แพลตฟอร์มปัญญาประดิษฐ์บนฐานความรู้เชิงความหมายเพื่อการแนะนำ การดูแลรักษาโรคเรื้อรังของผู้สูงอายุ
คำสำคัญ:
แพลตฟอร์ม, ปัญญาประดิษฐ์ , ฐานความรู้เชิงความหมาย, โรคเรื้อรัง, ผู้สูงอายุบทคัดย่อ
ผู้สูงอายุเจ็บป่วยด้วยโรคเรื้อรังเพิ่มขึ้นจำนวนมาก รวมทั้งปัญญาประดิษฐ์ที่พัฒนาเพื่อดูแลสุขภาพ มักมุ่งเน้นในฝั่ง
การประมวลผลที่ทำนายได้เพียงผลลัพธ์เชิงจำแนกการเป็นโรค และความเสี่ยงต่อการเกิดโรค จึงนำไปสู่วัตถุประสงค์ของการวิจัย (1) เพื่อพัฒนาแพลตฟอร์มปัญญาประดิษฐ์บนฐานความรู้เชิงความหมาย เพื่อการแนะนำการดูแลรักษาโรคเรื้อรังของผู้สูงอายุ และ (2) เพื่อประเมินประสิทธิภาพของแพลตฟอร์มปัญญาประดิษฐ์บนฐานความรู้เชิงความหมายเพื่อการแนะนำการดูแลรักษาโรคเรื้อรังของผู้สูงอายุ ผลการพัฒนาแพลตฟอร์มปัญญาประดิษฐ์ แบ่งออกเป็น 5 ส่วน ได้แก่ ส่วนติดต่อผู้ใช้งานเพื่อนำเข้าค่าทางสุขภาพ อัลกอริทึมการเรียนรู้ของเครื่องในการจำแนกอาการความผิดปกติของโรคด้วยการฝึกสอนจากชุดข้อมูลออนไลน์เกี่ยวกับโรคหัวใจ และโรคหลอดเลือดสมอง ฐานความรู้ออนโทโลยีจำนวน 33 โหนด แบ่งเป็น 4 ชั้นความรู้ ฐานกฎเชิงความหมาย จำนวน 6 ส่วน และส่วนแสดงผลการแนะนำการดูแลสุขภาพตามผลการจำแนกอาการโรค การพัฒนาแพลตฟอร์มปัญญาประดิษฐ์ใช้เทคนิคการสร้างโมเดลการจำแนกโรคด้วยแมชชีนเลิร์นนิงที่เชื่อมประสานการประมวลผลกับฐานความรู้เชิงความหมายด้วยออนโทโลยีที่ผ่านการสกัดจากแพทย์ผู้เชี่ยวชาญ เพื่อสร้างคำแนะนำจากผลการทำนายที่เป็นอัตโนมัติจากข้อมูลภาวะสุขภาพที่ตรวจวัดจากเซนเซอร์ของอุปกรณ์ไอโอที อุปกรณ์การแพทย์ทั่วไปที่ส่งค่าแบบบลูทูธ และการนำเข้าผ่านหน้าจอโปรแกรม โดยแพลตฟอร์มปัญญาประดิษฐ์สามารถจำแนกอาการด้วยอัลกอริทึมต้นไม้การตัดสินใจ ได้ค่าความถูกต้องเฉลี่ยสูงสุด คิดเป็น 100% และการแนะนำข้อมูลการดูแลรักษาโรคด้วยฐานความรู้เชิงความหมาย สามารถให้ผลลัพธ์ได้อย่างถูกต้องคลอบคลุม โดยมีค่า F-measure เท่ากับ 92.3%
References
Ahmed, S., Ghada, K., & Mohamed, B. (2022). A unified ontology-based data integration approach for the internet of things. International Journal of Electrical and Computer Engineering; Yogyakarta, 12(2), 2097-2107. http://doi.org/10.11591/ijece.v12i2.pp2097-2107
Ahmad, G. N., Shafiullah; Fatima, H., Abbas, M., Rahman, O., Imdadullah, & Alqahtani, M. S. (2022). Mixed machine learning approach for efficient prediction of human heart disease by identifying the numerical and categorical features. Applied Sciences, 12(15), 7449. https://doi.org/10.3390/app12157449.
Agapito, G., Simeoni, M., Calabrese, B., Caré, I., Lamprinoudi, T., Guzzi, P. H., Pujia, A., Fuiano, G., & Cannataro, M. (2018). DIETOS: A dietary recommender system for chronic diseases monitoring and management. Computer Methods and Programs in Biomedicine, 153, 93–104. https://doi.org/10.1016/j.cmpb.2017.10.014
Archanupab, S. (2010). The common disease treatment: Diseases with caring, treating and preventing (2nd ed.). Bangkok: Holistic Publishing CO.,LTD. (in ThaI)
Ashfaq, Z., Mumtaz, R., Rafay, A., Zaidi, S. M. H., Saleem, H., Mumtaz, S., Shahid, A., Poorter, E. D., & Moerman, I. (2022). Embedded AI-Based Digi-Healthcare. Applied Sciences, 12(1), 519. https://doi.org/10.3390/app12010519.
Ayranci, P., Lai1, P., Phan, N., Hu, H., Kolinowski, A., Newman, D., & Dou, D. (2022). OnML: An ontology-based approach for interpretable machine learning. Journal of Combinatorial Optimization, 44, 770–793. https://doi.org/10.1007/s10878-022-00856-z
Bora, N., Gutta, S., & Hadaegh, A., (2022). Using machine learning to predict heart disease. Wseas Transactions on Biology and Biomedicine, 19, 1-9. doi: 10.37394/23208.2022.19.1
Boukhatem, C., Youssef, H. Y., & Nassif, A. B. (2022). Heart disease prediction using machine learning. 2022 advances in Science and Engineering Technology International Conferences (ASET) 21-24 February 2022 (pp. 1-6). Dubai: IEEE doi: 10.1109/ASET53988.2022.9734880
Janruang, J., Saejueng, E., Phonsri, W., T.Siriwattana, S., Karnka, S., Nareejun, K., Malasri, K., Suwannasopa, D., Loatong, P., & Sinumporn, S. (2022). Adding Potential of knowledge management and innovation to local economic development through digital platform for Rajamangala University of Technology Isan. EAU Heritage Journal Science and Technology, 16(2), 172–185. (in Thai)
Jupalle, H., Kouser, S., Bhatia, A., Alam, N., Nadikattu, R., Reddy, & Whig, P. (2022). Automation of human behaviors and its prediction using machine learning. Microsyst Technol, 28, 1879–1887. https://doi.org/10.1007/s00542-022-05326-4.
Larentis, A. V., Neto, E. G. D. A, Barbosa, J. L. V., Barbosa, D. N. F., Leithardt, V. R. Q., & Correia, S. D. (2021). Ontology-based reasoning for educational assistance in noncommunicable chronic diseases. Computers, 10(10), 1-23. https://doi.org/10.3390/computers10100128
Lamchom, R., & Saengai, A. (2022). The development of social media to health education for personnel in science and technology, Pibulsongkram Rajabhat University. EAU Heritage Journal Science and Technology, 16(1), 127–136. (in Thai)
Massari, H. E., Sabouri, Z., Mhammediand, S., & Gherabi, N., (2022). Diabetes prediction using machine learning algorithms and ontology, diabetes prediction using machine learning algorithms and ontology. Journal of ICT Standardization, 10(2). 319-338. https://doi.org/10.13052/jicts2245-800X.10212
Noh, Y. D., & Cho, K. C. (2022). Heart disease prediction using decision tree with Kaggle Dataset. Journal of the Korea Society of Computer and Information, 27(5), 21-28. https://doi.org/10.9708/jksci.2022.27.05.021
Office of the National Economic and Social Development Council (NESDC). (2021). Country reformation plan on public health. Bangkok: NESDC. (in Thai)
Samal, L., Fu, H. N., Camara, D. S., Wang, J., Bierman, A. S., & Dorr, D. A. (2021). Health information technology to improve care for people with multiple chronic conditions. Health services research, 56(Suppl 1), 1006–1036. https://doi.org/10.1111/1475-6773.13860
Sailasya, G., & Kumari, G. L. A. (2021). Analyzing the performance of stroke prediction using ML classification algorithms. International Journal of Advanced Computer Science and Applications (IJACSA), 12, 539–545. doi: 10.14569/IJACSA.2021.0120662
Shashwith, P., Prasad, B. S., Reddy, S. K., Krishna, N. A., & Ramesh, K. (2022). Heart disease prediction by using machine learning algorithms. International Research Journal of Modernization in Engineering Technology and Science, 4(6), 3434-3437. https://citly.me/OYay7
Siłka, J., Wieczorek, M., & Woźniak, M. (2022). Recurrent neural network model for high-speed train vibration prediction from time series. Neural Comput & Applic, 34, 13305–13318. https://doi.org/10.1007/s00521-022-06949-4
Sittijuk, P., Sanchana, W., Market, K., & Thanadechopol, T. (2019). Portable intelligent telemedicine representative to support measurement and advice on health care for bedridden patients in chronic non-communicable diseases. Nonthaburi: Health Systems Research Institute. (in Thai)
Sodaprom, D., & Wannaratvigit, C. (2021). Factors in fluencing preventive behaviors for cerebrovascular disease among elderly risk group in the Aranyik Town Municipality, Mueang Phitsanulok District, Phitsanulok Province. The Journal of Prapokklao Nursing College, 32(2), 98–111. (in Thai)
Spoladore, D., Colombo, V., Arlati, S., Mahroo, A., Trombetta, A., & Sacco, M. (2022). An ontology-based framework for a telehealthcare system to foster healthy nutrition and active lifestyle in older adults. Electronics, 10(17), 2129. https://doi.org/10.3390/electronics10172129
Tanhan, P. (2016). Mobile phone application development for older adults. EAU Heritage Journal Science and Technology, 10(3), 55–62. (in Thai)
World Health Organization. (2021). World health statistics 2021: Monitoring health for the SDGs, sustainable development goals. Switzerland: World Health Organization
Yilmaz, R., & Yagın, F. H., (2022). Early detection of coronary heart disease based on machine learning methods. Medical records-international medical journal, 1(4), 1-6. doi: 10.37990/medr.1011924