ระบบสนับสนุนการตัดสินใจสำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยโครงข่ายประสาทเทียม

Abstract

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาระบบสนับสนุนการตัดสินใจสำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยนิวรอน โดยสร้างแบบจำลองของเครือข่ายประสาทเทียม เพื่อสนับสนุนแพทย์สำหรับคัดกรอกผู้ป่วยโรคไตเรื้อรังโดยข้อมูลจากผลการตรวจเลือด ผลทางปฏิบัติการเคมี และผลตรวจปัสสาวะ ซึ่งช่วยให้แพทย์สามารถทำนายโรคของผู้ป่วยได้อย่างแม่นยำและมีประสิทธิภาพยิ่งขึ้น และประกอบการตัดสินใจของแพทย์เพื่อนำไปวินิจฉัยผลของผู้ป่วยในระยะต่อไป ระบบสนับสนุนการตัดสินใจสำหรับคัดกรองผู้ป่วยโรคไตเรื้อรังโดยนิวรอน ซึ่งพัฒนาในรูปแบบเว็บไซต์บนสถาปัตยกรรม MVC ผ่านไลบรารี jQuery ประกอบไปด้วยชั้นของข้อมูลเข้าจำนวน 5 โหนด ชั้น Hidden จำนวน 6 โหนด และชั้นข้อมูลออก จำนวน 4 โหนด ซึ่งเทรนด้วยข้อมูลจำนวน 22,952 ระเบียน จากผู้ป่วยจำนวน 694 คน ด้วยอัตราการเรียนรู้ (learning rate) ที่ 0.1 โมเมนตัม (momentum) ที่ 0.2 ค่าความผิดพลาดที่ยอมรับได้ (error) ที่ 0.01 พบว่าระบบสามารถวิเคราะห์ข้อมูลผู้ป่วยโรคไตมีความเที่ยงตรงโดยเฉลี่ยร้อยละ 98.45 ของระยะของโรคไตเรื้อรังเมื่อเทียบกับเกณฑ์ของ KDICO 2013 และจากการสัมภาษณ์กับแพทย์ผู้ใช้งาน พบว่ามีความสะดวกในการแปรผล รวดเร็ว อีกทั้งระบบที่พัฒนาขึ้นยังให้ข้อมูลแก่แพทย์และพยาบาลในการดูและผู้ป่วยตามมาตรฐาน KDIGO

The objective of this research is to develop a system for screening chronic kidney disease patients by creating a model of artificial neural networks based on data from laboratory result of the blood, chemical and Urine. The model can help doctors accurately predict the disease of patients and the decision of the doctor to diagnose the symptoms of the patient in the next phase. The sample collection group was 11 doctors and nurses in the Hemodialysis Unit, Buriram Hospital, using interviews and calculation results from the developed system. The result of the research showed the system for screening patients with chronic kidney disease using by the artificial neural network is developed in the form of MVC architecture through the jQuery library. It consists of data layers are 7 nodes, hidden layers are 6 nodes and output layers are 2 nodes which are trained with 22,952 records from 694 patients by learning rate at 0.1, Momentum at 0.2, Acceptable error at 0.01 found that the system can analyze kidney disease patients with an average accuracy of 98.45% of the stage of chronic kidney disease compared to KDICO 2013 criteria and from interviews with physicians Found that it is convenient to translate results quickly and the developed system also provides information to doctors and nurses to view and patients according to KDIGO standards