Diabetes dose titration identification model

Abstract

Diabetes is a chronic disease that requires continuous treatment throughout lifespan and it risks developing a number of serious health problems, leading to high treatment cost. Admitted diabetes inpatients should receive the appropriate treatment in order to reduce severe complications and premature death. This research aims to develop the classification model for diabetic medication adjustment based on historical medical record of diabetic inpatients by applying three algorithms; Decision Tree, Naive Bayes, and Artificial neural network (ANN). By comparison of the results of each method, Decision Tree outperformed the others for Independent Dose Titration dataset (IDT). On the other hand, Artificial Neural Network algorithm could generate a model to adjust medication adjustment with high accuracy and ROC Curve for Historical Dose Titration dataset (HDT). An additional enhancement of ANN tuning was also experimented with HDT dataset and insulin. The results of this paper could support the decision making in medication adjustment of diabetes inpatients, particularly those with type-2 diabetes.

โรคเบาหวานเป็นโรคเรื้อรังที่ต้องการการดูแลรักษาตลอดชีวิตและเพิ่มความเสี่ยงต่อ การเกิดโรคแทรกซ้อนซึ่งเป็นอันตรายและมีค่าใช้จ่ายสูง ผู้ป่วยที่เข้ารับการรักษาในโรงพยาบาลควรจะได้รับการดูแลรักษาอย่างเหมาะสมเพื่อลดอัตราการเกิดภาวะโรคแทรกซ้อนและการเสียชีวิตก่อนวัยอันควร งานวิจัยชิ้นนี้มีวัตถุประสงค์ที่จะพัฒนาแบบจำลองสำหรับระบุการปรับยาในโรคเบาหวาน โดยใช้ประวัติการรักษาของผู้ป่วยเป็นข้อมูลพื้นฐานมาประยุกต์ร่วมกับเทคนิคการทำเหมืองข้อมูล 3 อัลกอริธึม ได้แก่ ต้นไม้ตัดสินใจ, นาอีฟ เบย์, โครงข่ายประสาทเทียม จากผลการทดลองพบว่าวิธีต้นไม้ตัดสินใจเมื่อใช้กับข้อมูลชุดไอดีที (IDT: Independence Dose Titration dataset) แสดงแบบจำลองสำหรับระบุการปรับยาได้แม่นยำและถูกต้องสูงกว่าอีก 2 วิธีและวิธีโครงข่ายประสาทเทียม สามารถสร้างแบบจำลองสำหรับระบุการปรับยาได้ถูกต้องและแม่นยำสูงกว่าวิธีอื่นเมื่อใช้กับข้อมูลชุดเอชดีที (HDT: Historical Dose Titration dataset) และหากมีการปรับค่าพารามิเตอร์ก็ส่งผลให้ประสิทธิภาพของโมเดลสูงขึ้น โดยได้ทำการทดลองกับข้อมูลยาอินซูลิน (Insulin dataset) ซึ่งจากผลการทดลองสามารถสร้างแบบจำลองสำหรับระบุการปรับยาใน โรคเบาหวานโดยเฉพาะผู้ป่วยโรคเบาหวานประเภท 2 ที่ช่วยสนับสนุนการตัดสินใจของแพทย์ตลอดจนวางแผนการรักษาที่เหมาะสมกับผู้ป่วยเบาหวานแต่ละรายโดยใช้วิธีเหมืองข้อมูล