การใช้เหมืองกระบวนการข้อมูลแบบหลายชั้นสำหรับเพื่อวิเคราะห์วิถีการรักษาพยาบาลของผู้ป่วยโรคเบาหวาน

Other Title (Parallel Title in Other Language of ETD)

Multi-level process mining for analyzing the healthcare pathway of patients with diabetes diseases

Author

Kantapat Chaichareenon, คณะวิศวกรรมศาสตร์

Year (A.D.)

2024

Document Type

Thesis

First Advisor

Natawut Nupairoj

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Department (if any)

Department of Computer Engineering (ภาควิชาวิศวกรรมคอมพิวเตอร์)

Degree Name

Master of Engineering

Degree Level

Master's Degree

Degree Discipline

Computer Engineering

DOI

10.58837/CHULA.THE.2024.234

Abstract

This study addresses the challenge of chronic diseases like diabetes, requiring ongoing care. It aims to visualize revisit intervals affecting patient treatment using multi-level process mining and machine learning to identify factors causing missed appointments. Our research shows that patients with improvements have shorter revisit intervals than those deteriorating, with a P-value of 3.83x10%. A significant challenge is the high number of no-shows. Using PyCaret to compare 14 models, we found that the historical attendance of individual patients is a crucial factor in predicting no-shows, with an AUC score of 0.80 using the Gradient Boosting Clas-sifier. Our analysis suggests that understanding these factors can improve patient engagement and reduce missed appointments, enhancing care for diabetes patients.

Other Abstract (Other language abstract of ETD)

2025.03.12 วันพุธ 09:16 ส่งข้อความ รูป วิดีโอ และลิงก์มาไว้ที่นี่เพื่อเก็บไว้สำหรับตัวคุณ 09:33 Yam.maY???????? วิทยานิพนธ์เล่มนี้มุ่งเน้นการแก้ไขปัญหาของโรคเรื้อรัง เช่น โรคเบาหวาน ที่ต้องการการดูแลอย่างต่อเนื่อง โดยมีวัตถุประสงค์เพื่อแสดงช่วงเวลาการนัดหมายที่ส่งผลต่อการ รักษาผู้ป่วย โดยใช้การทำเหมืองกระบวนการหลายระดับและการเรียนรู้ของเครื่องในการระบุปัจจัยที่ทำให้เกิดการพลาดนัดหมาย ผลการวิจัยของเราพบว่าผู้ป่วยที่มีอาการดีขึ้นมีช่วงเวลาการนัดหมายที่สั้นกว่าผู้ป่วยที่อาการแย่ลง โดยมีค่า P เท่ากับ 383x10* ปัญหาสำคัญคือจำนวนผู้ป่วยที่ไม่มาตามนัดมาก การใช้ Py Caret เพื่อเปรียบเทียบ 14 โมเดล พบว่าประวัติการมาพบแพทย์ของผู้ป่วยรายบุคคลเป็นปัจจัยสำคัญในการทำนายการพลาดนัด โดย มีคะแนน AUC เท่ากับ 0.80 เมื่อใช้ Gradient Boosting Classifier การวิเคราะห์ของเรา ชี้ให้เห็นว่าการเข้าใจปัจจัยเหล่านี้สามารถปรับปรุงการมีส่วนร่วมของผู้ป่วยและลดการพลาด นัดหมาย ซึ่งจะช่วยเพิ่มประสิทธิภาพการดูแลผู้ป่วยโรคเบาหวาน

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.

Recommended Citation

Chaichareenon, Kantapat, "การใช้เหมืองกระบวนการข้อมูลแบบหลายชั้นสำหรับเพื่อวิเคราะห์วิถีการรักษาพยาบาลของผู้ป่วยโรคเบาหวาน" (2024). Chulalongkorn University Theses and Dissertations (Chula ETD). 11918.
https://digital.car.chula.ac.th/chulaetd/11918