การพัฒนาเครื่องตรวจวัดความหนาแน่นของมวลกระดูกแบบพกพา ด้วยวิธีการประเมินผลการทดสอบทางคลินิกและการเรียนรู้ผ่านปัญญาประดิษฐ์
ชื่อผู้แต่งข้างต้นเป็นข้อความจากระเบียนผลงาน ไม่ได้ผูกกับรหัสนักวิจัย จึงกดดูผลงานอื่นของบุคคลนี้ไม่ได้ — ในคลังนี้ 142,080 ผลงาน (63.6% ของทั้งหมด) มีชื่อผู้แต่งที่เชื่อมกับหน้าผู้แต่งได้ และ 60,298 ผลงาน (27.0%) มีผู้แต่งที่ผูกกับรหัสนักวิจัยจริง ส่วนอีก 81,382 ผลงานไม่มีข้อมูลผู้แต่งเลย (มีชื่อผู้แต่งเป็นข้อความอยู่ 142,009 ผลงาน = 63.5%)
บทคัดย่อ
งานวิจัยนี้ได้มีแนวคิดที่จะนำเอาสมบัติเฉพาะทางของแสงความยาวคลื่นใกล้อินฟาเรดที่กระดูกสามารถดูดกลืนได้ มาใช้ในการหาค่าความสัมพันธ์เปรียบเทียบกับค่ามวลกระดูก หรือ BMD ที่วัดได้จากวิธีมาตรฐาน โดยมีวัตถุประสงค์เพื่อพัฒนาต่อยอดเทคโนโลยีให้สามารถออกแบบและสร้างเครื่องมือต้นแบบในการคัดกรองภาวะโรคกระดูกพรุนอย่างง่าย ที่มีขนาดกระทัดรัด สามารถพกพาและใช้งานได้ง่าย นอกจากนั้นยังไม่มีการใช้รังสีที่จะก่อให้เกิดอันตรายทั้งผู้ใช้และบุคลากรทางการแพทย์ ซึ่งได้ทำการศึกษาการใช้แสงความยาวคลื่นเฉพาะทางที่สามารถดูดกลืนโดยกระดูกได้ นำมาทดสอบเพื่อหาความสัมพันธ์กับค่ามวลกระดูก หรือ BMD ที่ได้จากการวัดด้วยเครื่องเอกซเรย์ชนิด Dexa ในโรงพยาบาล และนำข้อมูลที่ได้มาผ่านการเรียนรู้ด้วยปัญญาประดิษฐ์โดยทดสอบกับโมเดลประเภทต่างๆทั้ง regression model, classification model โดยเลือกศึกษาอัลกอริทึมทั้งหมด 4 แบบ และทำการใส่ค่าพารามิเตอร์ต่างๆเพื่อประเมินประสิทธิภาพของความสามารถในการเพิ่มความแม่นยำของโมเดล และทำการออกแบบสร้างเครื่องคัดกรองภาวะโรคกระดูกพรุนต้นแบบจำนวน 5 เครื่อง พร้อมทั้งทำการทดสอบความสามารถในการวัด ในห้องปฏิบัติการ ในอาสาสมัคร และในผู้ป่วยมากกว่า 200 คน ผลลัพธ์ที่ได้นั้นสามารถนำข้อมูลที่ได้จากเครื่องคัดกรอง และข้อมูลอื่นๆที่เกี่ยวข้อง เช่น อายุ น้ำหนัก เพศ ของผู้ป่วย มาใช้ในการพัฒนาการเรียนรู้ของเครื่องมือโดยอาศัยหลักการ machine learning พบว่าค่าที่ได้จากเครื่องคัดกรองผู้ป่วยโรคกระดูกพรุนจะลดลงตามอายุที่เพิ่มมากยิ่งขึ้นและมีความสัมพันธ์กับ BMD ที่กำหนดโดยเครื่อง DXA การใช้ ML model เข้ามาช่วยในการทำนายโรคกระดูกพรุนขั้นรุนแรงมีประสิทธิภาพดีเป็นไปตามเกณฑ์การเลือกปฏิบัติสูงตามเกณฑ์การคัดกรองโรคกระดูกพรุน โดยใน Ridge model นั้น ได้ค่า AUC สูงถึง 0.852 แสดงถึงความแม่นยำในการคัดกรองที่ดี ซึ่งโดยหลักการแล้วทำให้สรุปได้ว่า ได้ทราบว่าค่าทางแสงที่ได้จากเครื่องคัดกรองนั้นมีความสัมพันธ์กับค่า BMD และการใช้ machine learning ก็ช่วยทำให้ประสิทธิภาพในการคัดกรองภาวะการเป็นโรคกระดูกพรุนนั้นดีขึ้นอย่างเห็นได้ชัดคำสำคัญ : มวลกระดูก, กระดูกพรุน, เครื่องคัดกรอง, ปัญญาประดิษฐ์