Descriptive and predictive behaviors analytics of the elderly that are likely to result in NCDs

Abstract

Non-communicable diseases (NCDs) have a high number of cases and fatalities. Lifestyle habits or behaviors are all factors that cause non-communicable diseases, such as drinking alcohol, smoking, or a lack of exercise, inadequate rest, etc. As a result, this research examines the behaviors that contribute to diabetes, hypertension, cardiovascular disease, hyperlipidemia, and cancer in order to reduce the number of patients and fatalities from non-communicable illnesses. The algorithms used in the study were generalized linear model (GLM), deep learning (DL), decision tree (DT), and random forest (RF) using non-clustering and clustering techniques for prediction through Automated Machine Learning tools (AutoML). The relationship between non-communicable diseases was analyzed using the FP-Growth technique. The dataset utilized was non-personally identifiable questionnaire data on desirable health habits of the elderly, from the Department of Health, Ministry of Public Health, consisting of 999,999 records. Implication of the thematic paper: According to the result, age, drinking alcohol, and exercise are factors influencing disease, with deep learning identified as the most suitable algorithm. The relationship between non-communicable diseases was found

diabetes, cardiovascular disease, and hyperlipidemia are all non-communicable diseases that are linked for the benefit of health management planning and the benefit of public health.

โรคไม่ติดต่อ (NCDs) มีจำนวนผู้ป่วยและผู้เสียชีวิตเป็นจำนวนมาก โดยนิสัยหรือพฤติกรรมในการดำเนินชีวิตล้วนเป็นปัจจัยที่ทำให้เกิดโรคไม่ติดต่อทั้งสิ้น เช่น การดื่มเครื่องดื่มแอลกอฮอล์ สูบบุหรี่ ขาดการออกกำลังกาย และพักผ่อนไม่เพียงพอ เป็นต้น ดังนั้นในการศึกษานี้ได้ทำการวิเคราะห์พฤติกรรมที่นำไปสู่โรคเบาหวาน โรคความดันโลหิตสูง ภาวะไขมันในเลือดสูง โรคมะเร็ง และโรคหัวใจและหลอดเลือด เพื่อลดจำนวนผู้ป่วยและจำนวนผู้เสียชีวิตจากโรคในกลุ่มโรคไม่ติดต่อ ซึ่งอัลกอริทึมที่ใช้ในการศึกษาได้แก่ ตัวแบบเชิงเส้นนัยทั่วไป (Generalized linear model), การเรียนรู้เชิงลึก (Deep learning), ต้นไม้ตัดสินใจ (Decision tree), และป่าสุ่ม (Random forest) โดยใช้เทคนิคไม่จัดกลุ่มและจัดกลุ่มในการทำนายผ่านเครื่องมือแมชชีนเลิร์นนิงอัตโนมัติ (AutoML) และศึกษาความสัมพันธ์ของโรคไม่ติดต่อด้วยเทคนิค FP-Growth โดยใช้ชุดข้อมูลแบบสอบถามพฤติกรรมสุขภาพที่พึงประสงค์ของผู้สูงอายุจากกรมอนามัย กระทรวงสาธารณสุข จำนวน 999,999 ราย ซึ่งเป็นข้อมูลที่ไม่สา