การใช้ตัวแบบของเครื่องจักรเรียนรู้เพื่อทำนายความล้มเหลวในการรักษาภาวะลำไส้กลืนกันแบบไม่ผ่าตัด

Abstract

การค้นคว้าอิสระฉบับนี้นำองค์ความรู้ระหว่างวิทยาการข้อมูลและการแพทย์เข้ามาศึกษาร่วมกัน โดยมีวัตถุประสงค์หลัก 2 ประการ คือ 1) เพื่อศึกษาการใช้โมเดลเครื่องจักรเรียนรู้ ทำนายข้อมูลทางการแพทย์ และ 2) เพื่อศึกษาประสิทธิภพการใช้อัลกอริทึมในการเพิ่มจำนวนข้อมูลทางการแพทย์ให้มีมากยิ่งขึ้นโดยไม่ทำให้ข้อมูลเกิดการเอนเอียงไปทางจุดใดจุดหนึ่ง (bias) โดยในปัจจุบันมีการศึกษาปัจจัยการทำนายความล้มเหลวในการรักษาภาวะลำไส้กลืนกันด้วยวิธีไม่ผ่าตัดเพื่อประเมินความเสี่ยงและความผิดพลาดที่อาจจะเกิดขึ้นจากการรักษา ซึ่งการศึกษาภาวะลำไส้กลืนกันด้วยวิธีไม่ผ่าตัดพบว่ามีปัจจัยที่น่าจะเกี่ยวข้องต่อผลการทำนายความล้มเหลวในการรักษาภาวะลำไส้กลืนกินแบบไม่ผ่าตัดจำนวนมากขึ้น และมีคุณลักษณะเฉพาะบางชนิดที่เป็นข้อมูลตัวเลขแบบต่อเนื่องซึ่งยากต่อการคำนวณด้วยมือ จึงต้องมีการศึกษาโมเดลของเครื่องจักรเรียนรู้ (Machine Learning) เพื่อช่วยทำนายความล้มเหลวในการรักษาภาวะลำไส้กลืนกันด้วยวิธีไม่ผ่าตัด ผลการศึกษาพบว่าการทำนายโดยไม่มีการเพิ่มข้อข้อมูล โมเดลที่ดีที่สุดคือ Logistic Regression โดยมีค่าความถูกต้อง 80% และค่าความไว 86% และเมื่อเมื่อทำการเพิ่มข้อมูลแล้ว โมเดลมีประสิทธิภาพดีขึ้นอย่างมีนัยยะสำคัญ โดยวิธีเพิ่มข้อมูลที่ทำให้โมเดลมีประสิทธิภาพโดยรวมดีที่สุดคือ K-means SMOTE และโมเดลการทำนายผลที่ทำให้มีความแม่นยำมากที่สุดคือ Decision Tree เมื่อทำการประยุกต์ใช้ตัวแบบเครื่องจักรเรียนรู้รวมทั้งวิธีการเพิ่มข้อมูล โมเดลที่ให้ค่าความถูกต้องสูงที่สุดคือ Decision Tree แบบ SMOTE-NC Oversampling และ Decision Tree แบบ K-means SMOTE Oversampling โดยให้ค่าความถูกต้อง 94% และโมเดลที่ให้ค่าความไวสูงที่สุดคือ Support Vector Machine แบบ Non-Oversampling ที่ให้ค่าความไว 100%