Prediction Models for Diabetes and High Blood Pressure Treatments using Data Mining Techniques

Abstract

The purpose of this research was to study the prognostic modeling of diabetes and hypertension treatment. In this research, data on diabetes and hypertension treatment data were collected from Thung Khao Luang Hospital database. Thung Khao Luang District Roi Et Province From January 2018 to December 2020. To select relevant factors to optimize the model with Chi-Square test, Gain Ratio and Information Gain were used. In addition, the C4.5 decision tree , the K-Nearest Neighbours, the random tree , the multi-layer perceptron , and Logistic Model Trees techniques were employed to build prognostic treatment models. It has been used to model the treatment prognosis for diabetes and hypertension. In this experiment, the researcher used the 10-Fold Cross Validation principle to divide the data set into learning and test sets. To demonstrate the effectiveness of the technique for factor selection by sensitivity, specificity, and accuracy. From the experiment, Diabetes treatment data set using Chi-Square test with Logistic Model Trees (LMT) technique, sensitivity, specificity and the accuracy The highest accounted for 95.08, 54.35 and 70.00 percent, respectively. The data set for the treatment of hypertension with Chi-Square test using Decision Tree (DT C4.5) technique gave sensitivity, specificity and sensitivity. and the accuracy The highest accounted for 93.89, 62.88 and 80.82%, respectively.

งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาปัจจัยการคัดเลือกตัวแปรในการสร้างแบบจำลองเพื่อการพยากรณ์การรักษาโรคเบาหวานและโรคความดันโลหิตสูง และเปรียบเทียบประสิทธิภาพของแบบจำลองที่สร้างขึ้น งานวิจัยนี้ได้รวบรวมข้อมูลการรักษาโรคความดันโลหิตสูงจากฐานข้อมูลโรงพยาบาลทุ่งเขาหลวง อำเภอทุ่งเขาหลวง จังหวัดร้อยเอ็ด จากเดือน มกราคม พ.ศ.2561 ถึงเดือน ธันวาคม พ.ศ.2563 เลือกปัจจัยที่เกี่ยวข้องเพื่อเพิ่มประสิทธิภาพของแบบจำลองด้วย Chi-Square test ได้ถูกนำมาใช้ นอกจากนี้ เทคนิคต้นไม้ตัดสินใจ แบบ C4.5, เทคนิคเคเนียร์เรสเนเบอร์, เทคนิคต้นไม้สุ่ม, เทคนิคเพอร์เซปตรอนหลายชั้น, และเทคนิคลอจิสติกถดถอยแบบต้นไม้ ได้ถูกนำมาใช้ในการสร้างแบบจำลองการพยากรณ์การรักษาโรคเบาหวานและโรคความดันโลหิตสูง ในการทดลองนี้ผู้วิจัยได้ใช้หลักการ 10-Fold Cross Validation ในการแบ่งชุดข้อมูลออกเป็นชุดเรียนรู้และชุดทดสอบ ในการแสดงประสิทธิภาพของเทคนิคในการคัดเลือกปัจจัยด้วย ค่าความไว ค่าความจำเพาะ และค่าความถูกต้อง จากการทดลองพบว่า ชุดข้อมูลการรักษาโรคเบาหวานที่ทำการคัดเลือกตัวแปรด้วยหลักการ Chi-Square test ด้วยเทคนิค Logistic Model Trees (LMT) ให้ค่าความไว ค่าความจำเพาะ และค่าความถูกต้อง สูงสุดคิดเป็นร้อยละ 95.08, 54.35 และ 70.00 ตามลำดับ ส่วนชุดข้อมูลการรักษาโรคความดันโลหิตสูงที่ทำการคัดเลือกตัวแปรด้วยหลักการ Chi-Square test ด้วยเทคนิค Decision Tree (DT C4.5) ให้ค่าความไว ค่าความจำเพาะ และค่าความถูกต้อง สูงสุดคิดเป็นร้อยละ 93.89, 62.88 และ 80.82 ตามลำดับ