สุดเจ๋ง “ผศ.ดร.ศศลักษณ์ ทองขาว” อาจารย์ มรภ.สงขลา ทำวิจัยทำนายการเกิดโรคประจำตัวของผู้สูงอายุโดยใช้เทคนิคเครื่องจักรเรียนรู้ (Machine Learning) คว้ารางวัล Best Paper Award จากเวทีประชุมวิชาการ ประเทศอินโดนีเซีย เผยผลการศึกษาช่วยผู้ป่วยได้เข้าตรวจรักษาทันท่วงทีขึ้น
ผศ.ดร.ศศลักษณ์ ทองขาว อาจารย์ประจำหลักสูตรเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏสงขลา (มรภ.สงขลา) เปิดเผยว่า เมื่อเร็วๆ นี้ตนได้เข้าร่วมประชุมวิชาการในงาน The 2nd Joint International Conference on Emerging Computing Technology and Sports 2019 (JICETS 2019) ณ Aston Tropicana Hotel Bandung ประเทศอินโดนีเซีย เพื่อนำเสนอผลงาน (Oral Presentation) ในหัวข้อ “การทำนายการเกิดโรคประจำตัวของผู้สูงอายุโดยใช้เทคนิคเครื่องจักรเรียนรู้” (Prediction Medical Problem of Elderly People by Using Machine Learning Technique)
ผลปรากฏว่าได้รับรางวัล Best Paper Award ซึ่งให้เพียงรางวัลเดียวเท่านั้นจากบทความที่ส่งมาทั้งหมดในสาขานี้ โดยคัดเลือกจากบทความที่มีผลกระทบสูงต่อวงการวิชาการ ซึ่งศาสตราจารย์ที่เป็นกรรมการแจ้งให้ทราบภายหลังว่าเหตุผลที่เลือกบทความเรื่องนี้เพราะข้อมูลที่ได้น่าเชื่อถือมาก เป็นข้อมูลปฐมภูมิและมีกระบวนการวิจัยที่ดี ทำให้ผลออกมาน่าสนใจมากๆ อยากให้ทำงานนี้ต่อไปเพื่อพัฒนารูปแบบหรือโมเดลให้ดียิ่งขึ้นไปอีก
ผศ.ดร.ศศลักษณ์ กล่าวว่า บทความนี้เป็นการต่อยอดงานวิจัยที่เกิดจากการบริการวิชาการ ในเรื่องการบริหารจัดการข้อมูลเกี่ยวกับผู้สูงอายุ โดยข้อมูลที่ได้มาจากการสัมภาษณ์ผู้สูงอายุในหลายอำเภอของจังหวัดสงขลา ซึ่งข้อมูลดังกล่าวมีส่วนที่น่าสนใจคือ ผู้สูงอายุมีโรคประจำตัวอยู่บ้าง แต่บางท่านก็ทราบว่าตนเองมีโรคประจำตัว เพราะไปโรงพยาบาลและมีการตรวจโดยแพทย์ ในขณะที่บางท่านกลับไม่ทราบ ทำให้เกิดคำถามว่าหากเรานำระบบคอมพิวเตอร์ที่เรียกว่า เครื่องจักรเรียนรู้ (Machine Learning) เทคนิคที่นำมาใช้คือต้นไม้ตัดสินใจ (Decision Tree) มาเรียนรู้ข้อมูลเหล่านี้ก็จะทำให้สามารถทราบได้ว่าผู้สูงอายุท่านนี้น่าจะเป็นโรคประจำตัว ควรจะเข้ารับการตรวจที่โรงพยาบาล ซึ่งการได้รับการตรวจรักษาก่อน ก็อาจทำให้อาการของโรคไม่รุนแรง และสามารถจะรักษาให้หายได้ แต่หากละเลยหรือตรวจสอบช้าก็อาจจะรักษาไม่ทันการณ์
อาจารย์ประจำหลักสูตรเทคโนโลยีสารสนเทศ มรภ.สงขลากล่าวอีกว่า งานวิจัยนี้สามารถทำนายการเกิดโรคประจำตัวของผู้สูงอายุก่อนล่วงหน้าได้ ด้วยคำถามที่สำคัญเพียงไม่กี่คำถาม เช่น ผู้สูงอายุมีการศึกษาระดับใด สูบบุหรี่กี่มวนต่อวัน ออกกำลังกายบ้างหรือไม่ ซึ่งคำถามเหล่านี้เป็นคำถามหลักๆ ที่จะทำให้รูปแบบการทำนายสามารถทำนายได้ว่าผู้สูงอายุน่าจะมีโรคประจำตัวและควรไปตรวจให้ละเอียดที่โรงพยาบาล นอกจากนี้ งานวิจัยดังกล่าวยังสามารถช่วยให้สาธารณสุขได้ทราบข้อมูลล่วงหน้าได้ว่าในตำบลที่ดูแลมีผู้สูงอายุที่น่าจะเป็นโรคประจำตัวกี่ท่าน จะได้วางแผนการดูแลงบประมาณได้ถูกต้องด้วย
ทั้งนี้ บทความที่จัดทำขึ้นอธิบายถึงเทคนิคการนำต้นไม้ตัดสินใจ ที่เป็นหนึ่งในเทคนิคเครื่องจักรเรียนรู้ มาใช้สำหรับการจำแนกและการทำนายความเป็นไปได้ของการมีโรคประจำตัวที่เกิดขึ้นกับผู้สูงอายุโดยใช้ sklearnในโปรแกรมภาษาไพธอน (Python) การวิจัยนี้ได้เลือก 16คุณลักษณะที่ส่งผลต่อการจำแนกการมีโรคประจำตัวของผู้สูงอายุ จาก23คุณสมบัติ และได้เก็บข้อมูลตัวอย่าง353ตัวอย่างจากการสัมภาษณ์ และนำข้อมูลมาปรับเป็นข้อมูลเชิงตัวเลข สามารถจำแนกออกเป็น2หมวดคือ ไม่มีโรคประจำตัว166ตัวอย่าง และมีโรคประจำตัว187ตัวอย่าง โดยมีการทำนายแบบต้นไม้ตัดสินใจเพื่อจำแนกทั้งสองหมวดออกจากกัน จากคุณสมบัติดังกล่าว
ประเด็น หรือปัจจัยที่สำคัญในการจำแนกการมีโรคประจำตัวหรือไม่ สามารถจำแนกได้จาก โหนด (Node) โหนดรูทที่สำคัญคือ ระดับการศึกษา สามารถจำแนกได้ตามจำนวนบุหรี่ต่อวันและออกกำลังกายหรือไม่ ค่าความถูกต้องหลังจากลบคุณสมบัติการมีงานอดิเรกออก มีค่าประมาณ 67.80% ซึ่งถือว่าอยู่ในระดับความถูกต้องที่ยอมรับได้ เนื่องจากทำกับข้อมูลจริง แบบปฐมภูมิ
บทความนี้ยังแสดงกราฟ ผลลัพธ์ต้นไม้การตัดสินใจโดยใช้ pydotplus และงานวิจัยนี้สามารถปรับปรุงต่อไปในอนาคต โดยหาพารามิเตอร์เพิ่มเติมหรืออัลกอริทึมอื่นๆ เช่น เครือข่ายประสาทเทียม หรือ Support Vector Machine (SVM) เพื่อปรับปรุงความแม่นยำต่อไปได้
ผลปรากฏว่าได้รับรางวัล Best Paper Award ซึ่งให้เพียงรางวัลเดียวเท่านั้นจากบทความที่ส่งมาทั้งหมดในสาขานี้ โดยคัดเลือกจากบทความที่มีผลกระทบสูงต่อวงการวิชาการ ซึ่งศาสตราจารย์ที่เป็นกรรมการแจ้งให้ทราบภายหลังว่าเหตุผลที่เลือกบทความเรื่องนี้เพราะข้อมูลที่ได้น่าเชื่อถือมาก เป็นข้อมูลปฐมภูมิและมีกระบวนการวิจัยที่ดี ทำให้ผลออกมาน่าสนใจมากๆ อยากให้ทำงานนี้ต่อไปเพื่อพัฒนารูปแบบหรือโมเดลให้ดียิ่งขึ้นไปอีก
ผศ.ดร.ศศลักษณ์ กล่าวว่า บทความนี้เป็นการต่อยอดงานวิจัยที่เกิดจากการบริการวิชาการ ในเรื่องการบริหารจัดการข้อมูลเกี่ยวกับผู้สูงอายุ โดยข้อมูลที่ได้มาจากการสัมภาษณ์ผู้สูงอายุในหลายอำเภอของจังหวัดสงขลา ซึ่งข้อมูลดังกล่าวมีส่วนที่น่าสนใจคือ ผู้สูงอายุมีโรคประจำตัวอยู่บ้าง แต่บางท่านก็ทราบว่าตนเองมีโรคประจำตัว เพราะไปโรงพยาบาลและมีการตรวจโดยแพทย์ ในขณะที่บางท่านกลับไม่ทราบ ทำให้เกิดคำถามว่าหากเรานำระบบคอมพิวเตอร์ที่เรียกว่า เครื่องจักรเรียนรู้ (Machine Learning) เทคนิคที่นำมาใช้คือต้นไม้ตัดสินใจ (Decision Tree) มาเรียนรู้ข้อมูลเหล่านี้ก็จะทำให้สามารถทราบได้ว่าผู้สูงอายุท่านนี้น่าจะเป็นโรคประจำตัว ควรจะเข้ารับการตรวจที่โรงพยาบาล ซึ่งการได้รับการตรวจรักษาก่อน ก็อาจทำให้อาการของโรคไม่รุนแรง และสามารถจะรักษาให้หายได้ แต่หากละเลยหรือตรวจสอบช้าก็อาจจะรักษาไม่ทันการณ์
อาจารย์ประจำหลักสูตรเทคโนโลยีสารสนเทศ มรภ.สงขลากล่าวอีกว่า งานวิจัยนี้สามารถทำนายการเกิดโรคประจำตัวของผู้สูงอายุก่อนล่วงหน้าได้ ด้วยคำถามที่สำคัญเพียงไม่กี่คำถาม เช่น ผู้สูงอายุมีการศึกษาระดับใด สูบบุหรี่กี่มวนต่อวัน ออกกำลังกายบ้างหรือไม่ ซึ่งคำถามเหล่านี้เป็นคำถามหลักๆ ที่จะทำให้รูปแบบการทำนายสามารถทำนายได้ว่าผู้สูงอายุน่าจะมีโรคประจำตัวและควรไปตรวจให้ละเอียดที่โรงพยาบาล นอกจากนี้ งานวิจัยดังกล่าวยังสามารถช่วยให้สาธารณสุขได้ทราบข้อมูลล่วงหน้าได้ว่าในตำบลที่ดูแลมีผู้สูงอายุที่น่าจะเป็นโรคประจำตัวกี่ท่าน จะได้วางแผนการดูแลงบประมาณได้ถูกต้องด้วย
ทั้งนี้ บทความที่จัดทำขึ้นอธิบายถึงเทคนิคการนำต้นไม้ตัดสินใจ ที่เป็นหนึ่งในเทคนิคเครื่องจักรเรียนรู้ มาใช้สำหรับการจำแนกและการทำนายความเป็นไปได้ของการมีโรคประจำตัวที่เกิดขึ้นกับผู้สูงอายุโดยใช้ sklearnในโปรแกรมภาษาไพธอน (Python) การวิจัยนี้ได้เลือก 16คุณลักษณะที่ส่งผลต่อการจำแนกการมีโรคประจำตัวของผู้สูงอายุ จาก23คุณสมบัติ และได้เก็บข้อมูลตัวอย่าง353ตัวอย่างจากการสัมภาษณ์ และนำข้อมูลมาปรับเป็นข้อมูลเชิงตัวเลข สามารถจำแนกออกเป็น2หมวดคือ ไม่มีโรคประจำตัว166ตัวอย่าง และมีโรคประจำตัว187ตัวอย่าง โดยมีการทำนายแบบต้นไม้ตัดสินใจเพื่อจำแนกทั้งสองหมวดออกจากกัน จากคุณสมบัติดังกล่าว
ประเด็น หรือปัจจัยที่สำคัญในการจำแนกการมีโรคประจำตัวหรือไม่ สามารถจำแนกได้จาก โหนด (Node) โหนดรูทที่สำคัญคือ ระดับการศึกษา สามารถจำแนกได้ตามจำนวนบุหรี่ต่อวันและออกกำลังกายหรือไม่ ค่าความถูกต้องหลังจากลบคุณสมบัติการมีงานอดิเรกออก มีค่าประมาณ 67.80% ซึ่งถือว่าอยู่ในระดับความถูกต้องที่ยอมรับได้ เนื่องจากทำกับข้อมูลจริง แบบปฐมภูมิ
บทความนี้ยังแสดงกราฟ ผลลัพธ์ต้นไม้การตัดสินใจโดยใช้ pydotplus และงานวิจัยนี้สามารถปรับปรุงต่อไปในอนาคต โดยหาพารามิเตอร์เพิ่มเติมหรืออัลกอริทึมอื่นๆ เช่น เครือข่ายประสาทเทียม หรือ Support Vector Machine (SVM) เพื่อปรับปรุงความแม่นยำต่อไปได้