การทำนายความเสี่ยงการเกิดภาวะพร่องไทรอยด์ด้วยวิธีการเรียนรู้ ของเครื่องพร้อมการเลือกคุณลักษณะที่จำเป็น
คำสำคัญ:
ต้นไม้ตัดสินใจ การคัดเลือกคุณลักษณะ ภาวะพร่องไทรอยด์ การเรียนรู้ของเครื่อง แรนดอมฟอเรสต์บทคัดย่อ
โรคภาวะพร่องไทรอยด์เป็นปัญหาสุขภาพที่พบได้บ่อย อาการในระยะแรกมักไม่ชัดเจนทำให้การวินิจฉัยล่าช้า งานวิจัยนี้พัฒนาโมเดลการเรียนรู้ของเครื่องเพื่อทำนายภาวะพร่องไทรอยด์โดยใช้ข้อมูลทุติยภูมิ (Secondary Data) จากผู้ป่วย 3,772 ราย จากคลัง UCI Machine Learning Repository ปัญหาหลักคือความไม่สมดุลของข้อมูล (Class Imbalance อัตราส่วน 24:1 ระหว่างกลุ่มปกติ 3,621 ราย และกลุ่มป่วย 151 ราย) และข้อมูลขาดหาย ผู้วิจัยใช้ Median Imputation ในการจัดการข้อมูลที่ขาดหาย และใช้เทคนิค SMOTE เพื่อปรับสมดุลข้อมูล ร่วมกับการคัดเลือกคุณลักษณะด้วย Random Forest Feature Importance ซึ่งสามารถลดจำนวนตัวแปรจาก 23 ตัว เหลือเพียง 8 ตัวแปรสำคัญที่ระดับเกณฑ์ 0.01 จากการเปรียบเทียบประสิทธิภาพของ SVM, Decision Tree, Random Forest และ MLP ด้วยตัวบ่งชี้ Accuracy, Precision, Recall และ F1-Score พบว่า Decision Tree ที่ผ่านการปรับพารามิเตอร์ด้วย GridSearchCV ให้ประสิทธิภาพสูงสุดด้วยค่าความแม่นยำ (Accuracy) ร้อยละ 99.9 ค่า Recall ร้อยละ 99.9 และค่า F1-Score ร้อยละ 99.6 (หรือในรูปทศนิยม 0.993, 0.999 และ 0.996 ตามลำดับ) จากการทดสอบกับ Test Set ซึ่งผ่านการตรวจสอบความเสถียรด้วย 5-Fold Cross-Validation โมเดลนี้มีความโปร่งใสสูงและง่ายต่อการตีความ ซึ่งเหมาะสมต่อการนำไปใช้เป็นระบบสนับสนุนการตัดสินใจทางการแพทย์
Downloads
เอกสารอ้างอิง
กรมการแพทย์ กระทรวงสาธารณสุข. (2564). แนวทางเวชปฏิบัติโรคต่อมไทรอยด์. กระทรวงสาธารณสุข ประเทศไทย.
Abiyev, R. H., & Ma'aitah, M. K. S. (2018). Deep convolutional neural networks for chest diseases detection. Journal of Healthcare Engineering, 2018, Article 4168538.
Biondi, A., & Cooper, D. S. (2008). The clinical significance of subclinical thyroid dysfunction. Endocrine Reviews, 29(1), 76–131.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Canaris, G. J., Manowitz, N. R., Mayor, G., & Ridgway, E. C. (2000). The Colorado thyroid disease prevalence study. Archives of Internal Medicine, 160(4), 526–534.
Chaganti, S., Rustam, F., DePaula, A. C. A., Daghrery, A., Mazin, I., & Ashraf, I. (2022). Thyroid disease prediction using selective features and machine learning techniques. Cancers, 14(16), 3914.
Chaker, L., Bianco, A. C., Jonklaas, J., & Peeters, R. P. (2017). Hypothyroidism. The Lancet, 390(10101), 1550–1562.
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357.
Chen, M., Hao, Y., Hwang, K., Wang, L., & Wang, L. (2017). Disease prediction by machine learning over big data from healthcare communities. IEEE Access, 5, 8869–8879.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Ganie, S. M., & Malik, M. B. (2022). An ensemble machine learning approach for thyroid disease detection. International Journal of Applied Engineering Research, 17(4), 267–273.
Garber, J. R., Cobin, R. H., Gharib, H., Hennessey, J. V., Klein, I., Mechanick, J. I., & Woeber, K. A. (2012). Clinical practice guidelines for hypothyroidism in adults. Thyroid, 22(12), 1200–1235.
Guyon, I., & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3, 1157–1182.
He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284.
Jonklaas, J., et al. (2014). Guidelines for the treatment of hypothyroidism. Thyroid, 24(12), 1670–1751.Bidyapati. (n.d.). Hypothyroid disease dataset. Kaggle. https://www.kaggle.com/datasets/bidyapati/hypothyroid
Kaur, P., & Kumari, S. (2022). Diabetes prediction using SMOTE and k-nearest neighbor algorithm. International Journal of Advanced Computer Science and Applications, 13(5), 100–108.
Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106
Roberts, C. G. P., & Ladenson, P. W. (2004). Hypothyroidism. The Lancet, 363(9411), 793–803. Orgiazzi, J. (2012). Autoimmune thyroid disease. Endocrinology and Metabolism Clinics of North America, 41(2), 245–261.
Temurtas, H., Yumusak, N., & Temurtas, F. (2009). A comparative study on diabetes disease diagnosis using neural networks. Expert Systems with Applications, 36(4), 8610–8615.
Weetman, A. P. (2021). An update on the pathogenesis of Hashimoto's thyroiditis. Journal of Endocrinological Investigation, 44(5), 883–890.
World Health Organization. (2007). Assessment of iodine deficiency disorders and monitoring their elimination: A guide for programme managers (3rd ed.). World Health Organization.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารนวัตกรรมบริหารธุรกิจและการบัญชี
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ต้องใส่ข้อความลิขสิทธิ์
