การพัฒนาแบบจำลองคัดกรองความเสี่ยงโรคไม่ติดต่อเรื้อรังในผู้สูงอายุโดยใช้เทคนิคเหมืองข้อมูลเพื่อสนับสนุนการเฝ้าระวังสุขภาพระดับชุมชน
DOI:
https://doi.org/10.57260/stc.2026.1456คำสำคัญ:
การคัดกรองความเสี่ยงโรคไม่ติดต่อเรื้อรัง , โรคเบาหวาน, โรคความดันโลหิตสูง , ผู้สูงอายุ, การเรียนรู้ของเครื่องบทคัดย่อ
ในปี พ.ศ. 2568 ประเทศไทยได้เข้าสู่สังคมสูงวัยโดยสมบูรณ์ (Aged society) โดยมีประชากรอายุ 60 ปีขึ้นไปในสัดส่วนมากกว่าร้อยละ 20 ของประชากรทั้งประเทศ ส่งผลให้โรคไม่ติดต่อเรื้อรัง (Non-communicable diseases: NCDs) เช่น โรคเบาหวานและโรคความดันโลหิตสูง กลายเป็นปัญหาสำคัญด้านสาธารณสุข โดยเฉพาะในพื้นที่ชุมชนชนบทซึ่งมีข้อจำกัดด้านระบบสนับสนุนการตัดสินใจเชิงข้อมูล งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองคัดกรองความเสี่ยงโรคไม่ติดต่อเรื้อรังในผู้สูงอายุ โดยประยุกต์ใช้เทคนิคเหมืองข้อมูลและการเรียนรู้ของเครื่องจากข้อมูลสุขภาพระดับชุมชน กลุ่มตัวอย่างประกอบด้วยข้อมูลสุขภาพของผู้สูงอายุจำนวน 3,419 ราย ที่เข้ารับการคัดกรองสุขภาพในหน่วยบริการสุขภาพระดับปฐมภูมิในพื้นที่อำเภอลับแล จังหวัดอุตรดิตถ์ ระหว่างปี พ.ศ. 2565–2568 ร่วมกับข้อมูลสนับสนุนจากระบบข้อมูลสุขภาพของกระทรวงสาธารณสุข ข้อมูลถูกนำมาผ่านกระบวนการเตรียมข้อมูลและวิเคราะห์ตามกรอบ CRISP-DM โดยใช้แบบจำลอง Random forest และ Extreme gradient boosting (XGBoost) และประเมินประสิทธิภาพด้วย Accuracy, Precision, Recall, F1-score และ Confusion matrix
ผลการศึกษาพบว่าแบบจำลอง XGBoost มีความเหมาะสมสูงกว่าสำหรับงานคัดกรองสาธารณสุข XGBoost โดยสามารถตรวจจับกลุ่มเสี่ยง (Sensitivity) ได้ดีกว่า โดยมีค่าในการตรวจจับกลุ่มเสี่ยงโรคเบาหวานร้อยละ 25.00 และโรคความดันโลหิตสูงร้อยละ 16.00 สูงกว่า Random Forest ที่ได้ร้อยละ 17.30 และ 4.00 ตามลำดับ แม้ Random Forest จะมีค่า Accuracy รวมสูงกว่า (ร้อยละ 91.30 และ 91.70 ตามลำดับ) แต่ XGBoost สามารถลด False negative ได้ดีกว่า ซึ่งมีความสำคัญอย่างยิ่งในบริบทของการคัดกรองสุขภาพเชิงป้องกัน ปัจจัยสุขภาพที่เกี่ยวข้องกับระดับความเสี่ยง ได้แก่ ดัชนีมวลกาย รอบเอว ระดับน้ำตาลในเลือด ความดันโลหิต และอายุ การประยุกต์ใช้เทคนิค Machine learning ร่วมกับข้อมูลสุขภาพระดับชุมชนสามารถสนับสนุนการคัดกรองความเสี่ยงเบื้องต้น การเฝ้าระวังสุขภาพเชิงรุก และการวางแผนดูแลสุขภาพผู้สูงอายุในระดับพื้นที่ได้อย่างมีประสิทธิภาพ ทั้งนี้แบบจำลองดังกล่าวมีวัตถุประสงค์เพื่อใช้สนับสนุนการตัดสินใจเบื้องต้นเท่านั้น มิใช่เพื่อการวินิจฉัยทางการแพทย์
Downloads
เอกสารอ้างอิง
กรมควบคุมโรค. (2566). รายงานสถานการณ์โรคไม่ติดต่อเรื้อรังของประเทศไทย. กระทรวงสาธารณสุข.
สำนักงานสถิติแห่งชาติ. (2567). รายงานสถานการณ์ผู้สูงอายุในประเทศไทย. สำนักงานสถิติแห่งชาติ.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the
nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.
(pp. 785–794). https://doi.org/10.1145/2939672.2939785
Deberneh, H. M., & Kim, I. (2021). Prediction of type 2 diabetes based on machine learning algorithm. International Journal of Environmental Research and Public Health, 18(6),
https://doi.org/10.3390/ijerph18063317
Han, J., Kamber, M., & Pei, J. (2011). Data mining: Concepts and techniques. (3rd ed.). Morgan Kaufmann.
Hu, B., Wang, C., Jiang, K., Shen, Z., Yang, X., Yin, M., Liang, B., Xie, Q., Ye, Y., & Gao, Z. (2021). Development and validation of a novel diagnostic model for initially clinical diagnosed gastrointestinal stromal tumors using an extreme gradient-boosting machine. BMC Gastroenterol, 21, 481. https://doi.org/10.1186/s12876-021-02048-1
Islam, S. M. S., Talukder, A., Awal, M. A., Siddiqui, M. M. U., Ahamad, M. M., Ahammed, B., Rawal, L. B., Alizadehsani, R., Abawajy, J., Laranjo, L., Chow, C. K., & Maddison, R. (2022). Machine learning approaches for predicting hypertension and its associated factors using population-level data from three South Asian countries. Frontiers in Cardiovascular Medicine, 9, 839379. https://doi.org/10.3389/fcvm.2022.839379
Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63. https://doi.org/10.48550/arXiv.2010.16061
Wang, L., Wang, X., Chen, A., Jin, X., & Che, H. (2020). Prediction of type 2 diabetes risk and its effect evaluation based on the XGBoost model. Healthcare, 8(3), 247. https://doi.org/10.3390/healthcare8030247
Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining. (pp. 29–39). https://www.cs.unibo.it/~danilo.montesi/CBD/Beatriz/10.1.1.198.5133.pdf
World Health Organization. (2014). Global status report on noncommunicable diseases 2014. https://www.who.int/publications/i/item/9789241564854
ดาวน์โหลด
ไฟล์ประกอบ
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
1. บทความ ข้อมูล เนื้อหา รูปภาพฯลฯ ที่ได้รับการตีพิมพ์ใน “วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน” ถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่
2. เนื้อหาบทความที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
