การใช้ตัวแบบของเครื่องจักรเรียนรู้เพื่อทำนายความล้มเหลวในการรักษาภาวะลำไส้กลืนกันแบบไม่ผ่าตัด

Machine learning model aid prediction for failed nonoperative reduction of intussusception

Name: พิทยาธร รินแก้วงาม

ThaSH: ลำไส้กลืนกัน

ThaSH: การเรียนรู้ของเครื่อง

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%

Abstract: This independent research brings together knowledge between data science and medicine. The two main objectives are 1.) to study the use of machine models to predict medical data, and 2.) to study the effectiveness of using algorithms to increase the amount of medical data without biasing the data to a specific point. Currently, factors predicting failure in non-surgical treatment of swallowing bowel syndrome have been studied to assess the risk and potential errors associated with treatment. The study of non-surgical gut swallowing found that there were more likely factors associated with predictive failure to treat non-surgical swallowing bowel syndrome, and there were some unique features of continuous numerical data that were difficult to calculate by hand. Machine learning models need to be studied to help predict failure in non-surgical treatment of swallowing bowel syndrome. The results of the study found that prediction with Non-Oversampling The best model was Logistic Regression, with an accuracy of 80% and a sensitivity of 86%. The model performs significantly better. The method of Oversampling that gives the model the best overall performance is K-means SMOTE, and the prediction model that gives the most accuracy is Decision Tree. When applying the machine learning model and the method of Oversampling, The model that gave the highest accuracy was Decision Tree with SMOTE-NC Oversampling and Decision Tree with K-means SMOTE Oversampling with an accuracy of 94%, and the model with the highest sensitivity was Support Vector Machine with Non-Oversampling that gives a sensitivity of 100%

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: วาริน เชาวทัต

Role: อาจารย์ที่ปรึกษา

Name: จิราภรณ์ โกรานา

Role: อาจารย์ที่ปรึกษา

Created: 2566

Modified: 2567-01-13

Issued: 2567-01-11

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการข้อมูล

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	610632080.pdf	3.42 MB	2	2025-01-22 08:50:44

ใช้เวลา

0.021045 วินาที