การทำนายการเกิดโรคความดันโลหิตสูงในผู้ป่วยเบาหวานชนิดที่สองโดยใช้การเรียนรู้ของเครื่อง

งานวิจัยนี้ใช้เทคนิคเหมืองข้อมูล (Data Mining) เพื่อวิเคราะห์ข้อมูลเชิงพยากรณ์ในการจำแนกผู้ป่วยที่มีภาวะแทรกซ้อนจากความดันโลหิตสูงในกลุ่มผู้ป่วยเบาหวานชนิดที่ 2 โดยใช้วิธีการเรียนรู้แบบรวม (Ensemble Learning) เพื่อรวมผลการพยากรณ์จากหลายโมเดลที่มีความหลากหลายและเป็นอิสระต่อกัน ซึ่งช่วยเพิ่มความแม่นยำและความเสถียรของแบบจำลอง ในการศึกษาได้ประยุกต์ใช้วิธีการเรียนรู้แบบถุงจำแนก (Bagging) ได้แก่ Random Forests (RFs) เปรียบเทียบกับวิธีการเรียนรู้แบบลำดับ (Boosting) ได้แก่ Gradient Boosting Trees (GBT) และ eXtreme Gradient Boosting (XGBoost) วิธีการเหล่านี้ถูกนำมาใช้ในการพัฒนาแบบจำลองพยากรณ์และประเมินประสิทธิภาพ จากผลการศึกษาพบว่า เทคนิคการเรียนรู้แบบลำดับให้ผลลัพธ์ที่ดีที่สุด โดยอัลกอริทึม XGBoost มีค่าความแม่นยำ (Precision) 80% ค่าความไว (Recall) 94% ค่าเฉลี่ย F1-score 87% และค่าประสิทธิภาพโดยใช้พื้นที่ใต้กราฟ ROC (AUC) 89%