Publication: โมเดลทำนายคะแนนพัฒนาการในเด็กที่เป็นลมชักผ่านการหลอมรวมข้อมูลโครงสร้างและการเชื่อมโยงของสมองด้วยเทคนิค Canonical Polyadic Decomposition (CPD)
8
1
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
81
Access Rights
restricted access
Rights
ผลงานนี้สงวนสิทธิ์โดยมหาวิทยาลัยศรีนครินทรวิโรฒ ห้ามทำซ้ำ คัดลอก หรือนำไปเผยแพร่ตัดต่อโดยมิได้รับอนุญาตเป็นลายลักษณ์อักษร
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
สุธาสินี บุญชูภักดิ์ โมเดลทำนายคะแนนพัฒนาการในเด็กที่เป็นลมชักผ่านการหลอมรวมข้อมูลโครงสร้างและการเชื่อมโยงของสมองด้วยเทคนิค Canonical Polyadic Decomposition (CPD). สืบค้นจาก: https://hdl.handle.net/20.500.14740/21263
Alternative Title(s)
Developmental Scores Prediction Model in Children with Epilepsy Through Brain Structures and Connections Data Fusion Using Canonical Polyadic Decomposition (CPD)
Author(s)
Advisor(s)
Abstract
งานวิจัยนี้มุ่งเน้นการพัฒนาโมเดลเพื่อทำนายคะแนนพัฒนาการทางสติปัญญาและพฤติกรรมของเด็กที่เป็นโรคลมชัก โดยใช้การหลอมรวมข้อมูล (Data fusion) ผ่านวิธี Canonical Polyadic Decomposition (CPD) หลอมรวมข้อมูลภาพถ่าย Diffusion Tensor Imaging (DTI) และ Magnetic Resonance Imaging (MRI volume) ร่วมกับข้อมูลพัฒนาการทางสติปัญญาและพฤติกรรม เพื่อหาความสัมพันธ์ที่ซ่อนอยู่ของข้อมูลและนำมาใช้สำหรับทำนายพัฒนาการของเด็กลมชัก โมเดลสามารถให้ความแม่นยำของการทำนายผลคะแนนพัฒนาการโดยที่ Baseline model 81.6% SD±0.06 , Comparison model 1 82.3% SD±0.05 และ Comparison model 2 81.2% SD±0.09 จากผลการศึกษาชี้ให้เห็นว่า โมเดลที่พัฒนาขึ้นสามารถใช้เอกลักษณ์ที่ซ่อนอยู่ของข้อมูลจากกระบวนการวิเคราะห์ด้วย CPD เพื่อทำนายคะแนนพัฒนาการได้อย่างมีประสิทธิภำพ ซึ่งนำไปสู่แนวทางใหม่ในการประเมินความเสี่ยงของภาวะพัฒนาการล่าช้า และสามารถไปประยุกต์ใช้ร่วมในการวินิจฉัย คัดกรองและวางแผนดูแลเด็กที่เป็นโรคลมชัก
This research focuses on developing a predictive model for assessing cognitive and behavioral development scores in children with epilepsy. The model utilizes data fusion through Canonical Polyadic Decomposition (CPD) to integrate Diffusion Tensor Imaging (DTI) and Magnetic Resonance Imaging (MRI) volumetric data with cognitive and behavioral developmental assessments. The goal is to uncover hidden relationships within the data and use them for more accurate development predictions. The model achieved prediction accuracies of 81.6% (SD ± 0.06) for the baseline model, 82.3% (SD ± 0.05) for comparison model 1, and 81.2% (SD ± 0.09) for comparison model 2. The findings suggest that the developed model effectively captures underlying data structures through CPD, enhancing the accuracy of developmental predictions. This approach offers a new avenue for assessing the risk of developmental delays and can be applied to diagnosis, screening, and personalized care planning for children with epilepsy.
This research focuses on developing a predictive model for assessing cognitive and behavioral development scores in children with epilepsy. The model utilizes data fusion through Canonical Polyadic Decomposition (CPD) to integrate Diffusion Tensor Imaging (DTI) and Magnetic Resonance Imaging (MRI) volumetric data with cognitive and behavioral developmental assessments. The goal is to uncover hidden relationships within the data and use them for more accurate development predictions. The model achieved prediction accuracies of 81.6% (SD ± 0.06) for the baseline model, 82.3% (SD ± 0.05) for comparison model 1, and 81.2% (SD ± 0.09) for comparison model 2. The findings suggest that the developed model effectively captures underlying data structures through CPD, enhancing the accuracy of developmental predictions. This approach offers a new avenue for assessing the risk of developmental delays and can be applied to diagnosis, screening, and personalized care planning for children with epilepsy.