การวินิจฉัยภาวะความเสี่ยงในการเสียชีวิตจากโรคหัวใจล้มเหลวด้วยวิธีการค้นหา เพื่อนบ้านใกล้ที่สุด

นางสาวมุทิตา บุตรลม

สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏอุดรธานี

นางสาวอริษา ขุนนนท์

สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏอุดรธานี

ผู้ช่วยศาสตราจารย์วิไลพร กุลตังวัฒนา

สาขาวิชาวิทยาการคอมพิวเตอร์และเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏอุดรธานี

คำสำคัญ

อัลกอริทึมเพื่อนบ้านใกล้ที่สุด, โรคหัวใจล้มเหลว, การจำแนก, เหมืองข้อมูล

บทคัดย่อ

งานวิจัยนี้เสนอระบบการวินิจฉัยภาวะความเสี่ยงในการ เสียชีวิตจากโรคหัวใจล้มเหลวด้วยวิธีการค้นหาเพื่อนบ้านใกล้ที่สุด โดย พิจารณาจากคุณลักษณะจาก อายุ,โรคหิตจาง,ระดับของเอนไซม์ในเลือด, โรคเบาหวาน,ร้อยละของเลือดที่ออกจากหัวใจ,ความดันโลหิตสูง,เกล็ด เลือด,ระดับครีเอตินีนในเลือด,ระดับโซเดียมในเลือด,เพศ,การสูบบุหรี่,เวลา ที่ซึ่งมีจำนวน 12 คุณลักษณะเด่น โดยคุณลักษณะเด่นทั้งหมดจะเป็นข้อมูลเข้าสำหรับวิธีการเพื่อนบ้านที่ใกล้เคียงที่สุดจำนวน K ตัว (K-Nearest Neighbor) เพื่อการฝึกและการทดสอบ โดยจำแนกข้อมูลออกเป็น เสี่ยง และไม่เสี่ยง การทดสอบประสิทธิภาพของระบบการวินิจฉัยภาวะความเสี่ยงในการเสียชีวิตจากโรคหัวใจล้มเหลวจากวิธีการเพื่อนบ้านใกล้ที่สุด ทดสอบด้วยวิธี 10-fold Cross validation จากผลการทดลองพบว่าระบบสามารถวิเคราะห์การวินิจฉัยภาวะความเสี่ยงในการเสียชีวิตจากโรคหัวใจล้มเหลวมีความถูกต้องอยู่ที่ 83.17% จากผลงานวิจัยนี้เชื่อว่าวิธีการที่นำเสนอสามารถเป็นเครื่องมือในการวินิจฉัยความเสี่ยงในการเสียชีวิตจากโรคหัวใจอย่างมีประสิทธิภาพ

reference

[1] โรงพยาบาลเพชรเวช. (2563). เหนื่อย หายใจหอบ เท้าบวม สัญญาณเตือนภาวะหัวใจ ล้มเหลว. สืบค้นจาก https://www.petcharavejhospital.com/th/Article/article_ detail/Heart-Failure.
[2] ฑิตถา อริยปรีชากุล. (2562). ภาวะหัวใจล้มเหลว เกิดขึ้นได้แม้ร่างกายจะดูแข็งแรง. สืบค้นจาก https://www.sukumvithospital.com/healthcontent.php?id=3341.
[3] สมาคมโปรแกรมเมอร์ไทย. (2563). การเรียนรู้ของเครื่อง (Machine Learning) สืบค้นเมื่อ 4 มกราคม 2565. จาก https://www.thaiprogrammer.org/.
[4] เอกสิทธิ พัชรวงศ์ศักดา. (2558). การแบ่งข้อมูลเพื่อนำมาทดสอบประสิทธิภาพของโมเดล. สืบค้น จาก https://datarockie.com/blog/k-fold-cross-validation/.
[5] SKLSONGKIAT. (2559). ทำไมต้องใช้ K-Nearest Neighbor (K-NN). สืบค้นจาก https://www.sklsongkiat.com/articles/detail/ทำไมต้องใช้-k-nearest-neighbor-k-nn. [6] Kong Ruksiam. (2563). สรุป Machine Learning(EP.4) —การคำนวณเพื่อนบ้านใกล้สุด (K-nearest Neighbors). สืบค้นจาก https://kongruksiam.medium.com/สรุป-machine-learning-ep-4-เพื่อนบ้านใกล้ที่สุด-k-nearest-neighbors-787665f7c09d.
[7] __. (2563). การเรียนรู้ของเครื่อง. สืบค้น จาก https://th.wikipedia.org/wiki/ การเรียนรู้ของเครื่อง.
[8] ธาราพิทักษ์วงศ์, จิตราภรณ์. (2560). การใช้ K-Nearest Neighbor Algorithm เพื่อสร้างโมเดลการจำแนกรูปแบบการเรียนรู้สำหรับทำนายผลการจัดระดับมาตรฐานผลิตภัณฑ์ OTOP หัตถกรรม กลุ่มไม้. มหาวิทยาลัยราชภัฏเชียงใหม่.
[9] พงศกร ธีรรัศมี. (2558). วิธีการหาค่า เค ที่เหมาะสมในการจำแนกแบบเคเนียร์เรสเนเบอร์กับข้อมูลทางการแพทย์. วิทยานิพนธ์นี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิศวกรรมศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเทคโนโลยีสุรนารี.
[10] ธวัช รวมทรัพย์ และ สุรศักดิ์ มังสิงห์. (2559). การจําแนกชนิดของพืชด้วยวิธีเพื่อนบ้านใกล้สุดร่วมกับการเลือกตัวแทนที่เหมาะสมด้วยขั้นตอนวิธีเชิงพันธุกรรมโดยใช้คุณลักษณะรูปทรงและพื้นผิวของใบพืช. (ปรัชญาดุษฎีบัณฑิต). สาขาวิชาเทคโนโลยีสารสนเทศ คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยศรีปทุม.

ดาวน์โหลด PDF