กฎการจำแนกภาวะไตวายเรื้อรังจากผู้ป่วยโรคเบาหวานด้วยเทคนิคการทำเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างและเปรียบเทียบประสิทธิภาพของแบบจำลองของภาวะไตวายเรื้อรังจากผู้ป่วยโรคเบาหวาน ข้อมูลผู้ป่วยถูกรวบรวมจากฐานข้อมูลโรงพยาบาลภูเวียง อำเภอภูเวียง จังหวัดขอนแก่น จากวันที่ 1 มกราคม 2562 ถึง 31 ธันวาคม 2564 จำนวน 3,225 ระเบียน ผู้วิจัยคัดเลือกปัจจัยที่เกี่ยวข้องกับการพยากรณ์สำหรับการสร้างแบบจำลองด้วยวิธี Gain Ratio และ SMOTE จากนั้นนำเทคนิค RIPPER เทคนิค PART Decision List เทคนิคนาอีฟ เบย์ และเทคนิคฟูเรีย มาทำการสร้างแบบจำลองเพื่อพยากรณ์ภาวะไตวายเรื้อรังจากผู้ป่วยโรคเบาหวาน ในการทดลองนี้ 10-Fold Cross Validation ได้ถูกนำมาใช้ในการแบ่งกลุ่มข้อมูลเป็นชุดข้อมูลและประเมินแบบจำลอง เปรียบเทียบประสิทธิภาพด้วยค่าความถูกต้อง ค่าความไว และค่าความจำเพาะ ผลการวิจัยพบว่าเทคนิคฟูเรียที่ใช้ข้อมูลหลังจากการคัดเลือกปัจจัยและปรับสมดุลด้วยวิธีการ SMOTE ให้ประสิทธิภาพดีที่สุด โดยมีค่าความถูกต้องร้อยละ 94.11 ค่าความไวร้อยละ 91.30 และค่าความจำเพาะร้อยละ 96.90 นอกจากนี้ แบบจำลองยังสามารถสร้างกฎการจำแนกภาวะไตวายเรื้อรังได้ โดยกฎที่ค้นพบส่วนใหญ่มีความสัมพันธ์กับโรคร่วม การได้รับยา และปัจจัยอื่น ๆ เช่น ดัชนีมวลกาย ระดับการศึกษา และอาชีพ ซึ่งเป็นปัจจัยสำคัญในการจำแนกผู้ป่วยที่มีความเสี่ยงต่อการเกิดภาวะไตวายเรื้อรังจากโรคเบาหวาน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของ วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยอุบลราชธานี และคณาจารย์ท่านอื่นๆในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
เอกสารอ้างอิง
Panyawong, W. 2020. Utilization of rule-based predicting models Faculty of Architecture, Urban Design and Creative Arts students at Mahasarakham University by data mining. Journal of Architecture, Design and Construction. 2(2): 109-119. (in Thai)
Thongkham, J. and Sukmak, V. 2021. Predicting breast cancer patient survival. RMUTI Journal Science and Technology. 14(1): 44-54. (in Thai)
Jiwitan, N. 2022. Comparison of imbalanced data classification efficiency to predict road accident death using data mining techniques. Information Technology Journal KMUTNB. 18(1): 75-84. (in Thai)
Palacios, A. and et al. 2016. An extension of the FURIA classification algorithm to low quality data through fuzzy rankings and its application to the early diagnosis of dyslexia. Neurocomputing. 176: 60-71.
Samart, S. and Thongkam, T. 2025. Prediction models of the sefe-harm for psychiatric patients using data mining techniques. Research on Modern Science and Utilizing Technological Innovation Journal. 18(1): 110-119. (in Thai)
Vasuarayasak, W. and et al. 2025. Enhancing machine learning performance on imbalanced resume data using SMOTE for job candidate classification. Journal of Computer and Creative Technology. 13(1): 38-48. (in Thai)
Nanaumphai, P. and Thongkam, J. 2019. Intrusion detection using classification techniques in data mining. Journal of Technology Management Rajabhat Maha Sarakham University. 6(2): 111-118. (in Thai)
Limsripraphan, P. and et al. 2019. Algorithm for mango classification using image processing and Naive Bayes classifier. Industrial Technology Lampang Rajabhat University Journal. 12(1): 112-125. (in Thai)
Klangnok, P. 2018. Applying the Ensemble Technique for Improving Rule-based Models Performance. M.Sc. Thesis, Mahasarakham University. (in Thai)
