Semantic data mining between Thai medical chief complaint and ICD-10 from Thai national health data center (HDC-MOPH)

การใช้เทคนิคเหมืองข้อมูลเชิงความหมายระหว่างอาการสำคัญที่นำผู้ป่วยมาโรงพยาบาลกับค่า ICD-10 จากระบบฐานข้อมูลสุขภาพระดับประเทศของกระทรวงสาธารณสุข

Name: Polawat Witoolkollachit

keyword: Chief complaint

LCSH: Data mining

LCSH: Deep learning (Machine learning)

LCSH: Artificial intelligence -- Medical applications

LCSH: Information storage and retrieval systems -- Medicine

LCSH: Information storage and retrieval systems -- Medical care

LCSH: Hospitals -- Complaints against

Abstract: This study aims to extract medical-related concepts from the Chief Complaint (CC), in Thai language, to match with the information that appears in the database of the 10th revision of International Statistical Classification of Disease and Related Health Problems (ICD-10) in order facilitate medical processes such as double-checking, history gathering and diagnosis provisioning by machine learning. Supervised corpus is used for CC word segmentation and concepts tagging. From experiment result of 10-fold cross validation, Deep Learning (DL) algorithm apparently outperformed the other algorithms in all measurements. In terms of the precision score, DL obtained the best result at 0.72 while Naïve Baye (NB) and Decision Tree (DT) yielded similar precision score at 0.63-0.64. For the recall score, DL placed first at 0.73 and followed closely by DT with slightly lower score of 0.72. Overall, Deep Learning achieved the highest performance followed by Decision Tree, Naïve Baye, and Supporting Vector Machine. The algorithm Deep Learning performed better than the other chosen algorithms. The results thus present a clear fact that Deep Learning is most compatible with our CC algorithm design.

Abstract: การศึกษานี้มีความมุ่งหมายในการเลียนแบบความคิดของบุคลากรทางแพทย์ในการวิเคราะห์แนวทางการจัดกลุ่มวินิจฉัยโรคตามแบบฐานข้อมูลฉบับแก้ไขครั้งที่ 10 บัญชีจำแนกทางสถิติระหว่างประเทศของโรคและปัญหาสุขภาพที่เกี่ยวข้อง หรือ ICD-10 จากอาการสำคัญที่นำผู้ป่วยมาโรงพยาบาล หรือ Chief Complaint (CC) ในภาษาไทย เพื่อส่งเสริมกระบวนการทางการแพทย์ เช่น การตรวจสอบซ้ำ การรวบรวมประวัติ และการเตรียมการวินิจฉัยด้วยการใช้เทคนิคการเรียนรู้ของคอมพิวเตอร์ (Machine Learning) ร่วมกับ คลังข้อมูลของคำทางการแพทย์ที่ได้จัดทำมาโดยเฉพาะ (Supervised medical corpus) สำหรับการแบ่งส่วนคำ CC และการเพิ่มส่วนขยายตามการเลียนแบบความคิดของบุคลากรทางการแพทย์ จากผลการทดสอบด้วยวิธี 10 Fold validation เห็นได้ชัดว่าอัลกอริทึมแบบ Deep Learning (DL) มีประสิทธิภาพเหนือกว่าอัลกอริทึมอื่นๆ ในการวัดทั้งหมด ในแง่ของคะแนนความแม่นยำ DL ได้ผลลัพธ์ที่ดีที่สุดที่ 0.72 ในขณะที่ Naïve Baye (NB) และ Decision Tree (DT) ให้คะแนนความแม่นยำใกล้เคียงกันที่ 0.63-0.64 สำหรับคะแนนการเรียกคืน DL อยู่อันดับแรกที่ 0.73 และตามด้วย DT อย่างใกล้ชิดโดยมีคะแนนต่ำกว่า 0.72 เล็กน้อย โดยรวมแล้ว Deep Learning มีประสิทธิภาพสูงสุด รองลงมาคือ Decision Tree, Naïve Baye และ Supporting Vector Machine อัลกอริทึม Deep Learning ทำงานได้ดีกว่าอัลกอริทึมอื่นๆ ผลลัพธ์ที่ได้แสดงให้เห็นข้อเท็จจริงที่ชัดเจนว่า อัลกอริทึม Deep Learning เหมาะสมและประสิทธิภาพ โดดเด่นกับการเลียนแบบความคิดของบุคลากรทางแพทย์ในการวิเคราะห์แนวทางการจัดกลุ่มวินิจฉัยโรค จาก CC ของมากที่สุด ผู้วิจัยมุ่งหวังว่าการวิจัยนี้จะเป็นประโยชน์ต่อการพัฒนาการทำงานร่วมกันระหว่างมนุษย์กับระบบปัญญาประดิษฐ์ เพื่อเพิ่มประสิทธิภาพของให้บริการทางการแพทย์

King Mongkut's University of Technology North Bangkok. Central Library

Address: BANGKOK

Email: library@kmutnb.ac.th

Name: Supot Nitsuwat

Role: dissert advisor

Name: Sunantha Sodsee

Role: dissert advisor

Created: 2021

Modified: 2565-10-27

Issued: 2022-10-27

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Information and Data Science (International Program)

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17571054.pdf	3.32 MB	12	2025-09-16 09:24:51

ใช้เวลา

0.019656 วินาที