การใช้ Machine learning เพื่อทำนายพาหะแอลฟ่าธาลัสซีเมียในหญิงตั้งครรภ์ที่มาฝากครรภ์กับโรงพยาบาลแพร่
บทคัดย่อ
บทนำ: การตรวจคัดกรองพาหะแอลฟ่าธาลัสซีเมียเบื้องต้น ใช้ค่า MCV < 80 fl และ DCIP test ให้ผลpositive ซึ่งมีความแม่นยำต่ำ ปัจจุบันมีการใช้ Machine learning (ML) ช่วยในการคัดกรองซ้ำมากขึ้น
วัตถุประสงค์: เพื่อสร้างและค้นหาแบบจำลองที่ดีที่สุดของ Machine learning ที่ให้ประสิทธิภาพดีที่สุดในการทำนายพาหะแอลฟ่าธาลัสซีเมียในหญิงตั้งครรภ์
วิธีการศึกษา: เป็นการศึกษาแบบ Diagnostic research รวบรวมข้อมูลแบบ cross-sectional จากข้อมูลหญิงตั้งครรภ์และสามี ตั้งแต่ปี 2557-2566 จำนวน 592 คู่ 1184 ราย เลือกข้อมูล จำนวน 161 ราย alpha-thal trait vs non alpha-thal trait (66 : 95) ใช้ค่าการตรวจเม็ดเลือดแดงพื้นฐาน HCT, HGB, RBC, MCV, MCH, MCHC, RDW และอายุ AGE สร้างแบบจำลอง ML algorithms ให้เครื่องคอมพิวเตอร์เรียนรู้และทำนาย ด้วยภาษา Python ในโปรแกรม Google colab แสดงประสิทธิภาพของแบบจำลองด้วยค่า accuracy (ACC), sensitivity (Sn), specificity (Sp), area under ROC curve (AUC)
ผลการศึกษา: พบว่าชุด dataset ที่ศึกษา (66:95) แบ่งข้อมูล train: test set (80:20) ML ให้ประสิทธิภาพ ในการทำนายพาหะแอลฟ่าธาลัสซีเมีย โดยมีค่า ACC, Sn, Sp, AUC ดังนี้ DT: 97,100,95,0.9643, RF: 97,100,95,1.0000 ADA: 97,100,95,0.9737 XGB: 97,100,95,0.9699 LR: 97,100,95,0.9963 DL: 93.9,100,90.5,0.9774 และ SVM: 97,100,95,1.0000
สรุป: แบบจำลองที่ให้ประสิทธิภาพดีที่สุด คือ ADA ให้ความถูกต้องในการทำนายสูงถึง 97% สามารถลดค่าใช้จ่ายการตรวจยืนยันด้วยวิธี PCR ในรายที่ผลทำนายเป็น non alpha thalassemia carrier ได้
คำสำคัญ: การเรียนรู้ของเครื่อง, พาหะแอลฟ่าธาลัสซีเมีย, กูเกิ้ล โคแลป, หญิงตั้งครรภ์
เอกสารอ้างอิง
สิริภากร แสงกิจพร. คู่มือทางห้องปฏิบัติ การการตรวจวินิจฉัยธาลัสซีเมียและฮีโมโกลบินผิดปกติ ฉบับปรับปรุง 2567. พิมพ์ครั้งที่ 9. กรุงเทพฯ: พรีเมียร์ มาร์เก็ตติ่ง โซลูชั่น; 2567.
ต่อพงศ์ สงวนเสริมศรี. ภาวะพาหะของโรคธาลัสซีเมีย. วารสารโลหิตวิทยาและเวชศาสตร์บริการโลหิต 2557;24(4):329-32.
Jopang Y, Pinmuang-ngam C, Suksaweang S, Khongthai K, Techachainiran B, Chewasateanchai M, et al. Accuracy of Immunochromatographic Strip Test for Screening of alpha thalassemia 1 Carriers at the Rural Clinical Settings. J Med Tech Assoc Thailand 2016; 44(2):5600-5607.
Laengsri V, Shoombuatong W, Adirojananon W, Nantasenamat C, Prachayasittikul, Nuchnoi P. ThalPred: a web-based prediction tool for discriminating thalassemia trait and iron deficiency anemia. BMC Med Inform Decis Mak 2019;19(1):212. doi:10.1186/s1 2911-019-0929-2.
Phirom K, Charoenkwan P, Shoombuationg W, Charoenkwan P Sirichotiyakul S, Tongsong T. DeepThal: A Deep Learning-Based Framework for the Large-Scale Prediction of the α + -Thalassemia Trait Using Red Blood Cell Parameters. Journal Clinical Medicine 2022;11(21):6305. doi.org/ 10.3390/jcm11216305
Saleem M, Aslam W, Lail MIU, Rauf HT, Nasr EA. Predicting Thalassemia Using Feature Selection Techniques: A Comparative Analysis. Diagnostics 2023;13(22):3441.doi:10.3390/diagnostis 13223441
ชิตพงษ์ กิตตินราดร. Categorical Encoding [อินเทอร์เน็ต]. 2562 [สืบค้นเมื่อ 8 เมษายน 2567]. สืบค้นจาก: https://guopai.github.io/ml-blog01.html
Naik PG, Naik GR, Patil MB. Concep- tualizing Python in Google COLAB. India: Shashwat Publication; 2021.
