บทบาทเทคโนโลยีปัญญาประดิษฐ์สำหรับจัดการโรคเบาหวาน
คำสำคัญ:
เบาหวาน, ปัญญาประดิษฐ์, การวินิจฉัยบทคัดย่อ
โรคเบาหวานเป็นโรคเรื้อรังที่ยังเป็นปัญหาทางสาธารณสุขของประเทศไทย และหลายประเทศทั่วโลก การวินิจฉัยโรคที่มุ่งเน้นเพียงการตรวจวัดระดับน้ำตาลในเลือด อาจยังไม่สามารถคัดกรองโรคได้ตั้งแต่เนินๆ ปัญหาข้างต้นทำให้นักวิจัยต้องการที่จะหาวิธีการทำนายโรคให้ได้สะดวกและรวดเร็วมากขึ้น ปัจจุบันการประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์เริ่มมีบทบาทในด้านการวินิจฉัย และดูแลผู้ป่วยเบาหวานมากขึ้น การใช้ประโยชน์จากการเรียนรู้ชุดข้อมูลของการเรียนรู้ของเครื่อง (Machine Learning: ML) และการวิเคราะห์ข้อมูลผ่านการเรียนรู้เชิงลึก (Deep learning: DL) คือกระบวนการสำคัญของการพัฒนา AI สำหรับใช้งานทางด้านวิทยาศาสตร์สุขภาพ จึงทำให้มีการพัฒนาและประยุกต์ใช้ AI ในการวินิจฉัยโรคเบาหวานจากข้อมูลของผู้ป่วย ตลอดจนสามารถระบุชุดข้อมูลที่มีนัยสำคัญต่อการวินิจฉัยได้อย่างมีประสิทธิภาพ ทำให้สามารถช่วยพัฒนาการวินิจฉัย รักษา และจัดการโรคเบาหวานได้อย่างมีประสิทธิภาพ บทความฉบับนี้จึงมีความสนใจที่จะสำรวจข้อมูลการศึกษา และการประยุกต์ใช้ AI ในการวินิจฉัยคัดกรองผู้ป่วยโรคเบาหวาน โดยพรรณนาข้อมูลทั่วไปเกี่ยวกับโรคเบาหวาน และเทคโนโลยีปัญญาประดิษฐ์ เช่น บทบาท ข้อดี และรายงานการวิจัยพัฒนา AI สำหรับวินิจฉัยโรคเบาหวาน ซึ่งทำการค้นคว้าข้อมูลทั่วไป และงานวิจัยจาก Google scholar ผ่านคำค้น “เบาหวาน” “ปัญญาประดิษฐ์” “Diabetes mellitus หรือ DM” “Artificial Intelligence หรือ AI” โดยสุ่มเลือกใช้ข้อมูลและงานวิจัยที่เผยแพร่ช่วงปี ค.ศ. 2019 ถึง 2023 ผลจากการศึกษานี้อาจมีประโยชน์ต่อการพัฒนาระบบทางด้านสาธารณสุขในขั้นตอนการวินิจฉัยโรค และการเพิ่มประสิทธิภาพในการรักษาโรค โดยอาจสามารถนำไปประยุกต์ใช้โรคอื่นๆ ได้อย่างมีประสิทธิผล
References
ADA. (2024, February 26). Diabetes Diagnosis & Tests | American Diabetes Association. Diagnosis. From https://diabetes.org/about-diabetes/diagnosis
Alshammari, R., Atiyah, N., Daghistani, T., & Alshammari, A. (2020). Improving accuracy for diabetes mellitus prediction by using deepnet. Online Journal of Public Health Informatics, 12(1).
Aroonrak, T., Supawantanakul, D., Banyati, P., & Chantan, C. (2019). The comparison of learning models of machine for screening diabetic patients who has foot numbness. The 10th Hatyai National and International Conference, 736-749. (in Thai)
Brahmbhatt, D. H., Ross, H. J., & Moayedi, Y. (2022). Digital technology application for improved responses to health care challenges: Lessons learned from COVID-19. Canadian Journal of Cardiology, 38(2), 279-291.
Cheheltani, R., King, N., Lee, S., North, B., Kovarik, D., Evans-Molina, C., Leavitt, N., & Dutta, S. (2022). Predicting misdiagnosed adult-onset type 1 diabetes using machine learning. Diabetes Research and Clinical Practice, 191, 110029.
Chun, J.-W., & Kim, H.-S. (2023). The present and future of artificial intelligence-based medical image in diabetes mellitus: Focus on analytical methods and limitations of clinical use. Journal of Korean Medical Science, 38(31).
Dias, S., Pheiffer, C., Rheeder, P., & Adam, S. (2019). Screening and diagnosis of gestational diabetes mellitus in South Africa: What we know so far. South African Medical Journal, 109(7), 457.
Dinh, A., Miertschin, S., Young, A., & Mohanty, S. D. (2019). A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Medical Informatics and Decision Making, 19(1), 211.
Grzybowski, A., Brona, P., Lim, G., Ruamviboonsuk, P., Tan, G. S., Abramoff, M., & Ting, D. S. (2020). Artificial intelligence for diabetic retinopathy screening: A review. Eye, 34(3), 451-460.
Huang, X., Wang, H., She, C., Feng, J., Liu, X., Chen, L., & Tao, Y. (2022). Artificial intelligence promotes the diagnosis and screening of diabetic retinopathy. Frontiers in Endocrinology, 13: 946915.
Kleibert, M., Mrozikiewicz-Rakowska, B., Bąk, P. M., Bałut, D., Zieliński, J., & Czupryniak, L. (2022). Breakdown of diabetic foot ulcer care during the first year of the pandemic in Poland: A retrospective national cohort study. International Journal of Environmental Research and Public Health, 19(7), 3827.
Lee, D., & Yoon, S. N. (2021). Application of artificial intelligence-based technologies in the healthcare industry: Opportunities and challenges. International Journal of Environmental Research and Public Health, 18(1), 271.
Nomura, A., Noguchi, M., Kometani, M., Furukawa, K., & Yoneda, T. (2021). Artificial intelligence in current diabetes management and prediction. Current Diabetes Reports, 21(12), 61.
Rich, E. (2023). The role of artificial intelligence in diabetes mellitus care. Insights in Nutrition and Metabolism, 7(4).
Sitasean, N., Krainuwat, K., & Koshakri, R. (2020). Prevalence of diabetic nephropathy and factors predicting diabetic nephropathy among type 2 diabetes mellitus patients in Public Health Centers, Bangkok Metropolitan. 38(4), 31-43. (in Thai)
Sriphan, I. (2020). Things to know about diabetes mellitus. The Office of Disease Prevention and Control 9th Nakhon Ratchasima Journal, 26(1), 47-52. (in Thai)
Sripimsor, K., & Wisaeng, K. (2023). Predicting diabetes mellitus by using data mining techniques. Journal of Information Technology Management and Innovation, 10(1), 51-63. (in Thai)
Srivanichakorn, W., & Rawdaree, P. (2022). Diabetes prevention for Thailand. Journal of Health Science, 31(2), 363-375. (in Thai)
Tan, G. W. L., Chandrasekar, S., Lo, Z. J., Hong, Q., Yong, E., Lingam, P., Zhang, L., Quek, L. H. H., & Pua, U. (2020). Early experience in the COVID-19 pandemic from a vascular surgery unit in a Singapore tertiary hospital. Journal of Vascular Surgery, 72(1), 12-15.
Tangsakul, P. (2023). Nursing care of diabetic patient with foot complications: Case study. Journal of Health and Environmental Education, 8(1), 324-332. (in Thai)
Tepdang, S. (2023). The classification of diabetic patients using machine learning method by feature selection. RMUTSB ACADEMIC JOURNAL, 11(1), 29-44. (in Thai)
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารสาธารณสุขและวิทยาศาสตร์สุขภาพ
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ วารสารสาธารณสุข
