การรักษายุคใหม่ให้ Big Data ดูแล: Machine Learning and Predictive Analytics in Healthcare

ปัจจุบันเทรนด์ของการดูแลสุขภาพกำลังเป็นที่นิยมเป็นอย่างมาก ไม่ว่าจะเป็นเรื่องของการออกกำลังกาย โภชนาการ หรือ การดูแลตัวเองในรูปแบบต่างๆ ทำให้ธุรกิจที่เกี่ยวข้องการดูแลสุขภาพได้รับอานิสงส์จากความนิยมที่มีมากขึ้นไปด้วยเช่นกัน อาทิ อุปกรณ์กีฬา ฟิตเนส หรือ อาหารคลีนไขมันต่ำ เป็นต้น และนอกจากการดูแลตัวเองทางกายภาพแล้ว ในปัจจุบันการนำ Big Data เข้ามาเป็นอีกหนึ่งเครื่องมือในการช่วยประเมินและวางแผนการดูแลสุขภาพก็ได้รับความนิยมเพิ่มมากขึ้น

โดยปกติเราจะมาเจอกันกับการใช้บิ๊กดาต้าเพื่อการตลาด, ธุรกิจการสื่อสาร หรือแม้กระทั่งการทายผลฟุตบอล แต่สำหรับบทความนี้เพื่อเป็นการส่งเสริมให้ทุกๆ ท่านได้เข้าใจถึงประโยชน์ของการนำบิ๊กดาต้ามาประยุกต์ใช้ในการแพทย์หรือทางด้านสุขภาพ

หลายท่านน่าจะเคยเห็นเจ้าปัญญาประดิษฐ์หรือ AI ที่ได้เข้ามามีบทบาทบ้างแล้วในต่างประเทศ โดยการเข้ามาเป็นอีกหนึ่งเครื่องมือที่ช่วยแพทย์ในการวิเคราะห์อาการของคนไข้ในเบื้องต้น แต่จริงๆ แล้วยิ่งเจ้า AI นั้นสามารถวิเคราะห์และทำนายโอกาสที่จะเกิดโรคภัยไข้เจ็บให้แก่คนไข้แต่ละคนได้โดยอาศัยปัจจัยต่างๆ อาทิ ข้อมูลทั่วไปของคนไข้ ข้อมูลทางกรรมพันธุ์ หรือ พฤติกรรมเสี่ยงต่างๆ ในการใช้ชีวิต

อย่างไรก็ดี ข้อมูลพื้นฐานของการประมวลผลต่างๆ ที่ AI ใช้ประเมินหรือทำนายโรคภัยไข้เจ็บของแต่ละบุคคลในเบื้องต้นนั้นล้วนแต่มาจากพื้นฐานของการทำบิ๊กดาต้าทั้งสิ้น โดยบทความนี้จะขอนำเสนอเบื้องหลังว่า บิ๊กดาต้า ประยุกต์กับข้อมูลสุขภาพอย่างไร และข้อมูลเหล่านั้นสามารถทำนายอัตราเสี่ยงในการเกิดโรคได้อย่างไร

วันนี้เราจะมาศึกษาตัวอย่างข้อมูลของโรงพยาบาลแห่งหนึ่งในประเทศเยอรมนีที่น่าสนใจ โดยโรงพยาบาลแห่งนี้ได้เก็บข้อมูลคนไข้ที่มาฝากครรภ์กับโรงพยาบาลมาลองทำนายอัตราการเกิดโรคเบาหวานขณะตั้งครรภ์ เนื่องจากผู้หญิงที่ตั้งครรภ์มีความเสี่ยงสูงที่จะเป็นโรคเบาหวาน เพราะเป็นภาวะที่คนไข้มีน้ำตาลในเลือดสูงกว่าปกติ โดยที่อาจจะไม่เคยเป็นเบาหวานมาก่อนก็ได้ เนื่องจากฮอร์โมนจากรกมีฤทธิ์ต้านการทำงานของอินซูลิน ทำให้ร่างกายไม่สามารถนำน้ำตาลไปใช้ได้ตามปกติ มีผลทำให้ทารกมีรูปร่างอ้วนใหญ่ คลอดยาก เสี่ยงต่อการคลอดก่อนกำหนด และส่งผลให้คนไข้บางรายมีเลือดไปเลี้ยงมดลูกน้อยลง และทำให้ทารกตัวเล็กกว่าปกติ ซึ่งอาจเสียชีวิตในครรภ์ได้ ดังนั้นโรงพยาบาลจึงเห็นว่าถ้าสามารถที่จะทราบหรือคาดการณ์ความเสี่ยงของคนไข้แต่ละคนล่วงหน้าควบคู่กับการวินิจฉัยของแพทย์ จะเป็นประโยชน์ต่อการช่วยวางแผนในการรักษาได้ดียิ่งขึ้น

ข้อมูลอะไรและปัจจัยอะไรที่นำมาวิเคราะห์เพื่อทำนาย?

คนไข้เพศหญิงจำนวน 2,000 คน ที่เคยเข้ามาฝากครรภ์และมีประวัติการรักษากับโรงพยาบาล มาทำการวิเคราะห์เพื่อหาตัวแบบความสัมพันธ์ทางคณิตศาสตร์ของการเกิดโรคเบาหวาน เพื่อที่จะเป็นต้นแบบของการนำผลการวิเคราะห์ไปทำนายความเสี่ยงของคนไข้รายอื่นๆ ได้ โดยการเก็บข้อมูลจากโรงพยาบาล ได้จำแนกปัจจัยที่น่าจะเกิดความเสี่ยงของโรคเบาหวานระหว่างตั้งครรภ์ ดังต่อไปนี้

  • จำนวนครั้งของการที่เคยตั้งครรภ์ (Pregnancies: Number of times pregnant)
  • ระดับกลูโคสในเลือด/น้ำตาลในเลือด (Glucose)
  • ความดันโลหิต หรือ ความดันเลือด (Blood Pressure)
  • ไขมันใต้ผิวหนัง (Skin Thickness: Triceps skin fold thickness (mm))
  • คืออัตราส่วนระหว่างน้ำหนักต่อส่วนสูง (BMI: Body Mass Index)
  • ประวัติเบาหวานโดยกรรมพันธุ์ (Diabetes Pedigree)
  • อายุ (Age)

 

ลักษณะจากข้อมูลที่นำมาวิเคราะห์จำแนกการวิเคราะห์ในเบื้องต้นได้อะไรบ้าง?

จากคนไข้ทั้งหมดที่ทำการเก็บข้อมูลข้างต้นจำนวน 2,000 คน พบว่ามีคนที่เป็นเบาหวานขณะตั้งครรภ์มีจำนวน 648 คน และที่เหลือไม่ได้เป็นโรคเบาหวานขณะตั้งครรภ์ 1,352 คน

สำหรับประวัติการตั้งครรภ์ ส่วนใหญ่เป็นหญิงที่ไม่เคยตั้งครรภ์ อยู่ร้อยละ 15 ที่เหลือร้อยละ 85 เป็นหญิงที่เคยตั้งครรภ์มาอย่างน้อย 1 ครั้งแล้ว

ในขณะที่มีร้อยละ 28 ที่ระดับกลูโคสและน้ำตาลในเลือดน้อยกว่า 100 ที่เหลือ ร้อยละ 72 มีระดับกลูโคสในเลือดมากกว่า 100 ซึ่งมีความเสี่ยงในการเป็นเบาหวาน

มีร้อยละ 51.2 ของคนไข้มีความดันอยู่ในเกณฑ์ปกติ ขณะที่มี 48.7 ที่มีความดันอยู่ในเกณฑ์ค่อนข้างต่ำและมีเพียงไม่ถึง 1% ที่มีความดันสูงมาก

มีร้อยละ 64 ของคนไข้ที่ไม่มีประวัติเบาหวานโดยกรรมพันธุ์ที่เหลืออีกร้อยละ 36 มีประวัติเบาหวานโดยกรรมพันธุ์

ถ้าพิจารณาระดับไขมันใต้ผิวหนังพบว่า มีร้อยละ 63 มีไขมันอยู่ในระดับเกณฑ์ปกติ ที่เหลือ ร้อยละ 37 มีไขมันมากกว่าปกติ

สำหรับค่า BMI หรือดัชนีมวลกาย มีร้อยละ 92 ที่สูงกว่าเกณฑ์มาตรฐาน ที่เหลือร้อยละ 8 อยู่ในเกณฑ์มากกว่าฐานหรือน้อยกว่าปกติ

ข้อน่าสังเกตอย่างหนึ่งคือโดยปกติแล้วแพทย์จะวินิจฉัยโดยการพิจารณาจากหลายๆ ปัจจัยข้างต้นร่วมกันเพื่อจะบ่งชี้ว่าคนไข้คนใดที่น่าจะเป็นสภาวะเบาหวานในช่วงของการตั้งครรภ์ แต่ในปัจจุบันบุคลากรทางการแพทย์เกิดความขาดแคลนเป็นอย่างมากและอาจจะดูแลไม่ทั่วถึงเมื่อเทียบกับความต้องการของคนไข้ที่มีสูงมากขึ้นเรื่อยๆ ดังนั้นถ้านำเอาเทคโนโลยีมาช่วยเพิ่มประสิทธิภาพในการลดเวลาและเพิ่มศักยภาพทางด้านการแพทย์ รวมถึงการนำ Big Data ในการทำนายคนไข้ใหม่ที่น่าจะเป็นเบาหวานระหว่างตั้งครรภ์ได้อย่างแม่นยำ

แมชชีนเลิร์นนิ่งทำนายว่าปัจจัยอะไรบ้างสำคัญ?

หลังจากการนำข้อมูลมาทำนายโดยวิธีของ แมชชีนเลิร์นนิ่ง ว่าปัจจัยที่กล่าวมาข้างต้นทั้งหมด ปัจจัยใดบ้างที่มีความสำคัญในสภาวะเสี่ยงต่อการเป็นโรคเบาหวานระหว่างตั้งครรภ์พบว่า

ปัจจัยที่ส่งผลต่อความเสี่ยงของผู้หญิงที่จะเป็นโรคเบาหวานขณะตั้งครรภ์สูงสุดคือ ระดับน้ำตาลในเลือด รองลงมาคือ ดัชนีมวลกาย ขณะที่อายุ และ เบาหวานโดยกรรมพันธุ์ มีความเสี่ยงอยู่ในระดับใกล้เคียงกัน ในส่วนของปัจจัยประเภทความดัน ประวัติของการเคยตั้งครรภ์ และไขมันใต้ผิวหนัง ไม่ได้อยู่ในกลุ่มของปัจจัยที่ส่งผลในระดับที่สูง

แมชชีนเลิร์นนิ่งทำนายอย่างไรกรณีมีคนไข้ใหม่เข้ามาฝากครรภ์กับโรงพยาบาล?

ถ้าเราลองนำผลการวิเคราะห์ของแมชชีนเลิร์นนิ่งอันนี้มาทำนายคนไข้รายใหม่จำนวน 4 ราย ที่กำลังจะเข้ามาฝากครรภ์กับโรงพยาบาลว่าโอกาสที่จะมีความเสี่ยงในการเป็นโรคเบาหวานหรือไม่ ดังตารางที่แสดงด้านล่างทั้งข้อมูลสุขภาพและการทำนายโดยแมชชีนเลิร์นนิ่ง

จะพบว่า แมชชีนเลิร์นนิ่ง ทำนายว่า นางสาวเอ และ นาวสาวซี มีความเสี่ยงสูงมากที่จะมีโอกาสเป็นโรคเบาหวานขณะตั้งครรภ์ ในขณะที่นางสาวบี และ นางสาวดี มีความเสี่ยงต่ำในการเป็นโรคเบาหวานขณะตั้งครรภ์ จากผลการทำนายทำให้ได้ข้อสังเกตเพิ่มขึ้นว่า แม้บางคนมีประวัติเบาหวานโดยกรรมพันธุ์ในครอบครัวหลายคนรวมถึงมีอายุมากที่สุดอย่าง นางสาวดี แต่ความเสี่ยงในการเกิดเบาหวานขณะตั้งครรภ์มีความเสี่ยงต่ำ เพราะนาวสาวดีมีปัจจัยเสี่ยงชนิดอื่นอยู่ในระดับที่ดี คาดการณ์ได้ว่านาวสาวดีน่าจะมีการดูแลตัวเองที่ดี ในขณะที่คนไข้อีกประเภทที่แมชชีนทำนายว่าจะมีความเสี่ยงสูง นางสาวเอ ทั้งที่ไม่มีประวัติเบาหวานโดยกรรมพันธุ์แต่มีปัจจัยเสี่ยงอย่างอื่นที่มีความเสี่ยงสูงกว่า ผลการทำนายของแมชชีนเลิร์นนิ่งสะท้อนให้เห็นว่า แม้ว่าคนไข้บางคนจะมีปัจจัยเสี่ยงที่ควบคุมไม่ได้แต่ถ้าดูแลสุขภาพอย่างดีและลดปัจจัยเสี่ยงที่สำคัญก็สามารถลดปัจจัยเสี่ยงในการเกิดโรคได้

Big Data ประยุกต์ใช้ในธุรกิจสุขภาพได้อย่างไร?

นอกจากนำแมชชีนเลิร์นนิ่งมาช่วยสนับสนุนการทำงานของบุคลากรทางการแพทย์ให้มีประสิทธิภาพและรวดเร็วแล้ว การนำมาต่อยอดทางธุรกิจให้กับธุรกิจทางการแพทย์ อาทิ โรงพยาบาลสามารถเอาอัลกอริทึ่มมาทำงานร่วมกับแอปพลิเคชันของโรงพยาบาล หรือ ใช้อัลกอริทึ่มกับเว็บไซต์ของโรงพยาบาลในรูปแบบเดียวกันเป็นทางเลือกอีกหนึ่งช่องทาง เพื่ออำนวยความสะดวกของคนไข้เบื้องต้น รวมถึงสามารถที่จะวิเคราะห์และประเมินความเสี่ยงในเบื้องต้น และวางแผนเพื่อทำการเตรียมตัวรักษาได้ล่วงหน้า และจะช่วยในการแนะนำแพ็กเกจที่เหมาะกับคนไข้ที่มีความเสี่ยงต่างกันได้ และยังสามารถปรับใช้ได้กับคนไข้ในหลากหลายรูปแบบ ไม่จำกัดเฉพาะผู้ที่ตั้งครรภ์หรือโรคที่เกี่ยวกับเบาหวานเท่านั้น

คำถามที่สำคัญต่อไปคือ การนำมาปรับใช้จริงในประเทศไทยซึ่งต้องอาศัยความร่วมมือจากหลายๆ ส่วน แต่สิ่งแรกที่สำคัญที่สุด คือความกล้าของบรรดาผู้บริหารที่จะมองเห็นอนาคตของการใช้บิ๊กดาต้าเพื่อรักษาคนไข้ให้มีประสิทธิภาพมากขึ้น

 

บทความโดย: ศรัณยพัชร์ อติกันต์ธนา Analytic Manager IPG MEDIABRANDS THAILAND

อัพเดตข่าวสารการตลาดทุกวันได้ที่ 
Website : Marketeeronline.co / Facebook : www.facebook.com/marketeeronline


อัพเดตข่าวสารการตลาดทุกวันได้ที่  WebsiteMarketeeronline.co / Facebookwww.facebook.com/marketeeronline

ติดตาม Marketeer Online ทาง Line@ : @marketeer