แบบจำลองการทำนายความเสี่ยงของโรคหลอดเลือดในสมองด้วยอัลกอริทึม Ant-Miner
คำสำคัญ:
แบบจำลองการทำนาย, โรคหลอดเลือดในสมอง, อัลกอริทึม Ant-Minerบทคัดย่อ
ปัจจุบันโรคหลอดเลือดในสมองเป็นสาเหตุสำคัญของการเสียชีวิตและสร้างความพิการของคนทั่วโลก ส่งผลกระทบต่อระบบสาธารณสุขอย่างมาก การตรวจวินิจฉัยคัดกรองและพบความเสี่ยงในระยะเริ่มแรกที่ถูกต้อง มีความสำคัญอย่างมากในการป้องกันโรคและการรักษาโรคที่มีประสิทธิภาพ การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อวิเคราะห์ข้อมูลปัจจัยเสี่ยงทางการแพทย์ของโรคหลอดเลือดในสมองจากฐานข้อมูลด้านการแพทย์สากล คัดแยกปัจจัยเสี่ยงของโรคหลอดเลือดในสมองที่เป็นประโยชน์ต่อการวินิจฉัยคัดกรองการเกิดโรค และนำมาสร้างแบบจำลองสำหรับการวินิจฉัยโรคหลอดเลือดในสมองด้วยเทคนิคการทำเหมืองข้อมูล ใช้ข้อมูลจากฐานข้อมูล "Stroke Prediction Dataset" ประกอบด้วยข้อมูลผู้ป่วย 5,110 ราย มีคุณลักษณะปัจจัยเสี่ยงทางคลินิก 11 ประการ ใช้สถิติการถดถอยโลจิสติกแบบพหุตัวแปรเพื่อระบุคุณลักษณะปัจจัยเสี่ยงที่สำคัญ และใช้อัลกอริทึม Ant-Miner ที่เลียนแบบพฤติกรรมค้นหาเส้นทางการหาอาหารของมด มาพัฒนาสร้างแบบจำลองการวินิจฉัยโรคหลอดเลือดในสมอง ใช้วิธี 5-fold cross-validation เพื่อประเมินประสิทธิภาพของแบบจำลอง และเปรียบเทียบกับเทคนิคการเรียนรู้ของเครื่องแบบอื่นๆ ได้แก่ decision trees และ random forest ผลการศึกษาพบว่า คุณลักษณะของปัจจัยเสี่ยงที่สำคัญที่สุดของโรคหลอดเลือดในสมอง ได้แก่ อายุมากกว่า 65 ปี (OR = 3.72, ความเชื่อมั่นร้อยละ 95 = 2.86-4.84) ความดันโลหิตสูง (OR = 2.98, ความเชื่อมั่นร้อยละ 95 = 2.31-3.84) โรคหัวใจ (OR = 2.75, ความเชื่อมั่นร้อยละ 95 = 2.07-3.66) และระดับน้ำตาลในเลือดสูง (OR = 2.45, ความเชื่อมั่นร้อยละ 95 = 1.89-3.17 สำหรับ >150 mg/dL) แบบจำลองการวินิจฉัยโรคหลอดเลือดในสมองที่พัฒนาด้วยอัลกอริทึม Ant-Miner แสดงประสิทธิภาพที่โดดเด่นในการจัดการข้อมูลทางการแพทย์ที่ไม่สมดุล โดยสร้างกฎทางคลินิกที่ตีความได้ง่าย ซึ่งมีคุณค่าต่อการตัดสินใจทางคลินิก แบบจำลองนี้มีความถูกต้องร้อยละ 98.24 ความแม่นยำร้อยละ 92.00 ความไวร้อยละ 90.20 และค่า F1-score ร้อยละ 91.09 กฎที่อธิบายได้ชัดเจนเหล่านี้ เช่น "หากอายุ >65 ปี มีระดับน้ำตาลเฉลี่ย >150 mg/dL มีความดันโลหิตสูง จะมีความเสี่ยงต่อโรคหลอดเลือดสมอง 27.12 เท่า สามารถนำไปประยุกต์ใช้ในการวินิจฉัยโรคหลอดเลือดในสมองในสถานการณ์จริงได้ โดยสรุปแบบจำลองด้วยอัลกอริทึม Ant-Miner ในรูปของกฎสามารถระบุปัจจัยเสี่ยงและกฎการวินิจฉัยอย่างง่ายที่ช่วยในการตรวจพบและป้องกันโรคหลอดเลือดในสมองในระยะเริ่มต้น เป็นส่วนสนับสนุนการตัดสินใจทางคลินิกผ่านนวัตกรรมการทำเหมืองข้อมูลนี้ ควรมีการค้นคว้าเพิ่มเติมเพื่อเพิ่มประสิทธิภาพของแบบจำลองในกลุ่มโรคของประชากรที่หลากหลาย นำไปประยุกต์ใช้ทางคลินิกและการสาธารณสุขด้านอื่นๆ การใช้แบบจำลองนี้รวมกับระบบบันทึกสุขภาพอิเล็กทรอนิกส์ การพัฒนาแอปพลิเคชันที่ใช้งานง่ายสำหรับบุคลากรทางการแพทย์ อาจเป็นการช่วยเพิ่มประสิทธิภาพในการประเมินและจัดการความเสี่ยงของโรคหลอดเลือดในสมองได้อย่างมีนัยสำคัญ
เอกสารอ้างอิง
American Stroke Association [Internet]. Types of stroke and treatment; [cited 2024 Apr 11]. Available from: https://www.stroke.org/en/about-stroke/types-of-stroke.
World Health Organization [Internet]. Cardiovascular diseases (CVDs); [cited 2024 Apr 12]. Available from: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds).
International Health Policy Program, Ministry of Public Health. Disability-adjusted life years DALYs 2019. Bangkok: Handy Press; 2023. (in Thai)
Durairaj M, Ranjani VA. Data mining applications in healthcare sector: a study. Int J Sci Technol Res 2013;2(10):29-35.
Parpinelli AA, Lopes HS, Freitas AA. Data mining with an ant colony optimization algorithm. IEEE Trans Evol Comput 2002;6(4):321-32. doi:10.1109/TEVC.2002.802452.
Soriano F. Stroke prediction dataset [Internet]; [cited 2024 Apr 13]. Available from: https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset.
Han J, Kamber M, Pei J. Data mining concepts and techniques. 3rd ed. Massachusetts: Morgan Kaufmann; 2012.
Witten IH, Frank E, Hall MA, et al. Data mining practical machine learning tools and techniques. 4th ed. Massachusetts: Morgan Kaufmann; 2016.
Kankhajane C. Accuracy assessment remote sensing technical note no. 3 [Internet]; Faculty of Forestry, Kasetsart University; 2018 [cited 2024 May 13]. Available from: https://forest-admin.forest.ku.ac.th/304xxx/?q=system/files/book/3%282018%29%20Accuracy%20Assessment.pdf. [in Thai]
Hartshorn S. Machine learning with random forests and decision trees: a visual guide for beginners. Amazon Kindle; 2016.
Pacharawongsakda E. An introduction to data mining techniques. 2nd ed. Bangkok: ASIA Digital PRESS; 2014.
Fernandez A, Garcia S, Herrera F, et al. SMOTE for learning from imbalanced data: progress and challenges, marking the 15-year anniversary. J Artif Intell Res 2018;61:863-905. doi:10.1613/jair.1.11192.
Wang S, Liu W, Wu J, et al. Training deep neural networks on imbalanced data sets. In: 2016 International Joint Conference on Neural Networks (IJCNN); 2016 Jul 24-29; Vancouver, BC, Canada. IEEE; 2016;4368-74. doi:10.1109/IJCNN.2016.7727770.
Wang Y, Xingquan Z, Yong J, et al. Prevalence, knowledge, and treatment of transient ischemic attacks in China. Neurology 2015;84(23):2354-61. doi:10.1212/WNL.0000000000001665.
Boehme AK, Esenwa C, Elkind MS. Stroke risk factors, genetics, and prevention. Circ Res 2017;120(3):472-95. doi:10.1161/CIRCRESAHA.116.308398.
Suwanwela NC. Stroke epidemiology in Thailand. J Stroke 2014;11-7. (In Thai)
Zheng Y, Ley SH, Hu FB. Global etiology and epidemiology of type 2 diabetes mellitus and its complications. Nat Rev Endocrinol 2018;14(2):88-98. doi:10.1038/nrendo.2017.151.
Shen L, Chen H, Yu Z, et al. Evolving support vector machines using fruit fly optimization for medical data classification. Knowl Based Syst 2016;96:61-75. doi:10.1016/j.knosys.2016.01.002.
Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat Mach Intell 2019;1(5):206-15. doi:10.1038/s42256-019-0048-x.
Molnar C, Casalicchio G, Bischl B. Interpretable machine learning – a brief history, state-of-the-art and challenges. In: Koprinska I, et al., editors. ECML PKDD 2020 Workshops. Cham: Springer; 2020. p. 417–31. (Communications in Computer and Information Science; vol. 1323). doi:10.1007/978-3-030-65965-3_28.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
Chawla NV, Bowyer KW, Hall LO, et al. SMOTE synthetic minority over-sampling technique. J Artif Intell Res 2002;16:321-57. doi:10.1613/jair.953.
Johnson JM, Khoshgoftaar TM. Survey on deep learning with class imbalance. J Big Data 2019;6(27):1-54. doi:10.1186/s40537-019-0192-5.
Liu L, Chen W, Zhou H, et al. Chinese Stroke Association guidelines for clinical management of cerebrovascular disorders executive summary and 2019 update of clinical management of ischemic cerebrovascular diseases. Stroke Vasc Neurol 2020;5(2):159-76. doi:10.1136/svn-2020-000378.
Zhang C, Liu C, Zhang X, et al. An up-to-date comparison of state-of-the-art classification algorithms. Expert Syst Appl 2017;82:128-50. doi:10.1016/j.eswa.2017.04.003.
Domingos P. A few useful things to know about machine learning. Commun ACM 2012;55(10):78-87. doi:10.1145/2347736.2347755.
Khosla A, Cao Y, Lin CCY, et al. An integrated machine learning approach to stroke prediction. In: Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '10). New York (NY): Association for Computing Machinery; 2010. p. 183–92. doi:10.1145/1835804.1835830.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารการแพทย์และวิทยาศาสตร์สุขภาพ
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
