ตัวแบบพยากรณ์และปัจจัยเสี่ยงที่จะเกิดเบาหวานจอประสาทตาขั้นคุกคามต่อการมองเห็น: กรณีศึกษาโรงพยาบาลนครปฐม
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบพยากรณ์ภาวะการเกิดโรคเบาหวานที่จอประสาทตาในขั้นคุกคามต่อการมองเห็นของผู้ป่วยเบาหวาน ซึ่งผลลัพธ์ของการพยากรณ์จะถูกใช้เป็นข้อมูลเพิ่มเติมในกระบวนการคัดกรองและป้องกันในผู้ป่วยเบาหวานทั้งหมดเพื่อที่จะสามารถทำการเฝ้าระวัง แทรกแซงปรับเปลี่ยนพฤติกรรมของผู้ป่วยและให้การรักษาอย่างเข้มข้นทันท่วงที เพื่อให้ผู้ป่วยมีคุณภาพการมองเห็นและมีคุณภาพชีวิตที่ดีอยู่ได้ในระยะยาว ตัวแบบพยากรณ์จะใช้เทคนิคหลักสองเทคนิคได้แก่ Logistic Regression และ Probabilistic Neural Network เนื่องจากถูกใช้อย่างแพร่หลายในการพยากรณ์ตัวแปรตามในลักษณะของการแบ่งกลุ่ม ข้อมูลที่ใช้ในการพัฒนาตัวแบบรวบรวมจากข้อมูลผู้ป่วยโรงพยาบาลนครปฐมประกอบไปด้วยตัวแปรอิสระ 18 ตัวแปร ในระยะเวลา 6 เดือนล่าสุด โดยตัดข้อมูลที่ไม่ครบถ้วนและผิดปกติออก มีจำนวนรวมทั้งสิ้น 355 คน ประกอบไปด้วยผู้ป่วยที่ยังไม่เป็นโรคเบาหวานจอประสาทตาในขั้นคุกคามต่อการมองเห็นจำนวน 124 คน และเป็นโรคเบาหวานจอประสาทตาในขั้นคุกคามต่อการมองเห็นจำนวน 231 คน โดยมีการแบ่งข้อมูลออกเป็นสองชุดได้แก่ชุดที่พัฒนาตัวแบบ (in sample test) จำนวน 90% และชุดสำหรับทดสอบความแม่นยำของตัวแบบ (out of sample test) จำนวน 10% โดยมีสัดส่วนของการเกิดโรคใกล้เคียงกันผลการศึกษาพบว่าตัวแบบ logistic regression มีความแม่นยำโดยรวม 69.01% ในขณะที่ตัวแบบ probabilistic neural network มีความแม่นยำโดยรวม 96.90% โดยทั้งสองตัวแบบมีความสามารถจะพยากรณ์การเกิดภาวะ VTDR ในผู้ป่วยได้แม่นยำกว่าการพยากรณ์การไม่เกิดภาวะ VTDR ส่วนในด้านปัจจัยสำคัญที่เป็นสาเหตุได้แก่ เพศ อายุ cholesterol hematocrit creatinine HDL-cholesterol และ body mass index
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Wanyue Li, Yanan Song, Kang Chen, Jun Ying, Zhong Zheng, Shen Qiao,et al.Predictive model and risk analysis for diabetic retinopathy using machine learning: A retrospective cohort study in China. BMJ Open 2021; 11: e050989.
Ashish Bora, Siva Balasubramanian, Boris Babenko, Sunny Virmani, Subhashini Venugopalan, Akinori Mitani,et al. Predicting the risk of developing diabetic retinopathy using deep learning. The Lancet Digit Health 2021; 3: e10-19.
Hair et al (2006). Multivariate Data Analysis. Sixth Edition. Prentice Hall.
Specht, D. F. Probabilistic neural networks. Neural Networks. 1990; 3: 109-18
Berno E, Brambilla L, Canaparo R, Casale F, Costa M, Della Pepa C, et al. Application of probabilistic neural networks to population pharmacokineties. Proceedings of the International Joint Conference on Neural Networks 2003: 2637-42.
Fernandez-Gamez M.A, Cisneros-Ruiz A.J., Callejon-Gil A. Apply a Probabilistic Neural Network to Hotel Bankruptcy Prediction. Tourism & Management Studies. 2016; 12(1): 40-52.
Huang Chenn-Jung, Liao Wei-Chen. Application of Probabilistic Neural Networks to the Class Prediction of Leukemia and Embryonal Tumor of Central Nervous System. Neural Processing Letters. 2004; 19(3): 211-26.
17. Li, Q. B., Li, X., Zhang, G. J., Xu, Y. Z., Wu, J. G., Sun, X. J. Application of Probabilistic Neural Networks Method to Gastric Endoscope Samples Diagnosis Based on FTIR Spectroscopy. Spectroscopy and Spectral Analysis 2009; 29: 1553-7
