แบบจำลองข้อมูลจากการเปลี่ยนแปลงของสัญญาณชีพเพื่อจำแนกผู้ป่วยโรคหัวใจขาดเลือดเฉียบพลันที่มีโอกาสเสียชีวิตในโรงพยาบาล

โรคหัวใจขาดเลือดเฉียบพลันเป็นหนึ่งในโรคที่เป็นสาเหตุการเสียชีวิตอันดับต้น ๆ ของโลกแม้จะได้การรักษาด้วยการขยายหลอดเลือดหัวใจด้วยบอลลูนและการใส่ขดลวดแล้วก็ตาม การ ศึกษา นำคุณลักษณะและสัญญาณชีพของผู้ป่วยในช่วงแรกของการขยายหลอดเลือดเพื่อทำเหมืองแร่ข้อมูลและสร้างแบบจำลองข้อมูลที่มีประสิทธิภาพเพื่อจำแนกผู้ป่วยที่มีโอกาสเสียชีวิตในโรงพยาบาล ย่อมทำให้ผู้ป่วยได้รับการดูแลรักษาที่ดียิ่งขึ้น การศึกษานี้มีวัตถุประสงค์เพื่อศึกษาคุณลักษณะที่สำคัญในการจำแนกผู้ป่วยโรคหัวใจขาดเลือดเฉียบพลันที่มีโอกาสเสียชีวิตในโรงพยาบาล สร้างแบบจำลองข้อมูลในการจำแนกผู้ป่วย และวัดผลแบบจำลองต่าง ๆ เปรียบเทียบทั้งแบบจำลองข้อมูลที่มีการคัดเลือกคุณลักษณะที่เกิดจากการเรียนรู้ของเครื่อง กับการคัดเลือกคุณลักษณะโดยอายุรแพทย์โรคหัวใจผู้เชี่ยวชาญด้านปฏิบัติรักษาโรคหัวใจและหลอดเลือด โดยศึกษาจากชุดข้อมูลผู้ป่วยที่เข้ารับการรักษาในโรงพยาบาลพระมงกุฎเกล้าด้วยการทำหัตถการทางหลอดเลือด ระหว่างเดือนสิงหาคม 2557 ถึงเดือนสิงหาคม 2564 ซึ่งผลการศึกษาพบว่าจากชุดข้อมูลผู้ป่วยที่ได้รับการทำหัตถการทางหลอดเลือดทั้งสิ้น 3,109 ราย มีผู้ป่วย 1,123 รายที่ได้รับการวินิจฉัยโรคหัวใจขาดเลือดเฉียบพลันและได้รับการรักษาด้วยการด้วยการขยาดหลอดเลือดหัวใจด้วยบอลลูนและการใส่ขดลวด เป็นผู้ป่วยที่มีอายุเฉลี่ย 66.22 ± 12.88 ปี เป็นเพศชายร้อยละ 68.51 ได้รับการวินิจฉัยเป็น ST segment elevation acute coronary syndrome ร้อยละ 33.63 การคัดเลือกคุณลักษณะด้วยการเรียนรู้ของเครื่องด้วยชุดคำสั่ง recursive feature elimination with cross-validation (RFECV) พบว่ามี 15 คุณลักษณะที่สำคัญ โดยแบบจำลองข้อมูลที่สามารถจำแนกผู้ป่วยในชุดข้อมูลทดสอบได้ดีที่สุด เป็นแบบจำลองที่สร้างด้วยชุดคำสั่ง support vector machine ที่คุณลักษณะได้จากการเรียนรู้ของเครื่อง โดยมีค่า accuracy 0.81 และค่า recall 0.61 ในขณะที่แบบจำลองข้อมูลที่สร้างด้วยวิธีเดียวกันจากคุณลักษณะที่คัดเลือกโดยผู้เชี่ยวชาญมีค่า accuracy 0.76 และค่า recall 0.61 การศึกษานี้จึงสามารถสรุปได้ว่า การสร้างแบบจำลองข้อมูลเพื่อจำแนกผู้ป่วยที่มีโอกาสเสียชีวิตในโรงพยาบาลด้วยการใช้ชุดคำสั่งการเรียนรู้ของเครื่องในทุกกระบวนการ ตั้งแต่กระบวนการคัดเลือกคุณลักษณะ ไปจนถึงกระบวนการสร้างแบบจำลองข้อมูล จะได้แบบจำลองข้อมูลที่มีประสิทธิภาพเหนือกว่าการเลือกคุณลักษณะโดยผู้เชี่ยวชาญ