Chulalongkorn University Theses and Dissertations (Chula ETD)
Other Title (Parallel Title in Other Language of ETD)
Using individual historical laboratory finding in machine learning for personalized health check-up recommendation
Year (A.D.)
2023
Document Type
Thesis
First Advisor
กฤษณ์ พงศ์พิรุฬห์
Faculty/College
Faculty of Medicine (คณะแพทยศาสตร์)
Department (if any)
Department of Preventive and Social Medicine (ภาควิชาเวชศาสตร์ป้องกันและสังคม)
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
การวิจัยและการจัดการด้านสุขภาพ
DOI
10.58837/CHULA.THE.2023.1375
Abstract
การคัดกรองสุขภาพเบื้องต้นด้วยการตรวจสุขภาพประจำปีเป็นกระบวนการป้องกันโรคที่กำลังได้รับความนิยมในปัจจุบัน แต่ผู้รับบริการส่วนใหญ่ได้รับการตรวจสุขภาพเป็นแพคเกจตามที่สถานพยาบาลกำหนดรูปแบบเดียวกันและอาจเหมือนเดิมทุกปี แม้การตรวจบางรายการพบความผิดปกติได้น้อย ส่งผลให้เกิดค่าใช้จ่ายที่ไม่จำเป็น ในการศึกษานี้มีจุดประสงค์เพื่อพัฒนาแบบจำลองแนะนำรายการตรวจสุขภาพที่เฉพาะบุคคล โดยทบทวนวรรณกรรมอย่างเป็นระบบ และวิเคราะห์อภิมาณ เพื่อหาความชุกของผลตรวจผิดปกติของแต่ละรายการตรวจที่ใช้ในการตรวจสุขภาพประจำปี ร่วมกับใช้ข้อมูลผลการตรวจสุขภาพของผู้รับบริการตรวจสุขภาพเคลื่อนที่สำหรับสถานประกอบกิจการกับโรงพยาบาลแห่งหนึ่งในจังหวัดชลบุรี ตั้งแต่ ปี 2559 ถึง ปี 2565 และผลตรวจที่ผิดปกติจริงในปีล่าสุด ประยุตก์ใช้เทคนิคของ Machine learning คำนวนผลออกมาในรูปแบบคะแนน IHLS (Individual historical laboratory score) และคะแนนมาจัดเรียงเป็นลำดับรายการตรวจสุขภาพที่แตกต่างกันในแต่ละบุคคล แสดงผลและสาธิตการใช้งานในรูปแบบเว็บแอปพลิเคชัน ผู้วิจัยได้ทดสอบประสิทธิภาพของแบบจำลอง พบว่า การเลือกตรวจสุขภาพตามแบบจำลอง IHLS (AUC = 0.82) มีประสิทธิภาพมากกว่า การเลือกตามความชุกของผลผิดปกติของแต่ละรายการตรวจอย่างเดียว (AUC = 0.77) และการสุ่มเลือกรายการตรวจสุขภาพ (AUC = 0.5) ช่วยให้ผู้รับบริการทั้งระดับบุคคลและระดับสถานประกอบกิจการเลือกรายการตรวจที่เหมาะกับตนเอง และจัดสรรงบประมาณได้
Other Abstract (Other language abstract of ETD)
Annual health check-ups, aimed at early disease screening, are becoming increasingly popular as a primary prevention. Despite their importance, the selection of health check-up items often lacks customization, leading to redundant tests with low abnormality detection rates. In this study, we developed a personalized health check-up recommendation model by generating Individual Historical Lab Scores (IHLS) using machine learning techniques, which are derived from the trends in individual laboratory test results of patients visiting a mobile health check-up service for workplace, along with the prevalence of abnormal test results obtained from systematic literature reviews. The results showed that the IHLS model (AUC=0.82) outperformed prevalence-based model (AUC=0.77) and baseline model (AUC=0.5) in prioritizing health check-up items for individual patients. Therefore, adopting the recommendations from this model allows individuals to receive tailored health check-up recommendations each year, catering to their specific needs and differences.
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-No Derivative Works 4.0 International License.
Recommended Citation
ทองแสวง, ศรัณยา, "การแนะนำรายการตรวจสุขภาพเฉพาะบุคคลโดยอิงผลการตรวจทางห้องปฏิบัติการในอดีตผ่านระบบการเรียนรู้ของเครื่อง" (2023). Chulalongkorn University Theses and Dissertations (Chula ETD). 73881.
https://digital.car.chula.ac.th/chulaetd/73881