การสร้างกฎความสัมพันธ์ของปัจจัยการเกิดภาวะซึมเศร้าหลังคลอด
Article Sidebar
Main Article Content
บทคัดย่อ
ภาวะซึมเศร้าหลังคลอดเป็นภาวะที่เกิดจากระดับฮอร์โมนที่เปลี่ยนแปลงอย่างรวดเร็วในช่วงหลังคลอด โดยภาวะอาการนี้จะส่งผลกระทบอย่างมากต่อสุขภาพจิตของคุณแม่และส่งผลกระทบโดยตรงต่อลูกน้อยรวมถึงคนรอบข้าง งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างกฎความสัมพันธ์และวิเคราะห์หาปัจจัยที่เหมาะสมสำหรับเป็นข้อมูลเบื้องต้นสำหรับการสร้างแบบคัดกรองภาวะซึมเศร้าหลังคลอด การหากฎความสัมพันธ์ได้ใช้เทคนิค Apriori ในการค้นหากฎความสัมพันธ์จากชุดข้อมูลที่รวบรวมจากเว็บไซต์ Kaggle ซึ่งประกอบด้วยข้อมูลจำนวน 1,503 แถว และปัจจัยที่เกี่ยวข้องทั้งหมด 10 ปัจจัย ได้แก่ อายุ ความรู้สึกเศร้าหรืออยากร้องไห้ รู้สึกเหนื่อยง่าย ปัญหาในการนอนตอนกลางคืน การมีสมาธิหรือการตัดสินใจ ความผิดปกติของการรับประทานอาหาร ความรู้สึกผิด ไม่อยากพูดคุยกับใคร การพยายามฆ่าตัวตาย และปัจจัยเป้าหมาย คือ ความวิตกกังวล โดยในการทดลองใช้ข้อมูลในการทดสอบที่มาจากแหล่งข้อมูลเดียวอาจมีข้อจำกัดในการนำไปใช้กับประชากรที่กว้างขึ้น ในส่วนของมีการวัดประสิทธิภาพของกฎความสัมพันธ์โดยกำหนดค่าสนับสนุนขั้นต่ำที่ 0.2 และค่าความเชื่อมั่นขั้นต่ำที่ 0.2 จากผลการทดลองพบว่ามีกฎความสัมพันธ์ที่สำคัญจำนวน 18 กฎ โดยปัจจัยที่เกิดขึ้นบ่อยและมีความสัมพันธ์กับปัจจัยเป้าหมาย คือ การไม่มีสมาธิหรือไม่สามารถการตัดสินใจ การพยายามฆ่าตัวตาย และความรู้สึกเศร้าหรืออยากร้องไห้ ซึ่งทั้ง 3 ปัจจัยส่งผลต่อสุขภาพจิตของแม่หลังคลอด ผลการวิจัยนี้ช่วยชี้ให้เห็นถึงความสำคัญของการดูแลสุขภาพจิตของแม่หลังคลอด การเข้าใจในอารมณ์และความคิดของแม่ และการป้องกันความเสี่ยงจากปัจจัยดังกล่าว ทั้งนี้ ผลการวิจัยสามารถนำไปใช้ในการออกแบบตัวแบบคัดกรองภาวะซึมเศร้าหลังคลอด รวมถึงการพัฒนาวิธีการให้คำปรึกษาและคำแนะนำที่เหมาะสม เพื่อช่วยลดความเสี่ยงและยกระดับคุณภาพชีวิตของคุณแม่และลูกน้อยในระยะยาว
Article Details
เอกสารอ้างอิง
Andersson, A., Garcia-Argibay, M., Viktorin, A., Ghirardi, L., Butwicka, A., Skoglund, C., Bang Madsen, K., D’Onofrio, B. M., Lichtenstein, P., Tuvblad, C., & Larsson, H. (2023). Depression and anxiety disorders during the postpartum period in women diagnosed with attention deficit hyperactivity disorder. Journal of Affective Disorders, 325, 817–823. https://doi.org/10.1016/j.jad.2023.01.069
Andrei, A.-M., Webb, R., & Enea, V. (2023). Health anxiety, death anxiety and coronaphobia: Predictors of postpartum depression symptomatology during the COVID-19 pandemic. Midwifery, 124, 103747. https://doi.org/10.1016/j.midw.2023.103747
Biilah, A.-M., Raihan, M., Akter, T., Alvi, N., Bristy, N. J., & Rehana, H. (2022). Human depression prediction using association rule mining technique. In Proceedings of the International Conference on Big Data, IoT, and Machine Learning (pp. 223–237). https://doi.org/10.1007/978-981-16-2597-8_19
Delos Arcos, J. R., & Hernandez, A. A. (2019). Efficient apriori algorithm using enhanced transaction reduction approach. 2019 IEEE 13th International Conference on Telecommunication Systems, Services, and Applications (TSSA), 97–101. https://doi.org/10.1109/TSSA48701.2019.8985482
Fan, M.-Y., Chi, C., Zhang, J.-H., Wang, R.-X., Kong, Q.-Y., Wang, T.-Y., Yan, J.-L., & Chen, Y.-J. (2023). Acupoints compatibility rules of acupuncture for depression disease based on data mining technology. Zhongguo Zhen Jiu = Chinese Acupuncture & Moxibustion, 43(3), 269–276. https://doi.org/10.13703/j.0255-2930.20221103-k0001
Fitzpatrick, S., & Whitfield, K. C. (2025). Maternal postpartum depression and responsive feeding in the first 2 years: A review. Infant Behavior and Development, 80, 102073. https://doi.org/10.1016/j.infbeh.2025.102073
Gao, J., Wang, Z., Jin, T., Cheng, J., Lei, Z., & Gao, S. (2024). Information gain ratio-based subfeature grouping empowers particle swarm optimization for feature selection. Knowledge-Based Systems, 286, 111380. https://doi.org/10.1016/j.knosys.2024.111380
Hamdad, L., & Benatchba, K. (2021). Association rules mining. SN Computer Science, 2(6), 449. https://doi.org/10.1007/s42979-021-00819-x
Hamtanon, P., Thongnak, N., & Chuntharapat, S. (2022). Maternal experience with postpartum depression during the COVID-19 pandemic. Journal of MCU Nakhondhat, 9(12), 1–14.
Hannon, S., Gartland, D., Higgins, A., Brown, S. J., Carroll, M., Begley, C., & Daly, D. (2023). Physical health and comorbid anxiety and depression across the first year postpartum in Ireland (MAMMI study): A longitudinal population-based study. Journal of Affective Disorders, 328, 228–237. https://doi.org/10.1016/j.jad.2023.02.056
Harikumar, S., & Dilipkumar, D. U. (2016). Apriori algorithm for association rule mining in high dimensional data. 2016 International Conference on Data Science and Engineering (ICDSE), 1–6. https://doi.org/10.1109/ICDSE.2016.7823952
Høgh, S., Hegaard, H. K., Renault, K. M., Svendsen, M. N., Navne, L. E., & Frokjaer, V. G. (2025). Women’s perceptions of biological causes and potentials of genomic risk markers in postpartum depression: A qualitative study. Sexual & Reproductive Healthcare, 43, 101057. https://doi.org/10.1016/j.srhc.2024.101057
Hu, Y., Chen, J., Li, J., & Xu, Z. (2024). Models for depression recognition and efficacy assessment based on clinical and sequencing data. Heliyon, 10(14), e33973. https://doi.org/10.1016/j.heliyon.2024. e33973
Jiayuan, Z., Xiaoxi, L., Dan, C., & Yuqiu, Z. (2025). Network analysis of postpartum depression, sleep problems, psychological birth trauma, and quality of life in women with high-risk pregnancy. Midwifery, 148, 104476. https://doi.org/10.1016/j.midw.2025.104476
Kaur, B., Rathi, S., & Agrawal, R. K. (2022). Enhanced depression detection from speech using quantum whale optimization algorithm for feature selection. Computers in Biology and Medicine, 150, 106122. https://doi.org/10.1016/j.compbiomed.2022.106122
Kawajiri, M., Saito, F., Takeishi, Y., Mori, H., Chiba, K., Odaira, T., Saito, M., & Yoshida, M. (2025). Does the 2-week postpartum health checkup for term deliveries prevent postpartum depression? Analysis using a 10-year database from a university hospital in Japan. Journal of Affective Disorders, 388,119459. https://doi.org/10.1016/j.jad.2025.119459
Krzeczkowski, J. E., Kousha, K. Y., Savoy, C., Schmidt, L. A., & van Lieshout, R. J. (2025). Adaptive changes in infant emotion regulation persist three months following birthing parent receipt of cognitive behavioral therapy for postpartum depression. Journal of Affective Disorders, 381, 467–474. https://doi.org/10.1016/j.jad.2025.03.148
Nasim, S., AI-Shamayleh, A. S., Thalji, N., Raza, A., Abualigah, L., Alzahrani, A.L., Alwadain, A., Alsekait, D. M., Migdady, H., & Abd Elminaam, D. S. (2024). Novel meta learning approach for detecting postpartum depression disorder using questionnaire data. IEEE Access, 12, 101247–101259. https://doi.org/10.1109/ACCESS.2024.3427685
Priya S., K., & Karthika K., P. (2023). An embedded feature selection approach for depression classification using short text sequences. Applied Soft Computing, 147, 110828.
Rabinowitz, E. P., Kutash, L. A., Richeson, A. L., Sayer, M. A., Samii, M. R., & Delahanty, D. L. (2023). Depression, anxiety, and stress in pregnancy and postpartum: A longitudinalstudyduringthe COVID-19 pandemic. Midwifery, 121, 103655. https://doi.org/10.1016/j.midw.2023.103655
Rojarath, A., Jantama, T., Srirat, W., Mookpakdee, N., khumwiso, K., & Surinta, O. (2024). Factors analysis affecting stroke disease revealed using association rules. Journal of Science and Technology Mahasakham University, 43(3), 206–222. https://li01.tci-thaijo.org/index.php/scimsujournal/article/view/258947/178655
Rojarath, A., Songpan, W., Okafor, E., & Surinta, O. (2025). Enhancing personality characteristic analysis with SMOTE and association rule mining: A case study on introverts and extroverts. ICIC Express Letters, 19(6), 597–606. https://doi.org/10.24507/icicel.19.06.597
Shin, D., & Hur, J. (2019). Predictive modeling of postpartum depression using machine learning approaches (P18-130-19). Current Developments in Nutrition, 3(Suppl 1), P18-130–19. https://doi.org/10.1093/cdn/nzz039.P18-130-19
Song, X., Cheng, X., Li, Y., Guo, R., Liang, Z., Wang, S., & Zhang, H. (2025). Comparative study on filter and wrapper methods for selecting ground motion intensity measures in machine learning-based seismic damage assessment of urban reinforced concrete frame structures. Journal of Building Engineering, 106,112515.https://doi.org/10.1016/j.jobe.2025.112515
Stewart, D. E., & Vigod, S. (2016). Postpartum Depression. New England Journal of Medicine, 375(22), 2177–2186. https://doi.org/10.1056/NEJMcp1607649
Suebanun, S., Tachasuksri, T., & Chuahorm, U. (2024). Factors predicting postpartum depression among first – time mothers. Nursing Journal of The Ministry of Public Health, 34(3), 68–81.
Tianyi, F.-L., Li, Y., Alderdice, F., Quigley, M. A., Kurinczuk, J. J., Bankhead, C., & Carson, C. (2022). The association between conception history and subsequent postpartum depression and/or anxiety: Evidence from the Clinical Practice Research Datalink 1991–2013. Journal of Affective Disorders, 310, 266–273. https://doi.org/10.1016/j.jad.2022.04.138
vander Hoeven, L., Hofman, A., Rösler, L., vander Werf, Y. D., & Broekman, B. F. P. (2025). Antepartum insomnia symptoms and its association with postpartum depression symptoms in women with and without psychiatric vulnerability: A prospective cohort study.
Journal of Affective Disorders, 374, 109–115. https://doi.org/10.1016/j.jad.2025.01.030
Zhang, Y., Wang, S., Hermann, A., Joly, R., & Pathak, J. (2021). Development and validation of a machine learning algorithm for predicting the risk of postpartum depression among pregnant women. Journal of Affective Disorders, 279,1–8.https://doi.org/10.1016/j.jad.2020.09.113
Zhao,L., Hao,F., Xu,T., & Dong, X. (2017). Positiveand negative association rules mining for mental health analysis of college students. EURASIA Journal of Mathematics, Science and Technology Education, 13(8), 4605–4612. https://doi.org/10.12973/eurasia.2017. 01011a
