การจำแนกประเภทหลายหมวดหมู่ด้วยการเรียนรู้ของเครื่องเพื่อพยากรณ์ระดับน้ำตาลสะสมในเลือดของผู้ป่วยเบาหวานชนิดที่ 2Machine Learning-Based Multiclass Classification for Predicting the Cumulative Blood Sugar Levels in Type 2 Diabetes Patient

Abstract

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อจำแนกกลุ่มระดับน้ำตาลสะสมในเลือดและการควบคุมโรคของผู้ป่วยเบาหวานชนิดที่ 2 ด้วยแบบจำลองการเรียนรู้ของเครื่อง โดยรวบรวมข้อมูลเวชระเบียนจำนวน 28,431 เวชระเบียน 37 คุณลักษณะ นำมาผ่านกระบวนการจัดเตรียมข้อมูล การคัดเลือกคุณลักษณะด้วยวิธีการลดคุณลักษณะโดยการวัดค่าสารสนเทศ (Information Gain Feature Reduction; IG) การกำจัดคุณลักษณะแบบวนซ้ำ (Recursive Feature Elimination; RFE) และการวัดความสำคัญของคุณลักษณะด้วยวิธีป่าสุ่ม (Random Forest Importance; RFI) การจัดการกับข้อมูลไม่สมดุลด้วยเทคนิค Synthetic Minority Over-sampling Technique; SMOTE (SM) เทคนิค Borderline-SMOTE (BM) และเทคนิค Adaptive Synthetic (ADA) และสร้างแบบจำลองด้วย 5 อัลกอริทึม การจำแนกประเภทหลายหมวดหมู่ ผลการวิจัยพบว่า แบบจำลอง IG + SM ร่วมกับอัลกอริทึมป่าสุ่ม (Random Forest) มีประสิทธิภาพสูงสุด โดยมีร้อยละความถูกต้องความแม่นยำ ความครบถ้วน และค่า F1 Score เท่ากับ 81.89 82.13 81.89 81.83 ตามลำดับ จากผลการวิจัยสามารถนำแบบจำลองไปประยุกต์ใช้เพื่อประกอบการตัดสินใจส่งตรวจติดตามระดับน้ำตาลสะสมในเลือดเพิ่มเติมจากปกติและช่วยเพิ่มประสิทธิภาพในการควบคุมโรคเบาหวานในเขตพื้นที่รับผิดชอบของโรงพยาบาล

This research aims to classify cumulative blood sugar levels (Hemoglobin A1c) and assess disease control in type 2 diabetes patients using machine learning models. A total of 28,431 medical records with 37 attributes were collected and processed through data preparation. Feature selection was performed using Information Gain (IG), Recursive Feature Elimination (RFE), and Random Forest Importance (RFI) methods. Imbalanced data was addressed using the Synthetic Minority Over-sampling Technique; SMOTE (SM), Borderline-SMOTE (BM), and Adaptive Synthetic (ADA) techniques. Models were developed using five multiclass classification algorithms. The results demonstrated that the IG + SM model, combined with the Random Forest algorithm, yielded the highest performance, with an accuracy, precision, recall, and F1 score of 81.89%, 82.13%, 81.89%, and 81.83% respectively. These findings can be applied to support decision-making for additional cumulative blood sugar level testing beyond routine practices and to enhance the efficiency of diabetes control within the hospital's service area.