การจำแนกประเภทหลายหมวดหมู่ด้วยการเรียนรู้ของเครื่องเพื่อพยากรณ์ระดับน้ำตาลสะสมในเลือดของผู้ป่วยเบาหวานชนิดที่ 2

Abstract

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) สร้างแบบจำลองการพยากรณ์ระดับน้ำตาลสะสมในเลือดของผู้ป่วยเบาหวานชนิดที่ 2 และ 2) ประเมินประสิทธิภาพแบบจำลองการพยากรณ์ระดับน้ำตาลสะสมในเลือดของผู้ป่วยเบาหวานชนิดที่ 2 โดยรวบรวมข้อมูลเวชระเบียนที่ส่งผลต่อระดับน้ำตาลสะสมในเลือด แบ่งออกเป็นข้อมูลทั่วไป ผลตรวจทางห้องปฏิบัติการ และข้อมูลโรคเบาหวาน จำนวน 28,431 เวชระเบียน 37 คุณลักษณะ จากนั้นสร้างและประเมินประสิทธิภาพแบบจำลอง

ผลการทดลองแสดงให้เห็นว่า 1) การสร้างแบบจำลองการเรียนรู้ของเครื่อง ประกอบด้วย 6 ขั้นตอน (1) การเก็บรวบรวมข้อมูล (2) การเตรียมข้อมูล โดยการคัดเลือกคุณลักษณะแบบ Information gain feature reduction การจัดการข้อมูลแบบไม่สมดุลด้วย SMOTE และการจำแนกประเภทหลายหมวดหมู่ที่แตกต่างกันทั้งหมด 45 วิธี (3) การสร้างแบบจำลองด้วยอัลกอริทึมป่าสุ่ม (4) การประเมินประสิทธิภาพแบบจำลอง (5) การปรับพารามิเตอร์เพื่อหาค่าที่เหมาะสมที่สุด และ (6) การนำแบบจำลองไปประยุกต์ใช้งานคาดการณ์ระดับน้ำตาลสะสมและนำมาประกอบการตัดสินใจเพื่อส่งตรวจติดตามระดับน้ำตาลสะสมในเลือดเพิ่มเติมจากปกติ และ 2) ผลการประเมินประสิทธิภาพพบว่า ร้อยละความถูกต้อง ความแม่นยำ ความครบถ้วน และประสิทธิภาพโดยรวม เท่ากับ 81.89, 82.13, 81.89, 81.83 ตามลำดับ

The objectives of this research were to: 1) develop a predictive model for cumulative blood sugar levels in type 2 diabetes patients; and 2) evaluate the effectiveness of the predictive model by collecting health record data from type 2 diabetes patients. The dataset comprises characteristics influencing cumulative blood sugar levels, categorized into general information, laboratory test results, and diabetes-related data, amounting to 28,431 health records and 37 features.The experimental results show that: 1) Building a machine learning model consists of six stages: (1) Data collection; (2) Data preparation involving Information Gain feature reduction, handling imbalanced data using SMOTE, and multi-class classification, resulting in a total of 45 methods; (3) Model development using Random Forest algorithm, (4) Model evaluation; (5) Hyperparameter tuning for optimal values; and (6) Application of the model for predicting cumulative blood sugar levels and assisting in decision-making regarding additional cumulative blood sugar level testing during follow-up. 2) The model evaluation results indicate accuracy, precision, recall, and F1 score of 81.89%, 82.13%, 81.89%, and 81.83%, respectively.