บริการเอพีไอเพื่อการจำแนกระดับความเสี่ยงการเกิดแผลกดทับของผู้ป่วยติดเตียง โดยบูรณาการการเรียนรู้ของเครื่องและชุดเซนเซอร์ไร้สาย

ปราโมทย์ สิทธิจักร

ผู้แต่ง

ปราโมทย์ สิทธิจักร -

คำสำคัญ:

บริการเอพีไอ, แผลกดทับ, ผู้ป่วยติดเตียง, การเรียนรู้ของเครื่อง, เซนเซอร์ MPU-650

บทคัดย่อ

แผลกดทับเป็นสาเหตุสำคัญที่ส่งผลให้ผู้ป่วยติดเชื้อในกระแสเลือด จนทำให้ผู้ป่วยเสียชีวิตในเวลาอันรวดเร็ว จึงเป็นโจทย์สำคัญในงานวิจัยนี้ .โดยมีวัตถุประสงค์เพื่อค้นหาคุณลักษณะของชุดข้อมูลในการจำแนกระดับความเสี่ยงการเกิดแผลกดทับของผู้ป่วยติดเตียง เพื่อพัฒนาและประเมินประสิทธิภาพของโมเดลและบริการเอพีไอเพื่อการจำแนกระดับความเสี่ยงการเกิดแผลกดทับของผู้ป่วยติดเตียง โดยการเรียนรู้ของเครื่องและเซนเซอร์ รวบรวมชุดข้อมูลด้วยแบบประเมินของบาร์เดน ร่วมกับใช้เซนเซอร์เพื่อตรวจจับการเคลื่อนไหวด้วย MPU-650 กับผู้ป่วยติดเตียงในกลุ่มโรคไม่ติดต่อเรื้อรัง โรงพยาบาลวัดโบสถ์ จังหวัดพิษณุโลก จำนวน 78 คน ทดสอบประสิทธิภาพการจำแนกระดับความเสี่ยงการเกิดแผลกดทับเพื่อเลือกอัลกอริธึมที่มีประสิทธิภาพมากที่สุด ได้แก่ อัลกอริธึม KNN, WKNN การเพิ่มเทคนิคการเลือกคุณลักษณะ และเซนเซอร์ ผลการวิจัยพบว่า การเพิ่มคุณลักษณะจากเซนเซอร์ในการนับจำนวนการขยับร่างกาย/เปลี่ยนท่าทาง ในโมเดล KNN กับ Information gain แบบ 5 คุณลักษณะช่วยเพิ่มความถูกต้องในการทำนาย เฉลี่ยร้อยละ 7 โดยให้ความถูกต้องสูงสุด 93.6% ที่ k = 3 และ 7 สามารถนำมาพัฒนาบริการเอพีไอต่อเชื่อมกับโมเดลและเซนเซอร์ เพื่อรองรับการเข้าถึงจากซอฟต์แวร์ภายนอกที่พัฒนาด้วยภาษา PHP

References

Akyildiz, I. F., Su, W., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: A survey. Computer Networks, 38(4), 393-422.

Arpita, J., & Ashish, M. (2018). Analysis of K-Nearest Neighbor technique for breast cancer disease classification. International Journal of Recent Scientific Research, 9(4I), 26126-26130.

Bergstrom, N., Braden, B. J., Laguzza, A., & Holman, V. (1987). The Braden Scale for Predicting Pressure Sore Risk. Nursing Research, 36(4), 205-210.

Bo, S., Junping, D., & Tian, G. (2009). Study on the improvement of K-Nearest-Neighbor algorithm. In Proceedings of the International Conference on Artificial Intelligence and Computational Intelligence (AICI 09) (Vol. 4, pp. 390-393). IEEE Computer Society. https://doi.org/10.1109/AICI.2009.312

Fielding, R. T. (2000). Architectural styles and the design of network-based software architectures (Doctoral dissertation, University of California, Irvine).

Imandoust, S. B., & Bolandraftar, M. (2013). Application of K-Nearest Neighbor (KNN) approach for predicting economic events: Theoretical background. International Journal of Engineering Research and Applications, 3(5), 605-610.

Jabbar, M. A., Deekshatulu, B. L., & Chandra, P. (2013). Classification of heart disease using K-Nearest Neighbor and Genetic Algorithm. In International Conference on Computational Intelligence: Modeling Techniques and Applications (CIMTA) (pp. 85-94).

Jiricka, M. K., Ryan, P., Carvalho, M. A., & Bukvich, J. (1995). Pressure ulcer risk factors in an ICU population. American Journal of Critical Care, 4(5), 361-367.

Mitchell, T. M. (1997). Machine learning. McGraw-Hill.

Modi, A., Shah, K., Shah, S., Patel, S., & Shah, M. (2024). Sentiment analysis of Twitter feeds using flask environment: A superior application of data analysis. Annals of Data Science, 11(1), 159-180.

Watbot Hospital. (2016). Interview contents for gathering problems in health care system of patients lying on bed. Phitsanulok: Watbot Hospital.

Zeynu, S., & Patil, S. (2018). Prediction of chronic kidney disease using data mining feature selection and ensemble method. International Journal of Pure and Applied Mathematics, 118(24).