การทำนายการเกิดภาวะเมแทบอลิกซินโดรมในผู้รับบริการ ณ โรงพยาบาลศูนย์การแพทย์มหาวิทยาลัยแม่ฟ้าหลวงด้วยการเรียนรู้ของเครื่อง

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องสำหรับการทำนายภาวะเมแทบอลิกซินโดรม (Metabolic Syndrome; MetS) โดยไม่อาศัยการตรวจเลือด ในกลุ่มตัวอย่างผู้รับบริการโรงพยาบาลศูนย์การแพทย์มหาวิทยาลัยแม่ฟ้าหลวง อายุ 18–65 ปี จำนวน 29,499 ราย 192,121 ครั้งของการเข้ารับบริการ ณ โรงพยาบาล ซึ่งครอบคลุมขอบเขตการใช้ข้อมูลประชากรศาสตร์ (อายุ เพศ อาชีพ สถานภาพสมรส) และข้อมูลสรีรวิทยาพื้นฐาน (ดัชนีมวลกาย เส้นรอบเอว ความดันโลหิต) วิธีการศึกษาเป็นการสำรวจย้อนหลังแบบตัดขวาง (retrospective cross-sectional) โดยรวบรวมข้อมูลจากระบบเวชระเบียนอิเล็กทรอนิกส์ ตั้งแต่วันที่ 1 ธันวาคม พ.ศ. 2561 ถึงวันที่ 31 ธันวาคม พ.ศ. 2565 จากนั้นนำชุดข้อมูลทั้งหมดมาทำการแบ่งออกเป็นสองส่วน ได้แก่ ชุดข้อมูลสำหรับการฝึกสอนร้อยละ 70 และชุดข้อมูลสำหรับการทดสอบร้อยละ 30 ด้วยวิธีการสุ่มตัวอย่างอย่างง่าย ประยุกต์ใช้โมเดลการเรียนรู้ของเครื่องจำนวน 5 อัลกอริธึม ได้แก่ Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), Logistic Regression และ Extreme Gradient Boosting (XGBoost) โดยใช้ภาษาไพทอนในการดำเนินการ โดยแต่ละโมเดลจะถูกฝึกสอน (training) โดยใช้ข้อมูลชุดฝึกสอน และทดสอบประสิทธิภาพโดยใช้ชุดข้อมูลสำหรับทดสอบ การตรวจสอบความถูกต้องของโมเดลใช้วิธี 10-fold cross-validation และทำการปรับแต่งค่า hyperparameter ของแต่ละโมเดลด้วยวิธี grid search เพื่อหาค่าที่เหมาะสมที่สุด ประเมินประสิทธิภาพของแต่ละโมเดลบนชุดข้อมูลทดสอบ โดยใช้ตัวชี้วัด ได้แก่ ค่าความถูกต้องโดยรวม (Accuracy), ความแม่นยำเชิงบวก (Precision), ความไว (Recall), ค่า F1-score, และ พื้นที่ใต้โค้งลักษณะการทำงานของตัวรับ (ROC-AUC) ผลการศึกษาพบว่า กลุ่มตัวอย่างที่มีภาวะเมแทบอลิกซินโดรมมีความแตกต่างทางสถิติในหลายตัวแปรสำคัญ เมื่อเทียบกับกลุ่มที่ไม่มีภาวะเมแทบอลิกซินโดรม ได้แก่ น้ำหนัก อายุ ความดันโลหิตตัวบน ความดันโลหิตตัวล่าง เพศ และ สถานภาพการสมรส โดยโมเดล XGBoost มี recall สูงสุดที่ 0.88 สะท้อนถึงศักยภาพในการตรวจจับผู้ที่มีความเสี่ยงต่อภาวะเมแทบอลิกได้ดีที่สุด โมเดล RF มี accuracy สูงสุดที่ 0.89 precision สูงสุดที่ 0.41 f1-score สูงสุดที่ 0.51 ค่า ROC-AUC สูงสุดที่ 0.91 เท่ากับ ANN แต่มี recall ต่ำสุดที่ 0.68 ซึ่งแสดงถึงประสิทธิภาพสมดุลในเกือบทุกตัวชี้วัดเว้นแต่การตรวจจับผู้ที่มีความเสี่ยงต่อภาวะเมแทบอลิก โดยนำโมเดลกลุ่ม XGBoost จากงานวิจัยนี้ มาสร้าง web application ที่สามารถนำมาทดลองใช้คัดกรองประเมินความเสี่ยงภาวะ เมแทบอลิกซินโดรมกับข้อมูลสุขภาพในบริบทจริง