การพยากรณ์ภาวะแทรกซ้อนของผู้ป่วยโรคเบาหวานโดยใช้เทคนิคการทำเหมืองข้อมูล
0
0
Issued Date
2013
Resource Type
Language
tha
File Type
application/pdf
Rights
Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช
Suggested Citation
ชฏิภกรน์ ทรายหมอ (2013). การพยากรณ์ภาวะแทรกซ้อนของผู้ป่วยโรคเบาหวานโดยใช้เทคนิคการทำเหมืองข้อมูล. doi:10.14457/STOU.the.2013.70 สืบค้นจาก: https://hdl.handle.net/20.500.14770/13778
Alternative Title(s)
Complications of diabetic patients using data mining techniques
Author(s)
Advisor(s)
Other Contributor(s)
Abstract
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) สร้างแบบจำลองพยากรณ์ภาวะแทรกซ้อนของโรคอื่นหลังจากที่ผู้ป่วยเป็นโรคเบาหวาน 2) นำแบบจำลองที่ได้ไปทดลองใช้กบกลุ่มงานอายุรกรรม ห้องตรวจผู้ป่วยเบาหวานของโรงพยาบาลปทุมธานี วิธีการดำเนินการวิจัย 1) ทำความเข้าใจปัญหาที่ดำเนินงาน การตรวจรักษาของแพทย์ต่อผู้ป่วยและโครงสร้างข้อมูลของการจัดเก็บประวัติการรักษา เพื่อสร้างแบบจำลองให้ตรงตามความเป็นจริง 2) จัดเตรียมข้อมูลให้มีความถูกต้อง โดยทำความเข้าใจปัญหาที่ดำเนินงาน ทั้งนี้ข้อมูลที่ใช้ในการสร้างแบบจำลองพยากรณ์ภาวะแทรกซ้อนของโรคอื่นหลังจากที่ผู้ป่วยเป็นโรคเบาหวาน จะนำมาจากข้อมูลผลตรวจการวินิจฉัยโรคเบาหวานตั้งแต่ที่ผู้ป่วยเป็นโรคเบาหวาน ของโรงพยาบาลปทุมธานี 3) สร้างแบบจำลองตัวแปรที่สำคัญได้แก่ จำนวนครั้งการมาตรวจรักษากับแพทย์ จำนวนโรคที่ทำการลงทะเบียนผู้ป่วยเบาหวานเท่านั้น เครื่องมือที่ใช้ในการวิจัยประกอบด้วย โปรแกรม WEKA เพื่อพยากรณ์ภาวะแทรกซ้อนของผู้ป่วยเบาหวาน MicroSoft Visual Foxpro เพื่อจัดเก็บข้อมูลผลการตรวจวินิจฉัยโรค Microsoft Execl 2010 สำหรับสร้างแบบจำลองพยากรณ์ภาวะแทรกของผู้ป่วยเบาหวาน 4) เปรียบเทียบผลการพยากรณ์ โดยวิธีการหาความสัมพันธ์ของข้อมูลระหว่าง Apriori Algorithm และ FPGrowth Algorithm 5) ทดสอบกับผลการพยากรณ์สถานการณ์จริง นำเสนอผลการพยากรณ์โอกาสการเกิดโรคอื่นที่เกี่ยวข้องจากการเป็นโรคเบาหวาน ทดลองใช้ ตั้งแต่ 1 เมษายน พ.ศ. 2557 ถึง 15 กรกฎาคม พ.ศ. 2557 กับกลุ่มงานอายุรกรรม ห้องตรวจผู้ป่วยเบาหวาน โรงพยาบาล ปทุมธานี ผลการพยากรณ์ความสัมพันธ์ภาวะแทรกซ้อนของโรคเบาหวานหลังจากที่ผู้ป่วยเป็นโรคเบาหวานในผู้ป่วยเบาหวานโรงพยาบาลปทุมธานี พบว่าผู้ป่วยที่เป็นโรค 1) เบาหวานชนิดที่ต้องพึ่งอินซูลิน ร่วมกับภาวะแทรกซ้อนทางตา (รหัสโรค E103) แล้วจะเป็นโรคแทรกซ้อนดังนี้ 1.1) โรคจอตาจากโรคเบาหวานชนิดไม่งอกขยายหรือเอ็นพีดีอาร์ (รหัสโรค H3600) คิดเป็น 65 % 1.2) โรคต้อกระจกในผู้สูงอายุ (รหัสโรค H251) คิดเป็น 46 % 1.3) โรคจอตาจากโรคเบาหวานชนิดงอกขยายหรือพีดีอาร์ (รหัสโรค H3602) คิดเป็น 44 % 2) โรคเบาหวานชนิดที่ไม่ต้องพึ่งอินซูลิน ร่วมกับภาวะแทรกซ้อนทางตา (รหัสโรค E113) แล้วจะเป็นโรคแทรกซ้อน 2.1) โรคจอตาจากโรคเบาหวานชนิดไม่งอกขยาย (รหัสโรค H3600) คิดเป็น 77 % 2.2) โรคต้อกระจกในผู้สูงอายุ (รหัสโรค H251) คิดเป็น 49 % 2.3) โรคจอตาจากโรคเบาหวานชนิดงอกขยาย (รหัสโรค H3602) คิดเป็น 36 % 2.4) โรคไตวายเรื้อรังที่มิได้ระบุรายละเอียด (รหัสโรค N189) คิดเป็น 20 % 3) โรคเบาหวานชนิดที่ไม่ต้องพึ่งอินซูลิน ร่วมกับภาวะแทรกซ้อนทางประสาท (รหัสโรค E114) แล้วจะเป็นโรคแทรกซ้อน 3.1) โรคต้อกระจกในผู้สูงอายุ (รหัสโรค H251) คิดเป็น 24 % 3.2) โรคหัวใจขาดเลือดเรื้อรังที่มิได้ระบุรายละเอียด (รหัสโรค I251) คิดเป็น 20 % ข้อเสนอแนะงานวิจัยควรนำข้อมูลประวัติการรักษาด้านอื่น ข้อมูลประชากร พื้นที่อื่นไม่เฉพาะเจาะจงมาทำการวิเคราะห์ข้อมูลด้วย ควรเลือกใช้เทคนิคการสร้างเหมืองข้อมูลรูปแบบอื่น ในการค้นหาความสัมพันธ์ของข้อมูล เพื่อเพิ่มประสิทธิภาพในการวัดความถูกต้องของการพยากรณ์ต่อไป
The research aimed at 1) developing predictive models for complications of diseases in diabetic patients, and 2) applying the model for field trial Diababetes Clinic, Medicine Department, Pathum Thani Hospital. This research was conducted in 5 main steps as follows: 1) Study problems of working procedure, doctors’ diagnoses, and data structure of patient profile in order to obtain the accurate model; 2) Prepare complete data for further process. The trained data employed in the model development was from the diagnoses’ results of diabetic patients in Pathum Thani Hospital. 3) Generate the model using the important variables in the research such as the number of times that the patients visited the doctors and the number of diseases that were recorded in the patients’ profiles. 4) Compare the predicted models by using association between Apriori Algorithm and FPGrowth Algorithm. The instruments used were consisted of a) WEKA program for data analysis of complications of diseases in diabetic patients, b) Microsoft Visual Foxpro for recording diabetic diagnosis results, and c) Microsoft Execl 2010 for creating the model for complications of diseases in diabetic patients. 5) The predictive models were tested in real situations. The information system was developed to present the prediction for complications of diseases in diabetic patients at Medication Unit, Diabetic Patients Department of Pathum Thani Hospital from April 1, 2014 to July 15, 2014. The findings revealed that the patients with insulin-dependent diabetes mellitus type 1 at with ophthalmic complications (E103) were 1.1) 65% likely to have non-proliferative diabetic retinopathy, NPDR, (H3600), 1.2) 46% likely to have senile nuclear cataract (H251), and 1.3) 44% likely to have proliferative diabetic retinopathy, PDR, (H3602). The research also found that the patients with non-insulin dependent diabetes mellitus type 2 at with ophthalmic complications (E113) were 2.1) 77% likely to have non-proliferative diabetic retinopathy (H3600) 2.2) 49% likely to have senile nuclear cataract (H251) 2.3) 36% likely to have proliferative diabetic retinopathy (H3602), and 2.4) 20% likely to have chronic renal failure, unspecified (N189). Moreover, the findings showed that the patients with non-insulin-dependent diabetes mellitus type 3 with neurological complications (E114) were 3.1) 24% likely to have senile nuclear cataract (H251), and 3.2) 20% likely to have chronic ischemic heart disease (I251) unspecified. Recommendation for further research should cover into other medical history information. Data for the additional models should be randomized with nonspecific selected demographic areas. Moreover, new algorithm may be applied to discover unexpected models
The research aimed at 1) developing predictive models for complications of diseases in diabetic patients, and 2) applying the model for field trial Diababetes Clinic, Medicine Department, Pathum Thani Hospital. This research was conducted in 5 main steps as follows: 1) Study problems of working procedure, doctors’ diagnoses, and data structure of patient profile in order to obtain the accurate model; 2) Prepare complete data for further process. The trained data employed in the model development was from the diagnoses’ results of diabetic patients in Pathum Thani Hospital. 3) Generate the model using the important variables in the research such as the number of times that the patients visited the doctors and the number of diseases that were recorded in the patients’ profiles. 4) Compare the predicted models by using association between Apriori Algorithm and FPGrowth Algorithm. The instruments used were consisted of a) WEKA program for data analysis of complications of diseases in diabetic patients, b) Microsoft Visual Foxpro for recording diabetic diagnosis results, and c) Microsoft Execl 2010 for creating the model for complications of diseases in diabetic patients. 5) The predictive models were tested in real situations. The information system was developed to present the prediction for complications of diseases in diabetic patients at Medication Unit, Diabetic Patients Department of Pathum Thani Hospital from April 1, 2014 to July 15, 2014. The findings revealed that the patients with insulin-dependent diabetes mellitus type 1 at with ophthalmic complications (E103) were 1.1) 65% likely to have non-proliferative diabetic retinopathy, NPDR, (H3600), 1.2) 46% likely to have senile nuclear cataract (H251), and 1.3) 44% likely to have proliferative diabetic retinopathy, PDR, (H3602). The research also found that the patients with non-insulin dependent diabetes mellitus type 2 at with ophthalmic complications (E113) were 2.1) 77% likely to have non-proliferative diabetic retinopathy (H3600) 2.2) 49% likely to have senile nuclear cataract (H251) 2.3) 36% likely to have proliferative diabetic retinopathy (H3602), and 2.4) 20% likely to have chronic renal failure, unspecified (N189). Moreover, the findings showed that the patients with non-insulin-dependent diabetes mellitus type 3 with neurological complications (E114) were 3.1) 24% likely to have senile nuclear cataract (H251), and 3.2) 20% likely to have chronic ischemic heart disease (I251) unspecified. Recommendation for further research should cover into other medical history information. Data for the additional models should be randomized with nonspecific selected demographic areas. Moreover, new algorithm may be applied to discover unexpected models
Description
วิทยานิพนธ์ (วท.ม. (เทคโนโลยีสารสนเทศและการสื่อสาร))--มหาวิทยาลัยสุโขทัยธรรมาธิราช, 2556
Degree Name
วิทยาศาตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์และเทคโนโลยี
Degree Grantor(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช
Collections
Endorsement
Review
Supplemented By
Referenced By
Creative Commons license
Except where otherwised noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)