj Digital Medicine 2020 3:1, 3(1), 1–10. https://doi.org/10.1038/s41746-020-0221-y
Thilly, N., Chanliau, J., Frimat, L., Combe, C., Merville, P., Chauveau, P., Bataille, P., Azar, R., Laplaud, D., Noël, C., & Kessler, M. (2017). Cost-effectiveness of home telemonitoring in chronic kidney disease patients at different stages by a pragmatic randomized controlled trial (eNephro): rationale and study design. BMC Nephrology, 18(1). https://doi.org/10.1186/S12882-017-0529-2
Connell, A., Montgomery, H., Martin, P., Nightingale, C., Sadeghi-Alavijeh, O., King, D., Karthikesalingam, A., Hughes, C., Back, T., Ayoub, K., Suleyman, M., Jones, G., Cross, J., Stanley, S., Emerson, M., Merrick, C., Rees, G., Laing, C., & Raine, R. (2019). Evaluation of a digitally-enabled care pathway for acute kidney injury management in hospital emergency admissions. Npj Digital Medicine 2019 2:1, 2(1), 1–9. https://doi.org/10.1038/s41746-019-0100-6