การพัฒนาโมเดลต้นแบบเครื่องมือสนับสนุนการตัดสินใจการพยากรณ์ทางคลินิกในแพทย์แผนไทย

Abstract

Objectives of this research and development entitled “Development of Prototype Model for Decision-Making Support Tool of Clinical Prognoses in Thai Traditional Medicine” include 1) to study efficiency of classifier model designed from algorithm J48, RandomTree, and HoeffdingTree 2) to develop a prototype of clinical decision-making assistance tool supporting clinical diagnosis and patients’ hospital admission plus, offer information and guideline for initial Thai traditional medicine treatment or refer patients to modern medicine facilities, and 3) to study efficiency of this clinical decision-making assistance prototype. Researcher applied data mining classification technique and reproduced data training set using some medical treatment evaluations such as 255 instances of acute diarrhea, 1,023 instances of constipation, 255 instances of upper airway allergic reaction, 255 instances of degenerative knee disorders and 1023 instances of migraine based on clinical practice guideline of Thai traditional medicine then used Weka program version 3.9.5 to develop classifier model. Efficiency of the model was verified using Use Training Set and Supplied Test Set method. Efficiency was analyzed using Confusion Matrix table.

Results showed that the classifier model developed from RandomTree algorithm had highest efficiency comparing to other algorithms. Average accuracy was 100%, precision, recall and overall F-measure efficiency were 1.00, 1.00 and 1.00, respectively. J48 algorithm showed average accuracy, precision, recall and overall F-measure efficiency of 98.63%, 0.98, 0.98 and 0.98, respectively whereas HoeffdingTree algorithm showed average accuracy, precision, recall and overall F-measure efficiency of 97.49%, 0.96, 0.97 and 0.96, respectively.

Accordingly, researcher selected RandomTree algorithm classifier model plus core knowledge, rules and visualized Decision Tree Model to develop web application to be utilized as clinical decision-making assistance tool for Thai traditional medicine. Results from efficiency testing showing accuracy 99.71%, were high efficiency for development in next step and practical use.

การวิจัยและพัฒนา เรื่อง “การพัฒนาโมเดลต้นแบบเครื่องมือสนับสนุนการตัดสินใจการพยากรณ์ทางคลินิกในแพทย์แผนไทย” มีวัตถุประสงค์เพื่อ 1.) ศึกษาถึงประสิทธิภาพของโมเดลการพยากรณ์ (Classifier Model) ที่สร้างจากอัลกอริทึมต้นไม้ตัดสินใจชนิด J48 RandomTree และ HoeffdingTree 2.) เพื่อพัฒนาเครื่องมือสนับสนุนการตัดสินใจการพยากรณ์ทางคลินิกต้นแบบ (Clinical Decision-Making Support Tool) ในการคัดกรองและวินิจฉัยโรคในเบื้องต้น เพื่อช่วยตัดสินใจรับผู้ป่วยเข้ารับการรักษา พร้อมนำเสนอข้อมูลและแนวทางในการรักษาโรคเบื้องต้นในศาสตร์ทางการแพทย์แผนไทย หรือตัดสินใจส่งต่อผู้ป่วยไปรักษากับแพทย์แผนปัจจุบันหากคัดกรองพบอาการที่มีความเสี่ยงสูง โดยประยุกต์ใช้โมเดลการพยากรณ์ และ 3.) ศึกษาประสิทธิภาพเครื่องมือสนับสนุนการตัดสินใจทางคลินิกต้นแบบที่ได้พัฒนาขึ้น โดยการวิจัยและพัฒนาครั้งนี้ เป็นการประยุกต์ใช้เทคนิค Classification ของการทำเหมืองข้อมูล (Data Mining) ซึ่งผู้วิจัยทำการจำลองชุดข้อมูลกรณีความน่าจะเป็นแบบมีเงื่อนไข (Data Training Set) ที่ใช้ในการคัดกรองโรค ในอาการท้องร่วงฉับพลัน 255 ข้อมูล อาการท้องผูก 1,023 ข้อมูล โรคภูมิแพ้ทางเดินหายใจส่วนต้น 255 ข้อมูล โรคข้อเข่าเสื่อม 255 ข้อมูล และโรคไมเกรน 1,023 ข้อมูล โดยอ้างอิงตามแนวเวชปฏิบัติในศาสตร์การแพทย์แผนไทย และใช้โปรแกรมคอมพิวเตอร์ Weka Version 3.9.5 เพื่อสร้างโมเดลการพยากรณ์ และทดสอบประสิทธิภาพด้วยวิธี Use Training Set และ วิธี Supplied Test Set วิเคราะห์ประสิทธิภาพโดยการคำนวณจากตาราง Confusion Matrix

ผลการวิจัยและพัฒนา พบว่า โมเดลการพยากรณ์ที่สร้างจากอัลกอริทึมชนิด RandomTree มีประสิทธิภาพสูงสุดเมื่อเทียบกับอัลกอริทึมชนิดอื่น ๆ โดยเฉลี่ยมีค่าความถูกต้อง (Accuracy) เท่ากับ 100% ค่าความแม่นยำ (Precision) เท่ากับ 1.00 ค่าความครบถ้วน (Recall) เท่ากับ 1.00 และค่าประสิทธิภาพโดยรวม (F- Measure) เท่ากับ 1.00 ในส่วนของอัลกอริทึมชนิด J48 โดยเฉลี่ยมีค่าความถูกต้อง (Accuracy) เท่ากับ 98.63% ค่าความแม่นยำ (Precision) เท่ากับ 0.98 ค่าความครบถ้วน (Recall) เท่ากับ 0.98 และค่าประสิทธิภาพโดยรวม (F-Measure) เท่ากับ 0.98 และอัลกอริทึมชนิด HoeffdingTree โดยเฉลี่ยมีค่าความถูกต้อง (Accuracy) เท่ากับ 97.49% ค่าความแม่นยำ (Precision) เท่ากับ 0.96 ค่าความครบถ้วน (Recall) เท่ากับ 0.97 และค่าประสิทธิภาพโดยรวม (F-Measure) เท่ากับ 0.96

จากผลการทดสอบประสิทธิภาพของโมเดลการพยากรณ์ดังกล่าว ผู้วิจัยจึงคัดเลือกโมเดลการพยากรณ์ที่สร้างจากอัลกอริทึมชนิด RandomTree โดยนำองค์ความรู้ กฎเกณฑ์ (Rules) และแผนภาพต้นไม้ตัดสินใจ(Visualized Decision Tree Model) ที่ได้ ไปใช้ในการพัฒนาต่อยอดเป็นเว็บแอปพลิเคชันในรูปแบบเครื่องมือสนับสนุนการตัดสินใจการพยากรณ์ทางคลินิกในแพทย์แผนไทย โดยผลการทดสอบประสิทธิภาพในอัลกอริทึมของเครื่องมือสนับสนุนการตัดสินใจทางคลินิกที่ได้พัฒนาขึ้นดังกล่าวนั้น พบว่า โดยเฉลี่ยมีค่าความถูกต้อง Accuracy เท่ากับ 99.71% ซึ่งโดยรวมเว็บแอปพลิเคชันมีประสิทธิภาพอยู่ในระดับสูง สามารถนำไปปรับปรุง พัฒนา และทดลองใช้ในทางปฏิบัติได้ในลำดับต่อไป