การเปรียบเทียบรายได้รายวันของโรงพยาบาลแห่งหนึ่ง โดยใช้การเรียนรู้ของเครื่องและตัวแบบอารีมา
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้ศึกษาเกี่ยวกับการเปรียบเทียบรายได้รายวันของโรงพยาบาลแห่งหนึ่งในช่วงสถานการณ์การเกิดโรคระบาด โดยใช้การเรียนรู้ของเครื่องและตัวแบบอารีมา ด้วยโปรแกรม Tableau Desktop ที่ใช้ในการสร้างรายงานข้อมูลและโปรแกรม R studio ที่ใช้ในการวิเคราะห์ข้อมูล โดยศึกษาข้อมูลเป็นรายวันของโรงพยาบาลเอกชนขนาดใหญ่แห่งหนึ่งในจังหวัดกรุงเทพมหานคร ฝั่งตะวันตก แบ่งข้อมูลเป็น 2 ช่วงเวลา คือ 1.ช่วงสถานการณ์ปกติ อยู่ในช่วงปี 2559 ถึง 2562 รวมกับปีที่เกิดวิกฤตปี 2564 และ 2.ช่วงสถานการณ์ผิดปกติ การเกิดโรคระบาดโคโรนาไวรัส อยู่ในช่วงปี 2563 ถึง 2564 โดยใช้ตัวแบบวิธีการเรียนรู้ของเครื่อง 6 วิธี คือ ตัวแบบการถดถอยเชิงเส้นอย่างง่าย, ตัวแบบการถดถอยเชิงพหุคูณ, ตัวแบบการถดถอยโพลิโนเมียล, ตัวแบบซัพพอร์ตเวกเตอร์รีเกรสชัน, ตัวแบบต้นไม้ตัดสินใจแบบรีเกรสชันและตัวแบบการถดถอยป่าแบบสุ่ม ทั้งสองช่วงเวลาของตัวแบบวิธีการเรียนรู้ของเครื่องได้ทำการแบ่งข้อมูลสำหรับฝึกสอนกับข้อมูลสำหรับทดสอบในอัตราส่วน 80:20 นำมาเปรียบเทียบกับตัวแบบวิธีอารีมา โดยที่ตัวแบบอารีมาในช่วงสถานการณ์ปกติ ทำการแบ่งข้อมูลสำหรับฝึกสอนเป็นปี 2559 ถึง 2562 กับข้อมูลสำหรับทดสอบเป็นปี 2564 และช่วงสถานการณ์ผิดปกติ การเกิดโรคระบาดโคโรนาไวรัส ทำการแบ่งข้อมูลสำหรับฝึกสอนเป็นปี 2563 กับข้อมูลสำหรับทดสอบเป็นปี 2564 สถิติที่ใช้ในการวัดประสิทธิภาพและความถูกต้องของตัวแบบ พิจารณาจากค่าเฉลี่ยของค่าสัมบูรณ์เปอร์เซ็นต์ความคลาดเคลื่อน (MAPE) และค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (MSE) ของตัวแบบที่ให้ค่า MAPE กับ MSE ต่ำที่สุด ผลของงานวิจัยพบว่าวิธีการเรียนรู้ของเครื่องที่มีตัวแปรอิสระมาเกี่ยวข้องนั้นมีความผิดพลาดของตัวแบบการพยากรณ์ที่ต่ำกว่าวิธีตัวแบบอารีมาที่ไม่มีตัวแปรอิสระมาเกี่ยวข้อง ทั้งในช่วงสถานการณ์ปกติและช่วงสถานการณ์ผิดปกติ การเกิดโรคระบาดโคโรนาไวรัส การที่มีตัวแปรอิสระเข้ามาเกี่ยวข้องนั้นส่งผลอย่างมากต่อการลดความผิดพลาดของตัวแบบที่ใช้ในการพยากรณ์และสามารถจัดกลุ่มของวันแต่ละวันได้ดังนี้ วันจันทร์และวันพุธ ตัวแบบที่เหมาะสมที่มีประสิทธิภาพในการพยากรณ์คือตัวแบบการถดถอยเชิงพหุคูณในช่วงสถานการณ์ผิดปกติ การเกิดโรคระบาดโคโรนาไวรัส ให้ค่า MAPE(MSE) ต่ำสุดเท่ากับร้อยละ 0.00161 (3.60E-09 ล้านบาท2) และร้อยละ 8.13E-15 (1.10E-31 ล้านบาท2) ตามลำดับ วันอังคาร วันพฤหัสบดี และวันศุกร์ ตัวแบบที่เหมาะสมที่มีประสิทธิภาพในการพยากรณ์คือตัวแบบการถดถอยป่าแบบสุ่มในช่วงสถานการณ์ปกติ ให้ค่า MAPE(MSE) ต่ำสุดเท่ากับร้อยละ 5.04484 (0.04521 ล้านบาท2) ร้อยละ 3.17105 (0.00979 ล้านบาท2) และร้อยละ 4.78181 (0.02949 ล้านบาท2) ตามลำดับ วันเสาร์และวันอาทิตย์ ตัวแบบที่เหมาะสมที่มีประสิทธิภาพในการพยากรณ์คือตัวแบบการถดถอยป่าแบบสุ่มในช่วงสถานการณ์ผิดปกติ การเกิดโรคระบาดโคโรนาไวรัส ให้ค่า MAPE(MSE) ต่ำสุดเท่ากับร้อยละ 6.76110 (0.05932 ล้านบาท2) และร้อยละ 4.51761 (0.02101 ล้านบาท2) ตามลำดับ เมื่อเกิดวิกฤตโรคระบาดอีกครั้งในอนาคต สามารถนำตัวแบบการพยากรณ์ที่เหมาะสมในแต่ละวันที่ได้จากงานวิจัยในครั้งนี้มาใช้เป็นตัวแบบตั้งต้นในการพยากรณ์รายได้รายวันของโรงพยาบาลและทำให้กลยุทธ์สามารถดำเนินต่อไปได้แม้จะอยู่ในสถานการณ์ที่วิกฤตก็ตาม
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของลิขสิทธิ์ (สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์) ผู้เขียน ตกลงว่าการทำสำเนาบทความหรือส่วนใดส่วนหนึ่งของบทความดังกล่าวในรูปแบบสิ่งพิมพ์หรืออิเล็กทรอนิกส์ตามที่ได้รับอนุญาต จะต้องระบุประกาศลิขสิทธิ์ตามที่กำหนดไว้ในวารสาร พร้อมทั้งอ้างอิงข้อมูลฉบับสมบูรณ์ของบทความที่ตีพิมพ์ในวารสารที่จัดทำโดย สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ อย่างครบถ้วนทุกครั้ง
References
Our World in Data and JHU CSSE COVID-19 Data. COVID19 [Internet]. 2022
[Update 2022; cited 2022 Mar 9]. Available from:
https://news.google.com/covid19/map?hl=th&gl=TH&ceid=TH%3Ath.
โรคติดเชื้อไวรัสโคโรนา 2019 [Internet]. 2565 [แก้ไขล่าสุด 2565; สืบค้นวันที่ 2565
มีนาคม 9]. Available from: https://th.wikipedia.org/wiki/โรคติดเชื้อไวรัสโคโร-
นา-2019.
พนิดา กาศกลางดอน, โสภณ มงคลลักษมี, ศิริสรรพ เหล่าหะเกียรติ, รัตน์ชัยนันท์ ธรรมสุจริต.
การวิเคราะห์ประสบการณ์จากการใช้บริการโรงพยาบาลในประเทศไทย จากความคิดเห็น
ของผู้ใช้บริการ. การประชุมวิชาการ วิทยาการข้อมูลครั้งที่ 1; 2564;
มหาวิทยาลัยศรีนครินทรวิโรฒ. กรุงเทพมหานคร: หน้า 48-60.
รัชนีวรรณ ไพศาลวรเกียรติ. การเปรียบเทียบตัวแบบการถดถอยลอจิสติกและเทคนิค
เหมืองข้อมูลสำหรับพยากรณ์การเป็นโรคเบาหวาน. (วิทยานิพนธ์ปริญญามหาบัณฑิต).
ภาควิชาคณิตศาสตร์. คณะวิทยาศาสตร์. พิษณุโลก: มหาวิทยาลัยนเรศวร; 2564.
อัจฉราภรณ์ สุขเพิ่ม. แบบจำลองการวินิจฉัยอัตโนมัติสำหรับความเสี่ยงต่อการเกิดลิ่มเลือดอุด
ตันในหลอดเลือดดำตามอาการโดยอาศัยการเรียนรู้ของเครื่อง. การประชุมวิชาการ วิทยาการ
ข้อมูลครั้งที่ 1; 2564; มหาวิทยาลัยศรีนครินทรวิโรฒ. กรุงเทพมหานคร: หน้า 21-24.
อรุณรักษ์ ตันพานิช, ดุษณี ศุภวรรธนะกุล, พิเชฐ บัญญัติ และจรูญ จันแทน. การเปรียบเทียบ
โมเดลการเรียนรู้ของเครื่องสำหรับคัดกรองผู้ป่วยโรคเบาหวานที่มีภาวะชาปลายเท้า. การ
ประชุมหาดใหญ่วิชาการระดับชาติและนานาชาติครั้งที่ 10; 12 กรกฎาคม 2562;
มหาวิทยาลัยหาดใหญ่. สงขลา: หน้า 736-49.
Hema SRR, Giuseppe V, Mirko M, Nadia A, Vassilios F. Comparison of
Conventional Statistical Methods with Machine Learning in Medicine: Diagnosis,
Drug Development, and Treatment. Medicina Journal. 2020;56:455+.
doi:10.3390/medicina56090455.
Ching-Yen K, Liang-Chin Y, Hou-Chaung C, Chien-Lung C. Comparison of Models
for the Prediction of Medical Costs of Spinal Fusion in Taiwan Diagnosis-
Related Groups by Machine Learning Algorithms. Healthcare Informatics
Research. 2018;24(1):29-37. doi:10.4258/hir.2018.24.1.29.