AI-driven to detect the risk of loneliness model for the local community in Thailand.

Abstract

This research addresses the significant public health challenge of loneliness, particularly within local communities in Thailand, where rapid urbanization and changing family structures contribute to social isolation. Loneliness is associated with detrimental effects on mental and physical health, including an increased risk of non-communicable diseases (NCDs), depression, anxiety, and cognitive decline. The COVID-19 pandemic has further intensified these issues. Existing methods for identifying loneliness often rely on self-reporting, which can be subjective and biased. This study explores the potential of Artificial Intelligence (AI) and Machine Learning (ML) to provide a more objective and scalable approach to detecting loneliness risk, tailored to the Thai cultural context.

The primary objectives of this research were: 1) to develop and validate an AI model that accurately predicts loneliness risk in a diverse Thai population; 2) to investigate the dynamic nature of loneliness and its underlying mechanisms; 3) to explore cultural nuances and adapt the model for different contexts; and 4) to evaluate the feasibility of integrating the AI model and visualizations into existing healthcare systems. The study included a sample size of 400 participants recruited from Ubon Ratchathani, Yasothorn, Pathum Thani, and Sakaew provinces.

A mixed-methods approach was employed, utilizing quantitative data from LINE Official Account ("Šūng way. Thịy") interactions and a dedicated website ("senior.in.th"), combined with qualitative insights. Methodologies included AI/ML techniques such as clustering (k-means), dimensionality reduction (PCA, t-SNE), and classification (Logistic Regression, SVM, Random Forest, Neural Networks). Models were evaluated using AUC, accuracy, F1-score, precision, recall, and Matthews correlation coefficient (MCC). Feature engineering and importance analysis (Information Gain, Gain Ratio) were also performed. Loneliness was assessed using validated scales, such as the UCLA Loneliness Scale and the De Jong Gierveld Loneliness Scale.

Results indicated distinct loneliness patterns: Cluster 1 comprised older adults (ages 62-97) with moderate-to-high loneliness; Cluster 2 included older adults (ages 67-97) with very low loneliness; and Cluster 3 consisted of younger adults (ages 24-57) with high loneliness. In various evaluations, Logistic Regression demonstrated the highest predictive accuracy for loneliness risk categories. For instance, with the "Stress" evaluation set, Logistic Regression achieved an accuracy of 93.8%. The top five loneliness factors identified in this research are: Loneliness Score, Budget (Financial Status), Geographic Location, Age, and Marital Status/Work Status/Stay Home (Social and Living Arrangements). Visualizations were effective in communicating risk. The analysis also revealed complex interactions between loneliness and factors such as Activities of Daily Living (ADL), blood pressure, BMI, stress, and exercise.

Future research should focus on integrating these AI tools into real-world healthcare settings and conducting pilot studies to assess feasibility and impact on clinical decisions and patient outcomes. Further investigation is needed to adapt the model for broader cultural contexts beyond Thailand. Expanding the sample size and exploring underlying mechanisms through longitudinal data are also essential directions for future work. Applying design thinking principles (Empathize, Define, Ideate, Prototype, Test) is recommended for developing culturally sensitive and effective interventions based on the model's predictions.

การวิจัยนี้มุ่งเน้นความท้าทายด้านสาธารณสุขที่สำคัญคือเรื่อง "ความเหงา" โดยเฉพาะอย่างยิ่งในชุมชนท้องถิ่นของประเทศไทย ซึ่งมีการขยายตัวของบ้านเมืองอย่างรวดเร็ว และที่สำคัญโครงสร้างครอบครัวที่เปลี่ยนแปลงไป มีส่วนทำให้เกิดความรู้สึกโดดเดี่ยวทางสังคม ความรู้สึกเหงามีผลกระทบและเป็นอันตรายต่อทั้งสุขภาพกายและสุขภาพจิต รวมถึงความเสี่ยงของโรคไม่ติดต่อ (NCDs) ที่เพิ่มขึ้น, ภาวะซึมเศร้า, ภาวะวิตกกังวล และภาวะการคิดถดถอย โดยเฉพาะในช่วงของการระบาดใหญ่ของโรคโควิด-19 ยิ่งทำให้ปัญหาเหล่านี้ทวีความรุนแรงขึ้น วิธีการระบุความเหงาเดิมใช้วิธีการรายงานตนเอง อาจเกิดอคติ การศึกษานี้จึงนำศักยภาพของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง ในการตรวจจับความเสี่ยงต่อความรู้สึกเหงา และมีการปรับให้เข้ากับบริบททางวัฒนธรรมไทย

วัตถุประสงค์หลักของการวิจัยนี้คือ: 1) เพื่อพัฒนาและตรวจสอบความถูกต้องของแบบจำลอง AI ให้สามารถทำนายความเสี่ยงต่อความเหงาได้อย่างแม่นยำในประชากรไทย; 2) เพื่อตรวจสอบลักษณะพลวัตและกลไกพื้นฐานของความเหงา; 3) เพื่อสำรวจความแตกต่างทางวัฒนธรรมและปรับใช้แบบจำลองให้เข้ากับบริบทที่แตกต่างกัน; และ 4) เพื่อประเมินความเป็นไปได้ในการบูรณาการแบบจำลอง AI ให้เข้ากับระบบดูแลสุขภาพที่มีอยู่เดิม โดยการศึกษานี้มีขนาดตัวอย่าง 400 คนที่ได้รับการคัดเลือกจากจังหวัดอุบลราชธานี ยโสธร ปทุมธานี และสระแก้ว

การวิจัยนี้ใช้การวิจัยแบบผสานวิธี โดยใช้ข้อมูลเชิงปริมาณจากการเข้าใช้งานในบัญชี LINE Official Account (LINE OA "สูงวัย.ไทย") และเว็บไซต์("senior.in.th") ร่วมกับข้อมูลเชิงคุณภาพที่ได้จากการสัมภาษณ์/สอบถามเชิงลึก ระเบียบวิธีวิจัยประกอบด้วยเทคนิค AI/ML เช่น การจัดกลุ่ม (k-means), การลดมิติข้อมูล (PCA, t-SNE) และการจัดประเภท (Logistic Regression, SVM, Random Forest, Neural Networks) แบบจำลองใช้การประเมินความถูกต้องจากค่า AUC, ความแม่นยำ (accuracy), F1-score, ความแม่นยำ (precision), ความครอบคลุม (recall) และสัมประสิทธิ์สหสัมพันธ์ของ Matthews (MCC) นอกจากนี้ยังมีการคัดเลือกตัวแปรที่ใช้ในการทำนายความรู้สึกเหงา (Feature Engineering) และการวิเคราะห์ความสำคัญแต่ละตัวแปร (Information Gain, Gain Ratio) จากเครื่องมือวัดที่ผ่านการรับรองและเป็นที่นิยมในการวัดความเหงา เช่น UCLA Loneliness Scale และ De Jong Gierveld Loneliness Scale

ผลการวิจัยพบว่า สามารถแบ่งรูปแบบความเหงาที่ออกเป็น 3 กลุ่มด้วยกัน ดังนี้ กลุ่มที่ 1 ประกอบด้วยผู้สูงอายุ (อายุ 62.97 ปี) จะมีความเหงาระดับปานกลางถึงสูง; กลุ่มที่ 2 ประกอบด้วยผู้สูงอายุ (อายุ 67.97 ปี) จะมีความเหงาระดับที่ต่ำมาก; และกลุ่มที่ 3 ประกอบด้วยผู้ใหญ่วัยหนุ่มสาว (อายุ 24.57 ปี) จะมีความเหงาระดับที่สูง นอกจากนี้ สำหรับ การประเมินความเสี่ยงต่อความเหงา แบบจำลอง Logistic Regression มีความแม่นยำในการทำนายสูงสุด เมื่อใช้ชุดข้อมูลประเมิน "ความเครียด" (Stress) กับแบบจำลอง Logistic Regressionมีความแม่นยำถึง 93.8% ปัจจัยที่มีผลต่อความเหงา 5 อันดับแรกที่พบในการวิจัยนี้คือ คะแนนความเหงา, งบประมาณ (สถานะทางการเงิน), ตำแหน่งทางภูมิศาสตร์, อายุ และสถานะการสมรส/สถานะการทำงาน/การอยู่บ้าน (ด้านสังคมและการใช้ชีวิต) และความเหงามีความสัมพันธ์กับปัจจัยต่างๆ เช่น กิจวัตรประจำวัน (ADL), ความดันโลหิต, ดัชนีมวลกาย (BMI), ความเครียด และการออกกำลังกาย เป็นต้น

การวิจัยในอนาคต ควรเน้นการบูรณาการระบบปัญญาประดิษฐ์ ให้เป็นเครื่องมือสำหรับสถานบริการดูแลสุขภาพต่างๆ เพื่อใช้ประกอบการรักษาพยาบาล ปรับปรุงแบบจำลองให้รองรับบริบทอื่นๆ พัฒนากลไกการจัดเก็บข้อมูลอย่างต่อเนื่อง นำหลักการคิดเชิงออกแบบ (Empathize, Define, Ideate, Prototype, Test) มาใช้วิเคราะห์และออกแบบเครื่องมือให้มีประสิทธิผลในการทำนายของแบบจำลองเพิ่มมากขึ้น