สาขางานวิจัย

สุขภาพและสวัสดิการ

แหล่งทุนวิจัย

ทุนสนับสนุนงานพื้นฐาน (Fundamental Fund)

ปี พ.ศ.

2569

ชื่องานวิจัย(TH)

นวัตกรรมเพื่อสุขภาพเด็ก: ดิจิทัลแพลตฟอร์มที่ขับเคลื่อนด้วยปัญญาประดิษฐ์สำหรับการจำแนกความผิดปกติของเม็ดเลือดแดงในผู้ป่วยเด็กของโรงพยาบาลอุตรดิตถ์

ชื่องานวิจัย(ENG)

Innovation in Child Health: Artificial Intelligence-Powered Digital Platform for the Classification of Red Blood Cell Disorder in Pediatric Patients at Uttaradit Hospital

นักวิจัย

พัชรี มณีรัตน์

ผู้ร่วมวิจัย

พิศิษฐ์ นาคใจ, นิยดา รักวงษ์,

ผู้เชี่ยวชาญในพื้นที่

แพทย์หญิงพัชรนภา จงอัจฉริยกุล

วัตถุประสงค์

1) เพิ่มความแม่นยำในการจำแนกประเภท: เพื่อปรับปรุงความแม่นยำของโมเดล ML ในการจำแนกความผิดปกติของเม็ดเลือดแดงในผู้ป่วยเด็ก 3 ประเภท (ปกติ ภาวะ MRBC และภาวะ MA) โดยทำได้โดยนำการแจกแจงล็อกนอร์มัลเข้ากับโมเดล NB ซึ่งข้อมูลทางการแพทย์มักมีการแจกแจงดังกล่าวซึ่งมีอาจส่วนช่วยให้โมเดลมีความแม่นยำในการทำนายมากยิ่งขึ้น 2) ระบุโมเดลที่ดีที่สุด: เพื่อประเมินและเปรียบเทียบประสิทธิภาพของโมเดล ML เหล่านี้โดยใช้เมตริกที่เหมาะสม ระบุโมเดลที่มีประสิทธิภาพมากที่สุดสำหรับการจำแนกประเภทของความผิดปกติของเม็ดเลือดแดง 3) สร้างดิจิทัลแพลตฟอร์มที่ใช้งานง่าย: เพื่อพัฒนาดิจิทัลแพลตฟอร์มที่ใช้โมเดล ML ที่มีประสิทธิภาพดีที่สุดในการจำแนกประเภทและคัดกรองความผิดปกติของเม็ดเลือดแดงในเด็ก แพลตฟอร์มนี้มีจุดมุ่งหมายเพื่อชี้ความแตกต่างระหว่างสาเหตุต่าง ๆ ของความผิดปกติดังกล่าว พร้อมทั้งสนับสนุนผู้เชี่ยวชาญด้านสุขภาพและนักศึกษาแพทย์ในการคัดกรองและใช้ประกอบการตัดสินใจในการวินิจฉัย

บทคัดย่อ

โรงพยาบาลอุตรดิตถ์ ซึ่งเป็นศูนย์กลางการให้บริการสุขภาพแก่ประชาชนในจังหวัดอุตรดิตถ์และจังหวัดใกล้เคียง และเป็นโรงพยาบาลศูนย์แห่งที่ 2 ในเขตกลุ่มจังหวัดภาคเหนือตอนล่าง นอกจากนี้ยังทำหน้าที่เป็นสถาบันร่วมผลิตแพทย์ชั้นคลินิกของคณะแพทยศาสตร์ มหาวิทยาลัยนเรศวร ตามโครงการร่วมผลิตแพทย์เพิ่มเพื่อชาวชนบท มีบทบาทสำคัญในการดูแลสุขภาพของประชากรในพื้นที่ รวมถึงการดูแลสุขภาพเด็ก ในกลุ่มงานกุมารเวชกรรม หนึ่งในภาระหน้าที่หลักของโรงพยาบาลอุตรดิตถ์ คือการให้บริการตรวจวินิจฉัยและรักษาความผิดปกติของเม็ดเลือดแดง (Red Blood Cell Disorder) ในเด็ก ซึ่งเป็นกลุ่มอาการที่ส่งผลกระทบต่อการทำงานหรือโครงสร้างของเม็ดเลือดแดง ซึ่งเป็นเซลล์ที่มีบทบาทสำคัญในการลำเลียงออกซิเจนไปยังเซลล์ต่างๆ ทั่วร่างกาย (Orkin et al., 2014) โดยความผิดปกติของเม็ดเลือดแดงสามารถจำแนกออกเป็นประเภท ได้แก่ ** ภาวะเม็ดเลือดแดงขนาดเล็ก (Microcytic Red Blood Cell: MRBC): ภาวะนี้มีลักษณะร่วมกันกับพาหะธาลัสซีเมีย (Thalassemia Trait) คือ เม็ดเลือดแดงมีขนาดเล็กกว่าปกติ ซึ่งในการวินิจฉัยภาวะนี้อาจพบได้ว่าผู้ป่วยเป็นพาหะธาลัสซีเมียแต่ไม่ได้มีภาวะโลหิตจาง ** ภาวะโลหิตจางชนิดเม็ดเลือดแดงขนาดเล็ก (Microcytic Anemia: MA): สาเหตุหลักของภาวะนี้คือ ภาวะโลหิตจางจากการขาดธาตุเหล็ก (Iron Deficiency Anemia) พาหะธาลัสซีเมีย และโรคโลหิตจางธาลัสซีเมีย (Thalassemia Disease) ภาวะโลหิตจาง (Amemia) ในเด็กเป็นภาวะที่พบได้บ่อยในเวชปฏิบัติในประเทศไทย ในตั้งแต่ปี ค.ศ. 2010 พบว่าความถี่ของการพบภาวะโลหิตจางในเด็กระหว่าง 6 - 59 เดือน คิดเป็นร้อยละ 39.8 แสดงดังภาพที่ 1 (World Health Oraganization, 2021) ผู้ป่วยที่มีภาวะโลหิตจาง หมายถึง ผู้ป่วยที่มีระดับฮีโมโกลบิน (Hemoglobin) หรือฮีมาโตคริต (Hematocrit) ต่ำกว่าค่าเฉลี่ยของเด็กปกติมากกว่า 2 เท่าของค่าเบี่ยงเบนมาตรฐาน ซึ่งผู้ป่วยเด็กที่มีภาวะโลหิตจาง องค์การอนามัยโลกได้นิยาม “ภาวะโลหิตจาง” ดังนี้ (World Health Oraganization, 2020) o เด็กอายุ 6 เดือน ถึง 5 ปีที่มีระดับฮีโมโกลบินต่ำกว่า 11 กรัม/เดซิลิตร o เด็กอายุ 5-12 ปีที่มีระดับฮีโมโกลบินต่ำกว่า 11.5 กรัม/เดซิลิตร o เด็กอายุ 12-15 ปี ที่มีระดับ ฮีโมโกลบินต่ำกว่า 12 กรัม/เดซิลิตร สาเหตุของภาวะโลหิตจางในเด็กที่พบได้บ่อย ได้แก่ ภาวะโลหิตจางจากการขาดธาตุเหล็ก เป็นภาวะโลหิตจางที่เกิดจากการขาดสารอาหาร เป็นหนึ่งในปัญหาสาธารณสุขที่พบบ่อยในหลายประเทศทั่วโลก และภาวะโลหิตจางจากโรคโลหิตจางธาลัสซีเมีย ซึ่งเป็นโรคที่ถ่ายทอดทางพันธุกรรมที่พบได้มากในทั่วทุกภาคของประเทศไทยและพบได้ทั่วโลก โดยเฉพาะอย่างยิ่งประเทศในแถบเอเชียตะวันออกเฉียงใต้ (Frangoul et al., 2021; Ferih et al., 2023) ผู้ป่วยเด็กที่มีภาวะโลหิตจางจากการขาดธาตุเหล็กจะมีอาการอ่อนเพลีย ไม่มีแรง เหนื่อยง่าย ซึม เบื่ออาหาร สำหรับผู้ป่วยที่มีภาวะโลหิตจางจากโรคโลหิตจางธาลัสซีเมียจะมีอาการตัวเหลือง ตาเหลือง และมีอาการตับม้ามโตร่วมด้วย ซึ่งหากมีการตรวจวินิจฉัยภาวะเหล่านี้ตั้งแต่ระยะแรก ผลการตรวจจะมีความสำคัญต่อการรักษาที่เหมาะสมและป้องกันภาวะแทรกซ้อนอื่น ๆ ได้ เทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence: AI) ได้ถูกพัฒนาอย่างรวดเร็วและมีอิทธิพลต่อทุกแง่มุมของชีวิตประจำวัน ซึ่ง AI ได้ถูกนำไปใช้ในการอำนวยความสะดวกในหลากหลาย ๆ ด้าน เช่น การสืบค้น การขนส่ง การเกษตรกรรม การแพทย์ และการสาธารณสุข เป็นต้น สำหรับด้านการสืบค้น AI ได้ถูกพัฒนาเพื่อรวบรวมผลการค้นหา แนะนำเนื้อหาที่เกี่ยวข้อง และตอบคำข้อถามอย่างชาญฉลาด ตัวอย่างเช่น ChatGPT ถูกพัฒนาโดย OpenAI (OpenAI, 2022) และ Germini พัฒนาโดย Google AI ซึ่งเป็นโมเดลภาษาขนาดใหญ่ (Large Language Model) ที่มีความสามารถหลากหลาย (Pichai & Hassabis, 2023) เป็นต้น ด้านการขนส่ง AI ถูกใช้เพื่อพัฒนารถยนต์ที่มีระบบไร้คนขับ ระบบนำทางอัจฉริยะ และบริการเรียกรถ สำหรับด้านการเกษตร AI ถูกพัฒนาเพื่อเพิ่มประสิทธิภาพการผลิต ติดตามสุขภาพของพืช และคาดการณ์สภาพอากาศ รวมถึงในปัจจุบันทางการแพทย์และสาธารณสุขได้นำเทคโนโลยีปัญญาประดิษฐ์ ที่ถูกพัฒนาขึ้นมาประยุกต์ใช้เพื่อช่วยดูแลสุขภาพกันอย่างแพร่หลายในด้านต่าง ๆ เช่น การตรวจสุขภาพ การวิเคราะห์วินิจฉัย หรือการค้นคว้าวิจัยทางการแพทย์ (Saputra et al., 2023) เป็นต้น การเรียนรู้ของเครื่อง (Machine Learning: ML) ถือเป็นส่วนหนึ่งของปัญญาประดิษฐ์ซึ่งเป็นการศึกษาอัลกอริทึมเพื่อทำการสร้างโมเดลหรือแบบจำลองทางคณิตศาสตร์ (Mathematics Model) จากข้อมูลตัวอย่าง หรือเรียกว่า ข้อมูลฝึกสอน (Training dataset) เพื่อใช้ในการคาดการณ์หรือตัดสินใจได้อย่างชัดเจน และที่สำคัญการเรียนรู้เชิงลึก (Deep Learning: DL) เป็นส่วนหนึ่งของวิธีการการเรียนรู้ของเครื่องบนพื้นฐานของโครงข่ายปราสาทเทียม (Artificial Neural Network) และการเรียนเชิงคุณลักษณะซึ่งมุ่งเน้นที่จะสร้างโมเดลโครงข่ายประสาทเทียมที่สามารถทำการตัดสินใจด้วยการขับเคลื่อนด้วยข้อมูลได้อย่างแม่นยำ สำหรับโมเดลที่ถูกสร้างจากอัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning Algorithms) จะมีความสามารถในการวิเคราะห์ข้อมูล ค้นหารูปแบบ (Patterns) และทำนายผลลัพธ์ ความสามารถเหล่านี้ ประกอบด้วย การจำแนกประเภทของข้อมูล (Classification) การทำนายตัวเลขที่มีความต่อเนื่อง (Regression) และการจัดกลุ่มของข้อมูล (Clustering) (Patel, 2023) การจำแนกประเภทของข้อมูลและการทำนายตัวเลขที่มีความต่อเนื่องถือเป็นการเรียนรู้แบบมีผู้สอน (Supervised Learning) ซึ่งเป็นการอาศัยข้อมูลในการฝึกฝน สำหรับการจัดกลุ่มของข้อมูลถือเป็นการเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) ซึ่งไม่จำเป็นต้องมีค่าเป้าหมายของแต่ละข้อมูลตัวอย่างในระหว่างการเรียนรู้ โครงข่ายประสาทเทียมจะได้รับข้อมูลกระตุ้นในรูปแบบต่าง ๆ และทำการจัดกลุ่มตามต้องการ โครงข่ายประสาทเทียมที่ใช้การเรียนรู้แบบไม่มีผู้สอนนี้จะเป็นการระบุกลุ่มของข้อมูลที่ใส่เข้าไป โดยจะอิงกับวิธีการจัดกลุ่มซึ่งได้เรียนรู้จากข้อมูลที่โครงข่ายเคยพบมา จาการศึกษาที่ผ่านนักวิจัยหลายท่านได้พัฒนาการจำแนกประเภท การคัดกรอง และการวินิจฉัยเกี่ยวกับความผิดปกติของเม็ดเลือดแดง ภาวะโลหิตจางและโรคโลหิตจางธาลัสซีเมีย ดังนี้ Viprakasit & Ekwattanakit (2018) ได้นำเสนอระบบการจำแนกประเภทโรคโลหิตจางธาลัสซีเมียโดยพิจารณาจากความรุนแรงทางคลินิกแทนการใช้ข้อมูลทางพันธุกรรมทั้งหมดที่ได้รับมาจากพ่อแม่ ซึ่งเป็นตัวกำหนดลักษณะทางพันธุกรรม (Genotypes) โดยใช้เทคโนโลยี Capillary Electrophoresis และ Zultiplex Ligation-Dependent Probe Amplification แต่การศึกษานี้ไม่ได้อภิปรายข้อจำกัดของเทคโนโลยีที่ใช้เหล่านี้ Laengsri et al. (2019) ได้พัฒนาโมเดล Support vector machine (SVM) และเว็บแอปพลิเคชัน “ThalPred” เพื่อแยกความแตกต่างของพาหะธาลัสซีเมียจากภาวะโลหิตจางจากการขาดธาตุเหล็กในผู้ใหญ่ อย่างไรก็ตาม การศึกษานี้ถูกจำกัดด้วยขนาดตัวอย่างที่เล็ก โดยเฉพาะอย่างยิ่งสำหรับภาวะโลหิตจางจากการขาดธาตุเหล็กและชุดข้อมูลที่ไม่สมดุล ซึ่งอาจนำไปสู่ความเอนเอียงต่อคลาสส่วนใหญ่ได้ นอกจากการศึกษาที่กล่าวถึงก่อนหน้านี้แล้ว Karnpean et al. (2022) ได้ทำการศึกษาแบบภาคตัดขวางเพื่อวิเคราะห์ความชุกของโรคโลหิตจางธาลัสซีเมียและระบุปัจจัยเสี่ยงของโรคโลหิตจางในพื้นที่รอยต่อระหว่างชายแดนไทย ลาว และกัมพูชา ซึ่งการศึกษานี้ได้ใช้ Z-test เพื่อวิเคราะห์ความชุกของธาลัสซีเมียและการถดถอยโลจีสติก (Logistic regression: LR) เพื่อระบุปัจจัยเสี่ยง รวมถึงภาวะการขาดธาตุเหล็กและชนิดของธาลัสซีเมีย อย่างไรก็ตาม การศึกษานี้มีข้อจำกัดเนื่องจากไม่สามารถปรับแก้ปัจจัยรบกวนที่อาจเกิดขึ้นได้ เช่น อายุและเพศ เป็นต้น ในโมเดล LR ซึ่งอาจส่งผลต่อความสัมพันธ์ระหว่างโรคโลหิตจางธาลัชซีเมียและตัวแปรที่ศึกษา นอกจากนี้การศึกษายังไม่ได้เกี่ยวข้องกับการพัฒนาหรือดำเนินการเทคโนโลยีและนวัตกรรม ในขณะเดียวกัน Saputra et al. (2023) ได้พัฒนาโมเดล Extreme Learning Machine (ELM) เพื่อจำแนกประเภทของโรคโลหิตจางธาลัสซีเมียในประเทศอินโดนีเซีย แม้ว่า ELM จะเป็นที่รู้จักในด้านการเรียนรู้ที่รวดเร็วในการฝึกสอนสูงและมีประสิทธิภาพ เมื่อเปรียบเทียบได้กับเครือข่ายประสาทเทียมแบบดั้งเดิม (Lin et al., 2015) แต่ก็มีข้อจำกัดเนื่องจากความไม่เสถียร (Instability) เนื่องจาก ELM สุ่มค่าพารามิเตอร์เริ่มต้นของชั้นประมวลผลที่ซ่อนอยู่ (Hidden Layer) ทำให้ผลลัพธ์ของโมเดลอาจมีความแปรปรวน (variance) สูง และไม่เสถียรในบางกรณี โดยเฉพาะเมื่อชุดข้อมูลมีขนาดเล็กหรือมีสัญญาณรบกวน (Noise) มากอาจส่งผลต่อความแม่นยำ นอกจากนี้การเลือกฟังก์ชันกระตุ้น (Activation Function) ที่ไม่เหมาะสมเช่น การใช้ Gaussian kernel อาจมีส่งผลกระทบต่อโมเดล ELM ด้วยเช่นกัน (Huang et al., 2006; Huérfano-Maldonado et al., 2023) ในขณะเดียวกัน Peña Cáceres et al. (2023) มุ่งเน้นไปที่การจำแนกประเภทของภาวะโลหิตจางจากการขาดธาตุเหล็กและโรคโลหิตจางธาลัชซีเมียในเด็กอายุต่ำกว่า 5 ปี โดยใช้อัลกอริทึม ML ได้แก่ DT Random Forest (RF), Gaussian Naive Bayes (GNB), SVM และ LR การศึกษานี้พบว่าโมเดล RF ให้ความแม่นยำสูงสุดในการจำแนกประเภทของโรคโลหิตจางธาลัสซีเมียในประชากรกลุ่มนี้ อย่างไรก็ตามการศึกษานี้ไม่ได้รวมกลุ่มพาหะธาลัสซีเมียในการจำแนกประเภท และไม่ได้ศึกษาเกี่ยวข้องกับการพัฒนาดิจิทัลแพลตฟอร์มสำหรับการใช้งานทางคลินิก ในขณะที่ Zemariam et al. (2024) พบว่า RF เป็นโมเดลที่มีประสิทธิภาพมากที่สุดในการทำนายภาวะโลหิตจางในเด็กผู้หญิงชาวเอธิโอเปีย แต่อย่างไรก็ตาม RF มีข้อจำกัดคือ การศึกษานี้อาจมีแนวโน้มที่โมเดล RF สามารถเรียนรู้รูปแบบและรายละเอียดที่เฉพาะเจาะจงมากเกินไปจากชุดข้อมูลที่ใช้ฝึกสอน จนกระทั่งไม่สามารถนำไปใช้กับข้อมูลใหม่ (Unseen Data) ได้อย่างมีประสิทธิภาพ หรือเรียกว่าปัญหา Overfitting โดยเฉพาะอย่างยิ่งกับการปรับค่าไฮเปอร์พารามิเตอร์ที่ไม่เหมาะสม (Ho, 1998) นอกจากนี้หากมีข้อมูลจำนวนมากในการฝึกสอนโมเดล RF อาจต้องใช้เวลานานในการประมวลผล (Louppe, 2015) และมีความซับซ้อนสูงจนยากที่จะเข้าใจหรืออธิบายได้ว่าโมเดลใช้หลักการใดในการทำนายผลลัพธ์ (Lipton, 2017) และอาจเกิดความเอนเอียงในคลาสหรือกลุ่มส่วนใหญ่สำหรับชุดข้อมูลที่ไม่สมดุล (Chen & Breiman, 2004) ซึ่งเป็นข้อพิจารณาที่สำคัญ จากการทบทวนวรรณกรรมที่เกี่ยวข้อง พบว่ายังไม่มีการพัฒนาโมเดลสำหรับการจำแนกและคัดกรองความผิดปกติของเม็ดเลือดแดงในผู้ป่วยเด็กที่ครอบคลุมทั้ง 3 กลุ่ม ได้แก่ กลุ่มปกติ กลุ่มที่มีภาวะเม็ดเลือดแดงขนาดเล็ก (MRBC) และกลุ่มที่มีภาวะโลหิตจางชนิดเม็ดเลือดแดงขนาดเล็ก (MA) และที่สำคัญกลุ่มงานกุมารเวชกรรม โรงพยาบาลอุตรดิตถ์ยังขาดแคลนดิจิทัลแพลตฟอร์มที่ช่วยในการคัดกรองดังกล่าว ด้วยเหตุนี้การศึกษาครั้งนี้จึงมุ่งเน้นศึกษา 4 ประเด็นหลัก ดังต่อไปนี้: I. มุ่งเน้นประชากรเฉพาะ: งานวิจัยที่มีอยู่ไม่ได้กล่าวถึงการจำแนกความผิดปกติของเม็ดเลือดแดงเหล่านี้ในเด็ก การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลที่เหมาะผู้ป่วยเด็กในกลุ่มเฉพาะนี้ของโรงพยาบาลอุตรดิตถ์ II. การพิจารณาการแจกแจงล็อกนอร์มัล (Lognormal Distribution) : การศึกษาก่อนหน้านี้ได้ใช้ ML สำหรับการจำแนกประเภทของภาวะโลหิตจาง แต่ไม่ได้พิจารณาการแจกแจงล็อกนอร์มัล ที่มักพบในข้อมูลทางการแพทย์ที่เกี่ยวข้องโดยเฉพาะ (Limpert et al., 2001; Haeckel & Wosniok, 2010) โดยเฉพาะอย่างยิ่งพารามิเตอร์ทางการแพทย์บางอย่าง เช่น ดัชนีเซลล์เม็ดเลือดแดง มักมีการแจกแจงแบบเบ้ขวา การศึกษาครั้งนี้จึงรวมการแจกแจงล็อกนอร์มัลเข้ากับโมเดล NB โดยมีจุดมุ่งหมายเพื่อปรับปรุงความแม่นยำของการจำแนกความผิดปกติของเม็ดเลือดแดงในผู้ป่วยเด็ก โดยสะท้อนรูปแบบข้อมูลพื้นฐานให้ดียิ่งขึ้น III. การลดความไม่สมดุลของคลาส: เมื่อตระหนักว่ากรณีกลุ่มหรือคลาสภาวะ MA มักมีจำนวนมากกว่าภาวะอื่น ๆ ซึ่งการศึกษาครั้งนี้จะใช้ Focal Loss ภายในโมเดล MLP เพื่อแก้ไขความไม่สมดุลนี้และปรับปรุงการจำแนกประเภทความผิดปกติของเม็ดเลือดแดงที่พบได้น้อย IV. การพัฒนาดิจิทัลแพลตฟอร์มที่ครอบคลุม: ดิจิทัลแพลตฟอร์มที่ใช้งานง่ายซึ่งรวมโมเดล ML ต่างๆ ที่ได้รับการพัฒนา เพื่อให้เป็นนวัตกรรมที่ครอบคลุมสำหรับการจำแนกและคัดกรองความผิดปกติของเม็ดเลือดแดง แพลตฟอร์มนี้มีจุดมุ่งหมายเพื่อเพิ่มความแม่นยำในการวินิจฉัยและประสิทธิภาพสำหรับผู้เชี่ยวชาญด้านสุขภาพและนักศึกษาแพทย์ต่อไป

คำสำคัญ

คามผิดปกติของเม็ดเลือดแดง, ปัญญาประดิษฐ์, การจำแนกประเภท, ดิจิทัลแฟลตฟอร์ม, โมเดลการเรียนรู้ของเครื่อง

ไฟล์เอกสาร