Publication: การจำแนกการเสียชีวิตของผู้ป่วย ICU จากค่าผลเลือด โดยใช้เทคนิคการหลอมรวมข้อมูล
0
0
Issued Date
2025
Resource Type
Language
tha
File Type
application/pdf
No. of Pages/File Size
63
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Physical Location
สำนักหอสมุดกลาง มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
สินีนาท รุ่งอรุณ (2025). การจำแนกการเสียชีวิตของผู้ป่วย ICU จากค่าผลเลือด โดยใช้เทคนิคการหลอมรวมข้อมูล. สืบค้นจาก: https://hdl.handle.net/20.500.14740/55634
Alternative Title(s)
ICU Mortality Classification of Blood Laboratory Data using Data Fusion
Author(s)
Advisor(s)
Abstract
ผู้ป่วยที่เข้ารับการรักษาในหอผู้ป่วยวิกฤต (Intensive Care Unit: ICU) มักมีความเสี่ยงต่อการเปลี่ยนแปลงของอาการอย่างรวดเร็ว การประเมินสถานะของผู้ป่วยจากข้อมูลทางคลินิกจากผลตรวจทางห้องปฏิบัติการ จึงมีความสำคัญต่อการติดตามอาการและการวางแผนการรักษา โครงงานวิศวกรรมนี้มีวัตถุประสงค์เพื่อศึกษาความสัมพันธ์ระหว่างค่าเลือดของผู้ป่วยใน ICU กับสถานะในการรักษา ได้แก่ ผู้ป่วยที่ออกจากโรงพยาบาล (Discharge) และผู้ป่วยที่เสียชีวิต (Death) รวมทั้งพัฒนาโมเดลการเรียนรู้ของเครื่องเพื่อทำนายสถานะดังกล่าวจากข้อมูลค่าเลือดหลายตัวพร้อมกัน ข้อมูลที่ใช้ประกอบด้วยผลเลือดจำนวน 6 ค่า ได้แก่ BUN, Sodium, Lactate, Glucose, WBC และ PLT ซึ่งเป็นข้อมูลเชิงเวลาในช่วง 8 วันก่อนออกจากห้อง ICU หรือเสียชีวิต โดยข้อมูลทั้งหมดถูกนำมาทำ Normalization ก่อนการวิเคราะห์ จากนั้นนำข้อมูลมาจัดเรียงในรูปแบบเทนเซอร์และวิเคราะห์ด้วยวิธี Canonical Polyadic Decomposition (CPD) เพื่อสกัดแฟกเตอร์แฝงที่สะท้อนโครงสร้างความสัมพันธ์และแนวโน้มการเปลี่ยนแปลงของค่าเลือดที่มีมิติสูง ขณะเดียวกัน ได้สร้างโมเดล Support Vector Machine (SVM) ซึ่งเป็นวิธีการเรียนรู้ของเครื่องที่มีประสิทธิภาพในการจำแนกข้อมูล เพื่อใช้ในการจำแนกสถานะของผู้ป่วย ผลจากการสกัดแฟกเตอร์ด้วย CPD ถูกนำมาใช้ในการอธิบายรูปแบบและความสัมพันธ์ของข้อมูลค่าเลือด รวมถึงนำไปใช้เป็นอินพุตสำหรับการทำนายสถานะของผู้ป่วย จากนั้นทำการเปรียบเทียบประสิทธิภาพของโมเดล CPD และผลการทดลองพบว่าโมเดล SVM ให้ประสิทธิภาพในการจำแนกสถานะของผู้ป่วยโดยรวมสูงกว่าโมเดล CPD โดยมีค่า Accuracy ประมาณ 86.88% ขณะที่โมเดล CPD มีค่า Accuracy ประมาณ 67.09% อย่างไรก็ตาม โมเดล CPD สามารถอธิบายโครงสร้างข้อมูลและแนวโน้มการเปลี่ยนแปลงและความสัมพันธ์ของค่าเลือดได้ดีกว่า ผลการศึกษานี้ชี้ให้เห็นว่าการผสานการวิเคราะห์ข้อมูลเชิงโครงสร้างด้วย CPD ร่วมกับการจำแนกด้วยโมเดล SVM สามารถช่วยสนับสนุนความเข้าใจความสัมพันธ์ของข้อมูลค่าเลือดและสถานะของผู้ป่วยใน ICU ได้ ในอนาคตงานวิจัยควรพิจารณาการเพิ่มจำนวนข้อมูลผู้ป่วย การปรับค่าพารามิเตอร์ของโมเดล รวมถึงการทดลองใช้วิธีการเรียนรู้ของเครื่องอื่น ๆ เพื่อเพิ่มความแม่นยำและความน่าเชื่อถือของผลการทำนายให้เหมาะสมต่อการประยุกต์ใช้งานทางคลินิกมากยิ่งขึ้น
Patients admitted to the Intensive Care Unit (ICU) are often at risk of rapid clinical deterioration. Thus, evaluating patient status based on clinical laboratory data plays an important role in patient monitoring and treatment planning. This project aims to investigate the relationship between blood parameters of ICU patients and their clinical outcomes, namely discharge and deceased. Additionally, machine learning models were developed to predict patient outcomes based on multiple blood parameters simultaneously. The data set consisted of six laboratory parameters: BUN, Sodium, Lactate, Glucose, WBC, and PLT. These measurements were collected as time-series data during the eight days prior to ICU discharge or deceased. All data were normalized prior to analysis. The dataset was then organized into tensor form and analyzed using Canonical Polyadic Decomposition (CPD) to extract latent factors that capture the structural relationships and temporal trends in high-dimensional blood parameter data. Meanwhile, a Support Vector Machine (SVM) model, an effective machine learning method for data classification, was developed to classify patient outcomes. The factors extracted by CPD were used to explain patterns and relationships within the blood parameter and were also employed as inputs for outcome prediction. The performance of the CPD and SVM models was compared. The experimental results showed that the SVM model achieved superior overall classification performance compared to the CPD model, with an accuracy of approximately 86.88%, whereas the CPD model achieved an accuracy of approximately 67.09%. However, the CPD model demonstrated a better ability to explain the underlying data structure, temporal trends, and relationships among blood parameters. This study suggests that integrating structural data analysis using CPD with SVM-based classification can enhance understanding of the relationships between blood parameters and patient outcomes in the ICU. Future research should consider increasing the number of patient samples, optimizing model parameters, and exploring additional machine learning techniques to further improve predictive accuracy and reliability for clinical applications.
Patients admitted to the Intensive Care Unit (ICU) are often at risk of rapid clinical deterioration. Thus, evaluating patient status based on clinical laboratory data plays an important role in patient monitoring and treatment planning. This project aims to investigate the relationship between blood parameters of ICU patients and their clinical outcomes, namely discharge and deceased. Additionally, machine learning models were developed to predict patient outcomes based on multiple blood parameters simultaneously. The data set consisted of six laboratory parameters: BUN, Sodium, Lactate, Glucose, WBC, and PLT. These measurements were collected as time-series data during the eight days prior to ICU discharge or deceased. All data were normalized prior to analysis. The dataset was then organized into tensor form and analyzed using Canonical Polyadic Decomposition (CPD) to extract latent factors that capture the structural relationships and temporal trends in high-dimensional blood parameter data. Meanwhile, a Support Vector Machine (SVM) model, an effective machine learning method for data classification, was developed to classify patient outcomes. The factors extracted by CPD were used to explain patterns and relationships within the blood parameter and were also employed as inputs for outcome prediction. The performance of the CPD and SVM models was compared. The experimental results showed that the SVM model achieved superior overall classification performance compared to the CPD model, with an accuracy of approximately 86.88%, whereas the CPD model achieved an accuracy of approximately 67.09%. However, the CPD model demonstrated a better ability to explain the underlying data structure, temporal trends, and relationships among blood parameters. This study suggests that integrating structural data analysis using CPD with SVM-based classification can enhance understanding of the relationships between blood parameters and patient outcomes in the ICU. Future research should consider increasing the number of patient samples, optimizing model parameters, and exploring additional machine learning techniques to further improve predictive accuracy and reliability for clinical applications.
Description
โครงงานวิศวกรรมนี้เป็นส่วนหนึ่งของการศึกษาตามหลักสูตรวิศวกรรมศาสตรบัณฑิต ภาควิชาวิศวกรรมชีวการแพทย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ ปีการศึกษา 2568