การพยากรณ์โอกาสความคลาดเคลื่อนทางยาด้วยการเรียนรู้ของเครื่อง

Machine learning model for predicting the medication errors

Name: ณัฐวัตร เนื่องตัน

Organization : มหาวิทยาลัยหอการค้าไทย. คณะบริหารธุรกิจ

Email : b.nattawat12@gmail.com

Name: สุวรรณี อัศวกุลชัย

Organization : มหาวิทยาลัยหอการค้าไทย. คณะบริหารธุรกิจ

Email : suwannee_ads@utcc.ac.th

keyword: CRISP-DM

ThaSH: การเรียนรู้ของเครื่อง -- การสุ่มตัวอย่าง

; ความคลาดเคลื่อนทางยา

Abstract: บทความนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยที่ทำให้เกิดความคลาดเคลื่อนทางยา และพยากรณ์โอกาสความ คลาดเคลื่อนทางยาด้วยการเรียนรู้ของเครื่อง วิธีการศึกษาตามหลักการของ CRISP-DM ประกอบด้วย 6 ขั้นตอน ได้แก่ การเข้าใจธุรกิจ การเข้าใจข้อมูล การเตรียมข้อมูล การพัฒนาแบบจำลอง โดยใช้ WEKA เป็นเครื่องมือ การ ทดสอบ และการนำไปใช้ปฏิบัติงานจริง ผลการศึกษา การวิเคราะห์สาเหตุของปัญหา ด้วยทฤษฎีผังก้างปลา (Fishbone diagram) พบว่า ความผิดพลาดของกระบวนการจัดยา (Pre-dispensing error) เกิดจากความ ผิดพลาดของมนุษย์ (Hunan error) การรวบรวมข้อมูล ได้แก่ ข้อมูล 1 เดือน ซึ่งเป็นเดือนที่มีการจัดยาผิดพลาด มากที่สุดในปี 2565 โดยมีจำนวนการจัดยาผู้ป่วยนอก (OPD) ทั้งหมด 8,623 รายการ ผลการเตรียมข้อมูล มีการ จัดกลุ่มข้อมูล แปลงชนิดข้อมูลจาก numeric เป็น nominal ผลการพยากรณ์ แบบจำลอง random tree ให้ค่า ความถูกต้องในการพยากรณ์สูงสุด คิดเป็นร้อยละ 99.61 เทียบกับ Logistic, SMO และ Naive Bayes ให้ค่า ความถูกต้องคิดเป็นร้อยละ 99.54, 99.51 และ 99.48 ตามลำดับ ปัจจัยที่ผลในการผิดพลาดในการจัดยา ได้แก่ ประเภทของยา ช่วงเวลาในการทำงาน อายุการทำงาน อายุเจ้าหน้าที่ จำนวนยาในช่วงเวลานั้น ๆ สำหรับการ นำไปใช้ปฎิบัติงานจริง เป็นการนำผลที่ได้ไปปรับแก้ไขปัญหา ข้อเสนอแนะแนวทางในการใช้ Handheld scanner ไปสแกน Barcode บนกล่องยา จากนั้น สแกน QR CODE บนชั้นยา หากจับคู่กันถูกต้องให้สแกนบัตรพนักงาน ตนเองเพื่อบันทึกการจัดยา

Abstract: The purpose of this study was to fact finding the factors contributing medication error and Predicting the Medication Error via Machine Learning Model. The CRISP-DM methodology consists of six steps: Business understanding, Data Understanding, Data preparation, Modeling development using WEKA as a tool, Evaluation, Deployment. The result is after using fish bone diagram for root cause analysis. it was found that the error of the drug preparation (Pre-dispensing error) is caused by human error. The data collection choosing the most errors period of predispensing data in 2022 (1 month), with a total of 8,623 items of pharmacy outpatient department (OPD). Data preparing process including to grouping data and convert types from numeric to nominal. Forecast results the random tree model gives the highest predictive accuracy. It was 99.61%, compared with Logistic, SMO and Naive Bayes, the accuracy was 99.54%, 99.51% and 99.48%, respectively. working age of staff, the number of drugs which waiting for preparing at that time. For practical use, the result that has been used to solve the problem as a suggestion for using a handheld scanner to scan the barcode on the drug box, then scan the QR CODE on the drug shelf. If they are matched correctly, scan your employee card to record the drug arrangement

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2566

Modified: 2566-12-12

Issued: 2566-12-12

บทความ/Article

application/pdf

BibliograpyCitation : ใน วิศวกรรมศาสถานแห่งประเทศไทย ในประบรมราชูปถัมป์ และ ภาคีเครือข่ายการศึกษา. การประชุมวิชาการทางด้านวิศวกรรมศาสตร์ วิทยาศาสตร์ เทคโนโลยี และสถาปัตยกรรมศาสตร์ ครั้งที่ 14 ประจำปี 2023 (ESTACON 2023) (pp.577-583). กาฬสินธุ์ : มหาวิทยาลัยกาฬสินธุ์

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	ESTACON 14pp.577-583.pdf	346.52 KB	6	2025-08-27 21:05:21

ใช้เวลา

0.029842 วินาที