การจำแนกสัญญาณไฟฟ้าหัวใจผู้ป่วยหัวใจสั่นพลิ้วด้วยเทคนิคการเรียนรู้ของเครื่อง ANN และ ANFIS

โรคหัวใจสั่นพลิ้ว (Atrial Fibrillation, AF) เป็นพยาธิสภาพหัวใจเต้นผิดจังหวะชนิดหนึ่ง โดยผู้ที่เป็นโรค AF นั้นมีโอกาสเสี่ยงต่อการป่วยร้ายแรงจนถึงขั้นเสียชีวิตจากการพัฒนาการของโรค งานวิจัยนี้เป็นการศึกษาการจำแนกสัญญาไฟฟ้าหัวใจจาก ECG (Electrocardiogram) ของผู้ป่วย AF ด้วยเทคนิคการเรียนรู้ของเครื่อง (Machine learning, ML) เทคนิคโครงข่ายประสาทเทียม (Artificial Neuron Network, ANN) และเทคนิคระบบอนุมานฟัซซี่แบบปรับตัวได้ (Adaptive Neuro-Fuzzy Inference System, ANFIS) โดยมีวัตถุประสงค์คือ การศึกษาหาคุณลักษณะที่สำคัญทางการแพทย์ของผู้ป่วยโรค AF เพื่อใช้สร้างโมเดลคัดแยกผู้ป่วย AF โดยเปรียบเทียบหาพารามิเตอร์และเทคนิคที่เหมาะสมโดยใช้ข้อมูลจาก 2 ฐานข้อมูล คือ ฐานข้อมูล Physionet และฐานข้อมูลผู้ป่วย รพ.ธรรมศาสตร์เฉลิมพระเกียรติ มหาวิทยาลัยธรรมศาสตร์ การศึกษาและการพัฒนาโมเดลการคัดแยกผู้ป่วย AF ในงานวิจัยนี้ ผู้วิจัยได้ทำการทบทวนวรรณกรรม ทำการศึกษาข้อมูล ECG ของฐานข้อมูลจากการทดสอบทางสถิติ การสร้างโมเดลคัดแยกผู้ป่วย AF ทั้ง 3 กลุ่ม ประกอบด้วย กลุ่มคนปกติที่ไม่เป็นโรค AF (NSR) กลุ่มผู้ป่วยโรค AF ชนิดชั่วคราว (paroxysmal AF, PAF) และกลุ่มผู้ป่วยโรค AF ชนิดถาวร (persistent AF) ค่าพารามิเตอร์ที่แตกต่างกันของแต่ละกลุ่มและเทคนิคที่นำมาใช้ในการสร้างโมเดลคัดแยกผู้ป่วย AF ให้ค่าประสิทธิภาพที่แตกต่างกัน ซึ่งในงานวิจัยได้นำเสนอช่วงเวลา ECG และพารามิเตอร์ที่เหมาะสมโดยอาศัยความไม่คงที่ของคลื่น RR สำหรับใช้ในการคัดแยกผู้ป่วย AF ด้วยเทคนิคการเรียนรู้ของเครื่อง (Machine learning, ML) เทคนิค Artificial Neuron Network (ANN) และเทคนิค Adaptive Neuro-Fuzzy Inference System (ANFIS) ใน 2 รูปแบบ คือ โมเดลคัดแยกผู้ป่วย AF 2 ระดับ สำหรับการคัดแยกผู้ป่วย AF และไม่ใช่ AF และ โมเดลคัดแยกผู้ป่วย AF สำหรับ 3 ระดับ สำหรับการคัดแยกกลุ่มคนปกติที่ไม่เป็นโรค AF (NSR), กลุ่มผู้ป่วยโรค AF ชนิดชั่วคราว (paroxysmal AF, PAF) และกลุ่มผู้ป่วยโรค AF ชนิดถาวร (persistent AF) ซึ่งแตกต่างจากวิธีการคัดแยกผู้ป่วย AF ในปัจจุบันที่อาศัยเครื่องมือ หรืออุปกรณ์ในการตรวจวัด ECG จากเดิมระยะเวลามาตรฐานที่ 24 ชั่วโมง เหลือเพียงแค่ 2.5 นาที พร้อมทั้งพารามิเตอร์ที่พัฒนาและนำเสนอขึ้นมาจากงานวิจัยนี้ที่สามารถคัดแยกระดับอาการผู้ป่วย AF ออกจากผู้ที่ไม่เป็น AF ได้ประสิทธิภาพการคัดแยกที่สูงสุดในการทดสอบโมเดล เมื่อเทียบกับพารามิเตอร์ที่มีการใช้อยู่ในปัจจุบัน โดยโมเดลที่ให้ประสิทธิภาพสูงสุดในการคัดแยกคือ โมเดลคัดแยกผู้ป่วย AF ที่ใช้ค่ากำลังสองของการเปลี่ยนแปลงค่าเฉลี่ยของ RR interval (The square of average variation, SAV) เป็นพารามิเตอร์และเทคนิค ANFIS ในรูปฟังก์ชันการเป็นสมาชิกรูปสี่เหลี่ยมคางหมู โดยให้ประสิทธิภาพการคัดแยกประกอบด้วยค่าความถูกต้องของโมเดล เท่ากับ 89.33% และค่าความไว (sensitivity, SE) ค่าความจำเพาะ (specificity, SP) และค่าความน่าจะเป็น (positive predictivity, PPR) สำหรับกลุ่ม NSR ที่ 100.00%, 94.00% และ 89.29%, กลุ่ม PAF ที่ 88.00%, 90.57% และ 81.48% และกลุ่ม AF ที่ 80.00%, 96.00%, และร้อยละ 90.91 ตามลำดับโมเดลการคัดแยกผู้ป่วย AF ที่พัฒนาขึ้นในงานวิจัยนี้เป็นแนวทางสำหรับใช้อธิบายความสัมพันธ์ของข้อมูลจากสัญญาณ ECG ของผู้ป่วยกับอาการหรือใช้สำหรับคัดกรองผู้ป่วย AF ซึ่งจะเป็นประโยชน์ต่อการศึกษาวิจัยที่เกี่ยวข้องและใช้เป็นแนวทางสำหรับพัฒนาเครื่องมือ หรืออุปกรณ์ทางการแพทย์เพื่อประโยชน์ต่อการรักษาให้ผู้ป่วยมีโอกาสกลับคืนสู่ภาวะปกติ