การพัฒนาโปรแกรมการจำแนกโรคพาร์กินสันด้วยปัจจัยเสี่ยง และอาการที่นอกเหนือจากปัญหาด้านการเคลื่อนไหว

Abstract

โรคพาร์กินสันเป็นโรคความเสื่อมของเซลล์ประสาทที่พบได้บ่อยในผู้สูงอายุมีสาเหตุมาจากการเสื่อมของเซลล์ประสาทบริเวณก้านสมองนอกเหนือจากอาการด้านการเคลื่อนไหวแล้วยังมีปัจจัยเสี่ยงหลายประการทอี่าจเพิ่มโอกาสในการเกิดโรครวมถึงผู้ป่วยอาจพบเจอกับอาการทนี่อกเหนือจากปัญหาด้านการเคลื่อนไหวซึ่งสามารถปรากฏได้ก่อนอาการด้านการเคลื่อนไหวหลายปีส่งผลกระทบต่อคุณภาพชีวิตทั้งนี้การเข้าถึงการตรวจวินิจฉัยยังมีข้อจำกัดหลายประการการศึกษานี้จึงนำข้อมูลปัจจัยเสี่ยงได้แก่ อายุ เพศโดยกำเนิด ระดับการศึกษาและอาการที่นอกเหนือจากปัญหาด้านการเคลื่อนไหวจากกลุ่มตัวอย่างที่มีอายุมากกว่า 40 ปีทั้งหมด 132 ราย (ผู้ป่วยพาร์กินสัน 65 ราย และผู้ที่มีสุขภาพดี 67ราย) มาพัฒนาแบบจำลองการจำแนกด้วยโมเดล decision tree (DT),random forest (RF), support vector machine (SVM), LogitBoost, k-nearestneighbors (K-NN) และ logistic regression (LR) ร่วมกับเทคนิคการคัดเลือกคุณลักษณะด้วยวิธี Recursive Feature Elimination (RFE) โดยใช้ตัวคัดเลือก 3 วิธี ได้แก่ SVM,RF และ LR และประเมินประสิทธิภาพ ด้วยวิธี 10-fold cross-validation ซ้ำทั้งหมด 10 รอบผลการทดลองพบว่า การคัดเลือกคุณลักษณะด้วย RFE-SVM ร่วมกับ decision tree ให้ประสิทธิภาพโดยรวมดีที่สุด โดยมีค่าความถูกต้องเป็น 93.70 ± 0.96%ค่าความไวเป็น 90.43 ± 1.78% ค่าความจำเพาะเป็น 96.76 ± 1.07% และ ค่า F1-Score เป็น 93.15 ± 1.12% และมีประสิทธิภาพเหนือกว่าวิธีอื่นอย่างมีนัยสำคัญทางสถิติ (p <0.05) นอกจากนี้ยังพบว่า อาการท้องผูก อายุ และอาการกลั้นปัสสาวะไม่อยู่ เป็นปัจจัยที่มีความสำคัญสูงสุดในการจำแนกโรคผลการศึกษาชี้ว่าอาการที่นอกเหนือจากปัญหาด้านการเคลื่อนไหวสามารถใช้เป็นตัวบ่งชี้ที่มีประสิทธิภาพ และมีศักยภาพในการพัฒนาเป็นเครื่องมือคัดกรองเบื้องต้นเพื่อช่วยให้ผู้มีความเสี่ยงเข้ารับการวินิจฉัยได้รวดเร็วยิ่งขึ้น

Parkinson’s disease is a common neurodegenerative disorder in the elderly, caused by the degeneration of neurons in the brainstem. Besides motor symptoms, there are several risk factors that may increase the likelihood of developing the disease. Patients may also experience non-motor symptoms that can manifest years before motor symptoms appear,significantly affecting quality of life. However, access to diagnosis remains limited by several constraints. This study utilized risk factor data including age, biological sex, education level, and non-motor symptoms from 132 participants aged over 40 years (65 Parkinson's disease patients and 67 healthy controls), to develop classification models using decision tree (DT), random forest (RF), support vector machine (SVM), LogitBoost, k-nearest neighbors (K-NN), and logistic regression(LR), combined with feature selection using Recursive Feature Elimination (RFE) with three estimators: SVM, RF, and LR. Model performance was evaluated using 10-fold cross-validation repeated 10 times. The results showed that RFE-SVM combined with DT achieved the best overall performance, with an accuracy of 93.70 ± 0.96%, sensitivity of 90.43 ± 1.78%,specificity of 96.76 ± 1.07%, and F1-Score of 93.15 ± 1.12%, significantly outperforming other methods (p < 0.05). Furthermore, constipation, age, and urinary incontinence were identified as the most important factors for disease classification. The findings suggest that non-motor symptoms can serve as effective indicators and have the potential to be developed into a preliminary screening tool to facilitate earlier diagnosis for individuals at risk.